Vous êtes sur la page 1sur 32

Université de Bretagne Occidentale,

IUT de QUIMPER,
Licence Professionnelle Aliments Santé.

Plans d’Expériences

Nicolas SAVY
Nicolas.Savy@univ-brest.fr
http://Nicolas.Savy.free.fr

Fig. 1 – Densité de probabilité d’une loi normale à deux dimensions


Table des matières

I Le Cours 5

1 Les Plans d’Expériences 7


1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Instruction du problème : ”Réfléchir avant d’agir” . . . . . . . . . . . . . . . . . 8
1.3 Construire un Plan d’Expériences . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4 Préparation et réalisation des essais . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.5 Analyse des résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.6 Conclusions et extensions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

II Les Travaux Dirigés et Pratiques 19

2 Les Travaux Dirigés 21


2.1 Situation 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.2 Situation 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3 Situation 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

3 Le TP : Utilisation du solveur et plans d’expériences 25

III Table de Fisher Spécial Plans d’expérience 27

3
4 TABLE DES MATIÈRES
Première partie

Le Cours

5
Chapitre 1

Les Plans d’Expériences

1.1 Introduction
Les plans d’expériences (design of experiments) sont un ensemble de techniques et de
méthodes ayant pour objectif l’obtention du maximum d’information au moindre coût.

1.1.1 Le système étudié


Le système peut être un produit, un processus ou un dispositif quelconque (fig. 1). Les
grandeurs à étudier/optimiser dans ce système sont caratérisées par les réponses. Elles peuvent
par exemple correspondre à des performances à optimiser ou à des défauts à minimiser.

Le sytème sera considéré comme une boite noire. On cherchera simplement à définir de
manière expérimentale la relation entre chacune des réponses et les différents facteurs étudiés
sans se préoccuper des phénomènes physiques, chimiques, mécaniques qui régissent ces relations.

Les facteurs étudiés peuvent être quantitatifs ou qualitatifs. Les valeurs d’un facteur sont
appelées niveaux ou modalités si le facteur est qualitatif. Dans le cas où le facteur peut être
fixé à un niveau prédéterminé au cours des essais, celui-ci sera qualifié de facteur maı̂trisable.
Dans le cas contraire, il sera qualifié de facteur non-maı̂trisable.

7
8 CHAPITRE 1. LES PLANS D’EXPÉRIENCES

1.1.2 Les étapes d’un PE

L’originalité de la méthode des plans d’expériences est qu’il s’agit d’une méthode globale
dans le sens où elle commence au niveau 0 de l’expérimentation c’est à dire à la position
du problème, elle contingente la réalisation des essais et le termine à la conclusion. Voici les
différentes étapes d’un PE qui fournissent également le plan du document :

1. Instruction du problème

2. Construction du plan

3. Préparation et réalisation des essais

4. Analyse des résultats

5. Validation de la solution

6. Conclusions

1.2 Instruction du problème : ”Réfléchir avant d’agir”

C’est poser le problème dans des termes qui vont permettre de le traiter selon la méthode
des PE. C’est à dire adapter le vocabulaire ...

Cette étape clé est l’occasion de rassembler l’expérience accumulée de manière diffuse dans
l’entreprise.

1.2.1 Définir le problème

C’est le poser en précisant de quoi il s’agit et en quoi est-ce un problème. Une méthode de
reflexion : méthode QQCOQP :
Q En Quoi consiste le problème ?
Q Qui est géné par ce problème ?
C Combien ? Combien de cas ? Combien ça coûte ?
O Où cela se passe-t-il ?
Q Quand cela arrive ?
P Pourquoi est-ce un problème ?

1.2.2 Définir l’objectif

C’est le moment le plus délicat et le plus important car il est à la base du choix de la
technique utilisée... On peut évoquer trois objectifs qui vont aboutir à des stratégies distinctes
comme le montre le tableau ci-dessous.
1.2. INSTRUCTION DU PROBLÈME : ”RÉFLÉCHIR AVANT D’AGIR” 9

1.2.3 Recenser les contraintes


Les contraintes proviennent des ressources limitées dont on dispose en moyens d’essais, en
hommes, en argent et surtout en délai de réponse. Ces contraintes se traduisent souvent par un
nombre d’essais maximal qu’il est possible de réaliser.

1.2.4 Définir la réponse


Le choix de la réponse est très important et doit satisfaire aux conditions suivantes :
– être caractéristique de l’objectif de l’étude,
– être quantitative,
– être économique, facile et rapide à mesurer,
– être la plus précise possible (écart-type minimal).

1.2.5 Définir les facteurs


Cette étape fait appel à une connaissance aigüe du problème afin de bien les maı̂triser. On
peut procéder en plusieurs étapes :

Recensement des facteurs

On pourra, pour ce faire, utiliser le diagramme Causes-Effets d’Ishikawa. Il permet d’orga-


niser cette recherche par grandes familles de causes en utilisant ou bien la règle des 6 M pour
un processus de fabrication ou la règle DFUE pour un produit en conception.
10 CHAPITRE 1. LES PLANS D’EXPÉRIENCES

Classer les facteurs

Une fois ces facteurs recensés, il est nécessaire de les classer, on peut distinguer 4 classes de
facteurs :
– Les facteurs à figer d’emblée dans l’étude. Ce sont les facteurs qui sortent des limites
de l’étude ou qui n’auront aucune influence sur les objectifs visés. Ils seront figés, lors de
l’étude à un niveau donné et précisé.
– Les facteurs principaux Ce sont les facteurs sur lesquels on est susceptible d’agir pour
atteindre les objectifs de l’étude.
– Les facteurs de bruit Ce sont des facteurs recensés non maitrisés et qui seront suscep-
tibles d’occasionner une variabilité indésirable sur les grandeurs associées aux objectifs de
l’étude.
– Les facteurs blocs Ce sont des facteurs liés aux moyens et aux conditions d’expérimentation
qui vont varier inévitablement pendant les essais. Il sont susceptibles de biaisé l’estima-
tion des effets des facteurs étudiés. Les facteurs blocs susceptibles d’avoir un effet sur la
réponse devront nécessairement être retenus dans le PE.

Sélectionner les facteurs à retenir

Attention à bien prendre en compte les contraintes d’étude pour ne pas sélectionner trop de
facteurs...
1.2. INSTRUCTION DU PROBLÈME : ”RÉFLÉCHIR AVANT D’AGIR” 11

1.2.6 Définir les modalités ou niveaux des facteurs


Les facteurs maitrisés ont été déterminés à l’étape précédente. Il s’agit maintenant de décider,
pour chaque facteur quelle(s) valeur(s) ils sont susceptibles de prendre durant l’expérimentation.

Cas des facteurs qualitatifs :

il suffit de choisir le nombre de modalités.

Cas des facteurs quantitatifs :

il est nécesaire de choisir le nombre de niveaux et les valeurs prises par le facteur à chacun
des niveaux. Le choix des valeurs nécessite une bonne connaissance du phénomène. En général
il faut prendre des valeurs extrêmes, méfiance cependant aux comportements en cloches...

Nombre de niveaux

le nombre de niveau sera égal à 2 en général (effet linéaire). Les techniques que nous abor-
derons s’appliquent bien à ce cas car les méthodes algébriques sont particulièrement simples.
Pour plus de trois niveaux, un outil informatique est nécessaire.

1.2.7 Présentir les interactions


C’est l’étape la plus délicate car il n’est pas facile de supputer a priori l’existence d’une
interaction.
Définition 1.1 Deux facteurs interagissent si l’effet de l’un dépend de la modalité prise par
l’autre.
Exemple 1.1 Temps de freinage en fonction du taux d’alcooloémie et de l’absorption d’un
tranquillisant. La présence d’une interaction se voit très bien sur les diagrammes des effets
suivant :

1.2.8 Bilan de cette phase : notion de modèle


A ce moment du plan d’expérience, nous sommes capable de considérer le modèle qui sera une
des clés de voute du problème. Ce modèle sera multilinéaire en absence d’interaction quadratique

Fig. 1.1 – Exemples d’interaction (avec et sans) pour 2 modalités


12 CHAPITRE 1. LES PLANS D’EXPÉRIENCES

Fig. 1.2 – Exemples d’interaction pour 3 modalités

sinon. Nous le noterons ainsi dans le cas de 2 facteurs :

Y = µ + α1 A1 + α2 A2 + β1,2 A1 A2 + ε (1.1)

µ représente la moyenne des réponses. αi sont les effets moyens et leur estimation est au centre
du problème. Enfin ε est un résidu aléatoire .

Dans le but d’ajuster ce modèle, nous allons maintenant décrire le Plan d’expérience.

1.3 Construire un Plan d’Expériences


1.3.1 Matrice d’expériences
Dans cette étape, il s’agit de bâtir le PE c’est à dire de définir chacune des expériences à
mener. Cette construction se présente sous forme d’un tableau appelé matrice d’expériences :

Essais Facteurs Réponses


A1 A2 A3 ... Af
1 -1 -1 -1 ... -1 Y1
2 -1 -1 -1(*) ... -1 Y2
3 -1 -1 -1 ... -1 Y3
.. ..
. ... .
n 1 1 1 ... 1 Yn

Tab. 1.1 – Matrice d’expérience

(*) représente le niveau du facteur 3 au 2-ième essai.

Remarque 1.1 Dans la suite, on choisira de prendre 2 niveaux par facteurs. Le niveau haut
sera noté + et le niveau bas - (on peut egalement attribuer les valeurs +1 et -1.
1.3. CONSTRUIRE UN PLAN D’EXPÉRIENCES 13

1.3.2 Les différents plans


Dans ce cours, nous n’aborderons que les plans dits factoriels. Il en existe bien d’autres...

Plan un facteur à la fois

C’est la méthode d’expérimentation traditionnelle qui consiste à faire varier un facteur à la


fois. La matrice d’expérience est la suivante :

Essais Facteurs Réponses


A B C D E F G
1 -1 -1 -1 -1 -1 -1 -1 Y1
2 1 -1 -1 -1 -1 -1 -1 Y2
3 1 1 -1 -1 -1 -1 -1 Y3
4 1 1 1 -1 -1 -1 -1 Y4
5 1 1 1 1 -1 -1 -1 Y5
6 1 1 1 1 1 -1 -1 Y6
7 1 1 1 1 1 1 -1 Y7
8 1 1 1 1 1 1 1 Y8

Tab. 1.2 – Exemple plan ”un facteur à la fois”

Le calcul des effets globaux (c’est la quantité dont varie la réponse quand le facteur passe
de la modalité 1 à la modalité 2) est très simple :

Effet du facteur A = Y2 − Y1

L’inconvénient de cette méthode est que l’effet est calculé pour une combinaison particulière
des autres facteurs et rien ne permet de dire que cet effet est valable pour une autre combinaison.

Plan factoriel complet

Il s’agit de réaliser toutes les combinaisons possibles des niveaux des facteurs. Il est à noter
que pour p facteurs à 2 niveaux, ceci nécessite 2p essais.

Le calcul de l’effet global du facteur A est alors simple, c’est la moyenne des réponses obte-
nues avec A au niveau +1 moins la moyenne des réponses obtenues avec A au niveau -1.

L’intérêt est que l’on a une estimation précise des effets et une détermination directe de la
meilleure combinaison.

L’inconvénient est le nombre d’essais.

Plan factoriel fractionnaire

C’est une fraction judicieuse d’un plan complet.


Ce plan fait partie d’une famille plus vaste de plan : Les plans orthogonaux.
14 CHAPITRE 1. LES PLANS D’EXPÉRIENCES

Essais Facteurs Réponses


A B C D E F G
1 -1 -1 -1 -1 -1 -1 -1 Y1
2 -1 -1 -1 1 1 1 1 Y2
3 -1 1 1 -1 -1 1 1 Y3
4 -1 1 1 1 1 -1 -1 Y4
5 1 -1 1 -1 1 -1 1 Y5
6 1 -1 1 1 -1 1 -1 Y6
7 1 1 -1 -1 1 1 -1 Y7
8 1 1 -1 1 -1 -1 1 Y8

Tab. 1.3 – Exemple plan factoriel fractionnaire

Plan orthogonal

Définition 1.2 Deux facteurs A et B sont dits orthogonaux dans un PE si, à chaque modalité
du facteurs A, toutes les modalités de B apparaissent un même nombre de fois.
Définition 1.3 Un plan où tous les couples de facteurs sont orthogonaux est dit orthogonal.
Propriété 1.1 Les plans complets et factoriels (c’est le sens du judicieux) sont orthogonaux
alors que les plans un facteur à la fois ne le sont pas.

Fig. 1.3 – Comparaison PE orthogonal et PE un facteur à la fois

Théorème 1.1 Supposons le nombre d’essais supérieur à 3.


1
Notons σA l’écart-type de l’estimation de l’effet du facteur A par le PE un facteur à la fois et
2
σA celui obtenu par un PE Orthognal.

Alors on a :

σa1 ≥ σa2
1.4. PRÉPARATION ET RÉALISATION DES ESSAIS 15

La question de la construction PE orthogonal est difficile. Tagushi s’y est frotté et en a fait
des tables. L’écriture générale est :
Lg (mf )
avec :
g nombre d’expériences
m nombre de modalités par facteur
f nombre de facteurs
Exemple 1.2 L16 (215 )
Le plan fractionnaire n’est pas tout rose. On a un phénomène de confusion d’effets. Sur
l’exemple 1.4 on a confusion de l’effet de AB avec celui de C. L’ensemble des facteurs confon-
dus s’appelle une aliase . Toute aliase est générée par un élément (ici C). Il y en a d’autres par
exemple A et BC. Il existe des tables dites d’interaction qui recensent les aliases.

Exemple 1.3 Soit le plan L4 (23 ), on remarque que :

Essais Facteurs Interaction


A B C AB
1 +1 +1 +1 +1 C = AB
2 +1 -1 -1 -1
3 -1 +1 -1 -1
4 -1 -1 -1 +1

Tab. 1.4 – Exemple de Confusion d’effets

Remarque 1.2 Attention aux conclusions...

1.4 Préparation et réalisation des essais


Deux points importants :
– Suivre respectivement le plan choisi
– Randomiser les essais de façon à éviter d’introduire un biais dû au temps ou aux variations
des conditions expérimentales.
Le déroulement des expérimentations suit les consignes traditionnelles vues dans vos divers
TP.

1.5 Analyse des résultats


1.5.1 Analyse mathématique
La première étape est l’estimation des effets moyens ou ce qui revient à l’estimation des
coefficients du modèle linéaire multiple sous-jacent. C’est une question difficile en général mais
dans le cadre des PE avec des facteurs à deux niveaux, ceci devient très simple.
16 CHAPITRE 1. LES PLANS D’EXPÉRIENCES

Considérons le modèle suivant :

Y = µ + α1 A1 + α2 A2 + β1,2 A1 A2 + ε

pour estimer les αi on prendra :

(moyenne des Yi | Ai = +) − (moyenne des Yi | Ai = −)


α̂i =
2
pour estimer β1,2 , on commence par déterminer les niveaux du facteur A1 A2 en fonction des
essais. L’estimation se fait ensuite de la même manière :
(moyenne des Yi | A1 A2 = +) − (moyenne des Yi | Ai A2 = −)
β̂1,2 =
2
Remarque 1.3 L’effet moyen est la moitié de l’effet global.

L’analyse mathématique répond à la question quel est le facteur prépondérant : celui dont
l’effet moyen est en valeur absolu le plus grand... c’est extrèmement simple. La question qui se
pose maintenant est quels sont les effets significatifs ? c’est à dire dont l’action est suffisamment
grande pour se détacher de l’action du hasard (de l’erreur expérimentale). C’est l’objet de
l’analyse statistique.

1.5.2 Analyse statistique (exemple pour 2 facteurs)


Pour cela nous allons analyser la variance. On considère le modèle suivant :

ˆ A1 A2 +ε
Y = Ŷ + αˆ1 A1 + αˆ2 A2 + β1,2
| {z }

On note également Ŷ A1 la valeur attendue quand le facteur A agit seul. Cette variable ne prend
que deux valeurs (une par modalité du facteur A) et ces valeurs sont :

ŶiA1 = Ȳ + αˆ1 A1i

On définit de la même manière les variables Ŷ A2 et Ŷ A1 A2 .

Ces quantités sont très faciles à calculer...

On définit les sommes des carrées des écarts suivantes :


SCT Somme des carrés des écarts totales (des Yi ).
SCR Somme des carrés des écarts résiduelles (des Yi − Ŷi ).
SCA1 Somme des carrés des écarts du facteur A1 (des ŶiA1 ).
SCA2 Somme des carrés des écarts du facteur A1 (des ŶiA2 ).
SCA1 A2 Somme des carrés des écarts du facteur A1 (des ŶiA1 A2 ).

Théorème 1.2 On a la formule de calcul :


2
SCA1 = n. (α̂1 )

où n est le nombre d’essais.


1.5. ANALYSE DES RÉSULTATS 17

Démonstration :

J
On construit le tableau d’analyse de la variance suivant :

Sources de variation SCE DDL VAR Fc P


Totale SCT n-1 VT
Résiduelle SCR n-4 VR
Factorielle A1 SCA1 1 V A1 F1 P1
A2 SCA2 1 V A2 F2 P2
Interaction A1 A2 SCA1 A2 1 V A1 A2 F3 P3

Tab. 1.5 – Exemple de tableau d’analyse de Variance pour 2 facteurs avec interaction

La variance n’est autre que la somme des carrés des écarts divisée par le nombre de degré
de liberté et
V A1
F1 =
VR
P1 désigne le niveau de probabilité associé à F1 c’est la probabilité suivante :

P1 = P [F ≥ F1 ] où F ∼ F ischer(1, r)

La conclusion s’obtient alors facilement :


Si P1 > 0, 05 pas d’effet significatif,
Si 0, 01 < P1 < 0, 05 Effet significatif,
Si 0, 001 < P1 < 0, 01 Effet très significatif,
Si P1 < 0, 001 Effet hyper significatif.
Si l’on ne souhaite pas travailler avec les niveaux de probabilité, on peut se contenter des
valeurs seuils fournies par la table de Fisher mais les comparaisons sont beaucoup plus difficiles.

1.5.3 Analyse graphique


Diagramme des effets

C’est un diagramme qui représente, les points de coordonnées :

(Ai , Ȳ + α̂i Ai ) i = 1, . . . , m

Ces points sont reliés par une ligne brisée.


Exemple 1.4 Voir l’exemple 4 du paragraphe 1.2.7
18 CHAPITRE 1. LES PLANS D’EXPÉRIENCES

Diagramme de Pareto

C’est un diagramme en barre sur lequel on représente :


– En abscisse le niveau de probabilité ou les Fc
– En ordonnée les différents facteurs.
on y ajoute souvent les droites verticales correspondant aux seuils c’est à dire aux valeurs
1%, 5% et 0, 1% ou aux valeurs seuils selon les cas.
Exemple 1.5 Voir les TD et TP.

1.6 Conclusions et extensions


A ce point du travail, nous sommes en présence d’un modèle linéaire avec eventuellement
des termes d’interactions. La première extension est bien sûr une utilisation de ce modèle.

Sous des hypothèses classiques sur les résidus (normalité, variance constante et indépendance)
on peut aller jusqu’à l’obtention d’intervalle de confiance des effets.

Une autre extension usuelle est la détermination des niveaux des facteurs tels que la variable
de réponse donne une valeur donnée (voir les TP).
Deuxième partie

Les Travaux Dirigés et Pratiques

19
Chapitre 2

Les Travaux Dirigés

2.1 Situation 1
On considère une réaction chimique dont le rendement dépend de deux facteurs, la température
et la pression. Le technicien décide d’effectuer un plan d’expérience avec le domaine expérimental
suivant :

Niveau bas : -1 Niveau haut :+1


Température : T 60 C 80 C
Pression : P 1 bar 2 bars

La réponse Y étudiée, rendement de l’expérience (en pourcentage).

2.1.1 Exercice 1 : sans interaction


Les résultats sont les suivants :

Essais Facteurs réponse


T P Y
1 -1 -1 50
2 +1 -1 65
3 -1 +1 75
4 +1 +1 80

On considère le modèle linéaire sans interaction suivant :

Y = µ + αT + βP + ε

1. Estimer les effets moyens donnés par le modèle.

2. Mettre en place l’analyse de la variance et détecter les effets ayant une influence très
significative.

21
22 CHAPITRE 2. LES TRAVAUX DIRIGÉS

2.1.2 Exercice 2 : avec interaction


On reprend le plan ci-dessus mais on considère maintenant les interactions Température-
Pression. Le modèle est donc le suivant :

Y = µ + αT + βP + γT P + ε

1. Estimer les effets moyens donnés par le modèle.


2. Représenter graphiquement ces effets.
3. Mettre en place l’analyse de la variance et détecter les effets ayant une influence très
significative.

2.1.3 Exercice 3 : sans interaction


Une seconde expérience a fournie les résultats suivants :

Essais Facteurs réponse


T P Y
1 -1 -1 55
2 +1 -1 65
3 -1 +1 75
4 +1 +1 85

1. Estimer les effets donnés par le modèle.


2. Calculer les valeurs annoncées par le modèle :

Ŷ = µ̂ + α̂T + β̂P

3. En déduire le tableau d’analyse de variance.


4. Que se passe-t-il si l’on considère l’interaction T P ?
5. Conclure
6. Représenter graphiquement ces effets.

2.2 Situation 2
On s’intéresse à la formulation d’une suspension concentré d’un pesticide solide. Dans la
fabrication d’un pesticide solide entre en jeu 3 facteurs :
A granulométrie de la matière active.
B quantité d’agent tensioactif.
C quantité d’huile.
Les contraintes de fabrication permettent de faire varier chacun des trois facteur dans les four-
chettes suivantes :
2.3. SITUATION 3 23

Niveau bas : -1 Niveau haut :+1


A 1 micron 10 microns
B 0,05 g/l 0,2 g/l
C 5% 40 %
La réponse Y étudiée est le pourcentage d’attaque du parasite sur la plante test.

2.2.1 Exercice 4
Les résultats sont les suivants :

Essais Facteurs réponse


A B C Y
1 -1 -1 -1 6.75
2 +1 -1 -1 52.5
3 -1 +1 -1 2.5
4 +1 +1 -1 15.5
5 -1 -1 +1 3.75
6 +1 -1 +1 67.5
7 -1 +1 +1 2.5
8 +1 +1 +1 38.75
1 -1 -1 -1 7.25
2 +1 -1 -1 44.5
3 -1 +1 -1 2
4 +1 +1 -1 17.5
5 -1 -1 +1 6.25
6 +1 -1 +1 55
7 -1 +1 +1 1
8 +1 +1 +1 42.75

On considère le modèle sans interaction suivant :

Y = µ + αA + βB + γC + ε

1. Préciser la nature du plan.


2. Estimer les effets moyens donnés par le modèle.
3. Mettre en place l’analyse de la variance et détecter les effets ayant une influence très
significative.
4. Représenter le diagramme de Pareto.
5. Conclure l’étude.

2.3 Situation 3
On s’intéresse au pH d’une solution. On regarde l’influence de quatre facteurs :
A température de la solution.
24 CHAPITRE 2. LES TRAVAUX DIRIGÉS

B catalyseur.
C pression atmosphérique.
D géométrie du récipient.
Les contraintes de fabrication permettent de faire varier chacun des trois facteur dans les four-
chettes suivantes :
Niveau bas : -1 Niveau haut :+1
A 20 degrés 50 degrés
B Avec Sans
C 1 bar 2 bars
D Cylindrique Rectangulaire
La réponse Y étudiée est le pH de la solution.

2.3.1 Exercice 5
Les résultats sont les suivants :

Essais Facteurs réponse


A B C D Y
1 +1 -1 -1 +1 7.2
2 +1 +1 +1 +1 6.0
3 +1 +1 -1 -1 4.3
4 -1 -1 -1 -1 9.5
5 -1 +1 -1 +1 8.0
6 -1 +1 +1 -1 8.0
7 +1 -1 +1 -1 7.3
8 -1 -1 +1 +1 10.1

On considère le modèle sans interaction suivant :

Y = µ + αA + βB + γC + ε

1. Préciser la nature du plan.


2. Justifier le nombre d’essai.
3. Décrire les aliases.
4. Estimer les effets moyens donnés par le modèle.
5. Expliquer en quelques mots pourquoi l’analyse de la variance est possible.
6. Mettre en place l’analyse de la variance et détecter les effets ayant une influence très
significative.
7. Représenter le diagramme de Pareto.
8. Conclure l’étude.
Chapitre 3

Le TP : Utilisation du solveur et
plans d’expériences

Il s’agit de produire des boı̂tes de conserves contenant 350 g de foie de gras de canard en-
tier mi-cuit ne comportant pas plus de 30 grammes de graisse fondue mesurée après la cuisson
stérilisation. Initialement les essais préliminaires n’ont pas permis d’avoir en moyenne moins de
83 grammes avec un écart-type d’environ 15 grammes.

L’idée est d’utilisation un plan de screening afin d’une part de faire le tri entre les fac-
teurs importants et négligeables et d’autre part de trouver un réglage capable d’approcher la
spécification.

Les facteurs retenus sont :


A Géométrie du stérilisateur
B Nombre de boı̂tes par campagne de stérilisation
C Forme géométrique des boı̂tes de 350 g
D Température initiale de l’eau avant stérilisation
E Volume d’eau dans le stérilisateur
F Durée de stérilisation
G Durée de refroidissement
H Recette de gavage
J Durée de gavage
Deux niveaux ont étés affectés à chacun de ces neufs facteurs. Pour des raisons de confiden-
tialité ceux-ci ne seront pas explicités. Tous les autres facteurs maı̂trisables ont été fixés à un
niveau constant.

Le modèle à étudier est le suivant :

y = mI + aA + bB + cC + dD + eE + f F + gG + hH + jJ + ε

où les lettres minuscules sont les effets moyens à estimer.

25
26 CHAPITRE 3. LE TP : UTILISATION DU SOLVEUR ET PLANS D’EXPÉRIENCES

On souhaite utiliser un plan orthogonal. Quelles sont les solutions possibles ? Quel est le
nombre d’essais nécessaires ?
On va opter pour le plan L12 (211 ) avec les notations Tagushi. Voici comment il se présente :
Essais Niveaux des Facteurs Rep Rep
A B C D E F G H J 1 2
1 +1 +1 +1 +1 +1 +1 +1 +1 +1 81 110
2 +1 +1 +1 +1 +1 -1 -1 -1 -1 211 245
3 +1 +1 -1 -1 -1 +1 +1 +1 -1 47 70
4 +1 -1 +1 -1 -1 +1 -1 -1 +1 145 156
5 +1 -1 -1 +1 -1 -1 +1 -1 +1 137 189
6 +1 -1 -1 -1 +1 -1 -1 +1 -1 100 73
7 -1 +1 -1 -1 +1 +1 -1 -1 +1 89 139
8 -1 +1 -1 +1 -1 -1 -1 +1 +1 147 195
9 -1 +1 +1 -1 -1 -1 +1 -1 -1 169 199
10 -1 -1 -1 +1 +1 +1 +1 -1 -1 133 143
11 -1 -1 +1 -1 +1 -1 +1 +1 +1 92 99
12 -1 -1 +1 +1 -1 +1 -1 +1 -1 148 134
Les deux dernières colonnes sont les réponses 1 et 2 (une répétition des résultats).
1. Estimer les effets des différents facteurs.
2. Effectuer l’analyse de la variance pour déterminer les facteurs ayant une influence signi-
ficative.
3. Ecrire le modèle obtenu après avoir supprimer les facteurs intervenant peu.
4. Représenter graphiquement ces effets.
5. Quel est le niveau des facteurs qui minimise la réponse y ? Estimer grâce au modèle cette
réponse.
6. On souhaite maintenant trouver le niveau des facteurs tel que la réponse attendue soit de
30 grammes.
(a) En utilisant le solveur d’Excel estimer ces niveaux.
(b) Si le niveau +1 du facteur G est 24 heures et le niveau -1 est 12 heures, donner une
estimation de la température pour atteindre l’objectif spécifié.
(c) Quel doit être l’étape suivante pour utiliser ce résultat ?
Troisième partie

Table de Fisher Spécial Plans


d’expérience

27
29

DDL Résiduels 0.05 0.01 0.001


1 161.446 4052.185 405311.584
2 18.513 98.502 998.378
3 10.128 34.116 167.056
4 7.709 21.198 74.127
5 6.608 16.258 47.177
6 5.987 13.745 35.507
7 5.591 12.246 29.246
8 5.318 11.259 25.415
9 5.117 10.562 22.857
10 4.965 10.044 21.038
11 4.844 9.646 19.687
12 4.747 9.330 18.645
13 4.667 9.074 17.815
14 4.600 8.862 17.142
15 4.543 8.683 16.587
16 4.494 8.531 16.120
17 4.451 8.400 15.722
18 4.414 8.285 15.380
19 4.381 8.185 15.081
20 4.351 8.096 14.819
21 4.325 8.017 14.586
22 4.301 7.945 14.381
23 4.279 7.881 14.195
24 4.260 7.823 14.028
25 4.242 7.770 13.877
26 4.225 7.721 13.739
27 4.210 7.677 13.613
28 4.196 7.636 13.497
29 4.183 7.598 13.391
30 4.171 7.562 13.293
35 4.121 7.419 12.897
40 4.085 7.314 12.609
45 4.057 7.234 12.393
50 4.034 7.171 12.222
55 4.016 7.119 12.085
60 4.001 7.077 11.973
65 3.989 7.042 11.879
70 3.978 7.011 11.800
75 3.968 6.985 11.731
80 3.960 6.963 11.672
85 3.953 6.943 11.620
90 3.947 6.925 11.573
95 3.941 6.909 11.532
30

DDL Résiduels 0.05 0.01 0.001


100 3.936 6.895 11.496
150 3.904 6.807 11.267
200 3.888 6.763 11.154
250 3.879 6.737 11.089
300 3.873 6.720 11.044
350 3.868 6.708 11.012
400 3.865 6.699 10.989
450 3.862 6.691 10.971
500 3.860 6.686 10.957
Bibliographie

[1] G.E.P. Box, W.G. Hunter, J.S Hunter


Statistics for experimenters
John Wiley and sons, 1978.
[2] J. Demonsant
Comprendre et mener des plans d’expériences
AFNOR, 1996.
[3] J.J. Droesbeke, J. Fine, G. Saporta
Plans d’expériences,
AFNOR, 1996.
[4] M. Périgord
Formation à la maitrise statistique des procédés,
Les éditions d’organisation, 1990.
[5] G et M.C. Sado
Les plans d’expérerience,
Afnor technique, 1991.
[6] P. Shimmerling, J.C. Sisson, A. Zaı̈di
Partique des Plans d’expériences Tec et doc, 1998.
[7] R. Tomassone, C. Deruin, J.P. Masson
Biométrie
Masson 1993

31
Index

Aliase, 15 Factoriels, 13
Fractionnaires, 13
Boite Noire, 7 Orthogonaux, 14
Un facteur à la fois, 13
Contraintes, 9
Prévision, 8
Diagramme
Quantification des effets, 8
Cause-Effets, 9
Effets, 17 Réponse, 7
Ishikawa, 9 Résidu, 12
Pareto, 18 Règle
Effets 6 M, 9
Confusion, 15 DFUE, 9
Globaux, 13 Randomiser, 15
Moyens, 12, 15 Robustesse, 8
Prépondérants, 16
Tableau d’analyse de variance, 17
Significatifs, 16
Tagushi, 15
Facteurs, 7
A figer, 10
Bloc, 10
Bruit, 10
Orthogonaux, 14
Principaux, 10

Interaction, 11

Méthode QQCOQP, 8
Matrice d’expérience, 12
Modèle, 11
Modalités, 7

Niveaux, 7

Optimisation, 8

Plans
Complets, 13
Expérience, 7

32

Vous aimerez peut-être aussi