Vous êtes sur la page 1sur 8

Plan d’expériences

Voici un document qui m’a permis de comprendre les principes des plans d’expériences
dans mes études, j’ai fait la synthèse des quelques documents, j’espère que cela vous
profitera dans votre formation, car la science et la connaissance sont universelles et il faut la
partager…

Juan ROSAS

1.1. Présentation des plans d’expériences

1.1.1. Principe

La technique des plans d’expériences va permettre de répondre à nos exigences. En effet,


son principe consiste à faire varier simultanément les niveaux de un ou plusieurs facteurs
(qui sont les variables, discrètes ou continues) à chaque essai. Ceci va permettre de
diminuer fortement le nombre d’expériences à réaliser tout en augmentant le nombre de
facteurs étudiés, en détectant les interactions entre les facteurs et les optimaux par rapport à
une réponse, c’est-à-dire une grandeur utilisée comme critère et en permettant de modéliser
facilement les résultats. Le point délicat dans l’utilisation des plans d’expériences sera donc
de minimiser le plus possible le nombre d’expériences à mener sans sacrifier la précision sur
les résultats.

Il existe actuellement un nombre important de plans différents. Chacun, par ses propriétés,
permet de résoudre certains problèmes particuliers. On peut cependant diviser les plans
d’expériences en deux grandes catégories :

– les plans pour étudier (estimer et comparer) les effets des paramètres,
– les plans pour régler les paramètres afin d’atteindre un optimum.

L’idée essentielle qui doit mener la démarche expérimentale de l’expérimentateur est que
l’on met en oeuvre un plan d’expériences afin de répondre à une problématique bien

     

Plan d’expériences

précise. Il faut donc choisir ou construire le plan qui donnera les informations recherchées.
On ne pourra donc pas utiliser le même plan pour étudier efficacement les effets des
paramètres tout en cherchant un optimum. Afin d’obtenir des informations pertinentes, une
démarche méthodologique doit être suivie :

– définitions des objectifs et critères,


– définition des facteurs étudiés et du domaine expérimental,
– construction du plan d’expériences,
– expérimentation,
– analyse des résultats,
– conduite éventuelle d’essais supplémentaires,
– validation des résultats,
– conclusion de l’étude.

A l’issue de cette procédure, on pourra conclure sur les résultats donnés par les plans.

1.1.2 Étude des effets des facteurs

Cette première partie est dédiée à la présentation des plans d’expériences dont l’objectif est
d’estimer et comparer les effets des facteurs étudiés. Il existe de nombreux plans qui
permettent de réaliser une telle étude. Nous nous contenterons ici de présenter les plans
d’expériences factoriels qui sont les plus simples et les plus utilisés et qui ont donné de bons
résultats.

1.1.2.1 Plans factoriels complets

Nous allons dans un premier temps présenter les plans factoriels, c’est-à-dire les plans
d’expériences à 2 niveaux par facteur. Ce sont les plus utilisés car les plus simples et les
plus rapides à mettre en oeuvre. Tout d’abord, nous allons traiter les plans factoriels
complets. Avec deux niveaux et k facteurs, ceux-ci sont notés 2k. Dans un plan factoriel
complet, la totalité des expériences doit être réalisée, comme dans la méthodologie
standard. Pour un plan factoriel complet optimal à k facteurs, il va donc falloir mener 2k
expériences. Le principe consiste alors à répartir de façon optimale les essais dans le
domaine expérimental. Soit par exemple un plan factoriel complet à 2 facteurs, noté : 22. La
meilleure stratégie consiste à choisir les points de mesures aux extrémités du domaine
expérimental, ce qui accroît la précision du résultat et ne demande que 4 essais notés

     

Plan d’expériences

Figure. 1.1 – Emplacement des points expérimentaux dans le domaine expérimental

Figure 1.2 : Le niveau bas du facteur est noté par - 1 et le niveau haut par +1. Le domaine de
variation du facteur est constitué de toutes les valeurs comprises entre le niveau bas et le
niveau haut.

1.1.2.2. Analyse de la variance

Une difficulté inhérente à l’expérimentation consiste en la non-répétabilité des résultats


mesurés. Ce problème peut avoir des origines diverses et fausser le résultat obtenu. La
problématique consiste donc à déterminer quand un résultat est influent ou non. Il va donc
falloir estimer l’erreur que l’on commet sur le calcul des différents effets. La première
précaution à prendre pour minimiser l’influence des dérives des mesures sous la contrainte
de conditions extérieures variables est d’organiser la réalisation des essais dans un ordre
aléatoire. Il faut dans un second temps quantifier l’erreur commise sur les résultats et choisir
l’erreur expérimentale retenue pour l’analyse des résultats ce qui permettra alors de
s’appuyer sur les outils statistiques pour exploiter les résultats des plans.

1.1.3 Notion de surface de réponse

     

Plan d’expériences

Les niveaux x représentent les coordonnées d'un point expérimental et y est la valeur de la
i

réponse en ce point. On définit un axe orthogonal à l'espace expérimental et on l'attribue à la


réponse. La représentation géométrique du plan d'expériences et de la réponse nécessite un
espace ayant une dimension de plus que l'espace expérimental. Un plan à deux facteurs
utilise un espace à trois dimensions pour être représenté : une dimension pour la réponse,
deux dimensions pour les facteurs.
A chaque point du domaine d'étude correspond une réponse. A l'ensemble de tous les points
du domaine d'étude correspond un ensemble de réponses qui se localisent sur une surface
appelée la surface de réponse (Figure 1.3).

Le nombre et de l'emplacement des points d'expériences est le problème fondamental des


plans d'expériences. On cherche à obtenir la meilleure précision possible sur la surface de
réponse tout en limitant le nombre d’expériences.

Figure 1.3 : Les réponses associées aux points du domaine d'étude forment la surface de
réponse. Les quelques réponses mesurées aux points du plan d'expériences permettent de
calculer l'équation de la surface de réponses.

1.1.4 Système d'équations


Chaque point expérimental permet d'obtenir une valeur de la réponse. Cette réponse est
modélisée par un polynôme dont les coefficients sont les inconnues qu'il faut déterminer. A la
fin du plan d'expériences, on a un système de n équations (s'il y a n essais) à p inconnues
(s'il y a p coefficients dans le modèle choisi a priori). Ce système s'écrit d'une manière
simple en notation matricielle :

y = X + e (1.1)
     

Plan d’expériences

y, est le vecteur des réponses.


X, est la matrice de calcul, ou matrice du modèle, qui dépend des points expérimentaux
choisis pour exécuter le plan et du modèle postulé.
 est le vecteur des coefficients.
e est le vecteur des écarts.

Ce système possède un nombre d'équations inférieur au nombre d'inconnues. Il y a n


équations et p + n inconnues. Pour le résoudre, on utilise une méthode de régression basée
sur le critère des moindres carrés. On obtient ainsi les estimations des coefficients que l'on
note :

â
Le résultat de ce calcul est :
â = (X’X)-1 X’ y (1.2)

Formule dans laquelle la matrice 'X est la matrice transposée de X. De nombreux logiciels
exécutent ce calcul et donnent directement les valeurs des coefficients.
Deux matrices interviennent constamment dans la théorie des plans d’expériences :
La matrice d’information X’.X
La matrice de dispersion (X’.X)-1

1.1.5. Plans factoriels complets a deux niveaux


Ces plans possèdent un nombre de niveaux limité à deux pour chaque facteur. Toutes les
combinaisons de niveaux sont effectuées au cours de l'expérimentation. Ces plans peuvent
être utilisés indistinctement pour les variables continus et pour les variables discrètes.

1.1.5.1. Plan à deux facteurs


Pour deux facteurs, le domaine d'étude est un carré Le modèle mathématique postulé est
un modèle du premier degré par rapport à chaque facteur :
y = o + 1x1 + 2x2 + 12x1x2 + e (1.3)

• y est la réponse
• x représente le niveau attribué au facteur i.
i

•  est la valeur de la réponse au centre du domaine d'étude.


0

•  est l'effet (ou effet principal) du facteur 1.


1

•  est l'effet (ou effet principal) du facteur 2.


2

     

Plan d’expériences

•  est l'interaction entre les facteurs1 et 2.


12

• e est l'écart.

1.1.5.2. Plans factoriels à k facteurs à 2 niveaux


On peut augmenter le nombre de facteurs. L'espace expérimental possède autant de
dimensions qu'il y a de facteurs et le modèle mathématique correspond à la relation (1.4)

y = o + ixj + ijxixj +…+ ijx2i + ij…z xi xj …xz + e (1.4)

k
Un plan comportant k facteurs à deux niveaux est noté 2 .
• Le k en exposant signifie qu'il y a k facteurs étudiés.
• Le 2 indique le nombre de niveaux par facteur.
On remarquera que cette notation indique également le nombre d'essais à réaliser. Ce
nombre devient rapidement très important. Pour seulement 7 facteurs, il faudrait exécuter
128 essais. Pour diminuer le nombre des essais en conservant la possibilité d'étudier tous
les facteurs, les plans factoriels fractionnaires à deux niveaux ont été introduits.

1.1.6. Plans a plusieurs niveaux


Les plans à deux niveaux sont très utilisés parce qu'ils sont économiques en nombre
d'essais. Mais il n'y a aucune raison de ne pas considérer des plans ayant des facteurs
prenant plus de deux niveaux. Il faut donner à chaque facteur le nombre de niveaux
nécessaires aux exigences de l'étude. Il existe, là aussi, des plans complets et des plans
fractionnaires qui permettent de réduire le nombre des essais malgré l'augmentation du
nombre de niveaux.
L'interprétation des résultats dépend de la nature des variables. Si les facteurs sont continus,
on pourra utiliser un modèle du premier ou du deuxième degré et exécuter les calculs avec
la relation (1.2) en vue de la modélisation. Pour ces variables, il existe des plans optimisés
selon les différents critères d’optimalité. Si les variables sont discrètes, il faut employer
l'analyse de la variance pour interpréter les résultats. Pour ces variables, il existe des plans
particuliers tels que les carrés latins, les carrés gréco-latins, les plans de Youden et les plans
à niveaux mixtes.

1.1.6.1. Plans complets à trois niveaux


S'il y a deux facteurs prenant chacun trois niveaux, il faut exécuter 9 essais. On note ce plan
32. S'il y a trois facteurs prenant chacun trois niveaux (plan 33), il faut exécuter 27 essais. Ce

     

Plan d’expériences

qui commence à faire beaucoup. C'est la raison pour laquelle il existe aussi les plans
fractionnaires correspondants qui portent le nom de carrés latins.

1.1.7 Les plans hybrides


Les plans hybrides ont été mis au point par Roquemore. Leur objectif est d'essayer
d'approcher deux critères d'optimalité, celui d'orthogonalité et celui d'isovariance par rotation.
L'orthogonalité garantie la meilleure précision possible sur les coefficients du modèle et
l'isovariance par rotation conduit à des erreurs de prévisions identiques à une même
distance du centre du domaine. Si l'expérimentateur recherche ces deux propriétés, il doit
penser à utiliser un plan hybride.
Les plans hybrides se désignent de la manière suivante : on indique le nombre de facteurs,
puis le nombre de points expérimentaux dont un seul point central, enfin une lettre pour
distinguer deux plans ayant le même nombre de facteurs et le même nombre de points
expérimentaux.

     

Plan d’expériences

Bibliographie

1. Box G.E.P., Hunter W.C., Hunter J.S. (1978): Statistics for experimenters, Wiley.
2. Brereton R., Consequences of sample size, variable selection, and model validation and optimisation,
for predicting classification ability from analytical data. Trends in analytical chemistry, 2006, 25
(11)1103-1111.
3. Clément B. Ingenierie de la qualité, 2004.
4. Dodge Y., Rousson V. Analyse de régression appliquée, Dunod, 2004
5. Draper N., Smith H. Applied regression analysis, Wiley, Ed. New-York,1981
6. Gauchi J.-P. Utilisation de la régression PLS pour l’analyse des plans d’expériences en chimie de
formulation, Revue de statistique appliquée, 1995 43(1) : 65-89.
7. Geladi P., Kowalski B. Partial least-squares regression: a tutorial. Analytical Chimica Acta, 1986
185:1-17.
8. Goupy J, Les plans d’expériences, Revue MODULAD, 2006
9. Goupy J. Modélisation par les plans d’expériences. Techniques de l’ingénieur, R275
10. Haseler S. Particle size distribution measurement by automated dual wavelength turbidimetry. Part.
Charact, 1985, 2 : 14-19.
11. Kourti T. Adnormal situation detection, three way data and projection methods; robust data archiving
and modelling for industrial applications. Annual Reviews in control, 2003, 27: 131–139.
12. Kourti T. Process Analytical technology beyond real-time analyzers: The role of multivariate analysis.
Critical reviews in analytical chemistry, 2006, 36 : 257-278.
13. Lavine B., Workman J. Chemometrics. Anal. Chem 2006, 78, 4137
14. Man M., Dyson G., Johnson K., Liao B. Evaluating methods for classifying expression data. Journal
of Biopharmaceutical statistics, 2004, 14(4) 1065-1084.
15. Mestek O., Pavlik J., Suchanek M. Multivariate control charts: control charts for calibration curves. J
Anal Chem 1994, 350:344-351.
16. Poirier J. Analyse de la variance et de la régression. Plans d’expérience. Techniques de l’ingénieur,
R260.
17. Reinikainen S.-P., Höskuldsson A. Multivariate statistical analysis of a multi-step industrial process.
Analytica chimica acta 2007
18. Tenenhaus M., Gauchi J.,-P., Ménardo C. Régression PLS et applications. Revue de statistique
appliqué, 1995, 43(1) : 7-63.
19. Tenenhaus M. (1998), La régression PLS. Théorie et pratique, Editions Technip, Paris.
20. Umetri A.B. (1996), SIMCA-P+ for Windows, Graphical Software for Multivariate Process
Modeling, Umetri AB, Box 7960, S-90719 Umea, Sweden
21. Workman J., Koch M., and Veltkamp J. Process Analytical Chemistry. Anal Chem 2003, 75, 2859-
2876.