Vous êtes sur la page 1sur 23

Modélisation

par les plans d’expériences

par Jacques GOUPY


Docteur ès sciences
Ingénieur-conseil
Recherche Conseil et Formation

1. Principes de base ..................................................................................... R 275 - 2


2. Plans factoriels complets à deux niveaux ........................................ — 4

3. Plans factoriels fractionnaires à deux niveaux 2k–q ...................... — 7


4. Autres plans à deux niveaux................................................................. — 13
5. Plans à plusieurs niveaux ...................................................................... — 13
6. Plans pour surfaces de réponse........................................................... — 15
7. Plans de mélanges ................................................................................... — 18
8. Plans booléens.......................................................................................... — 22
9. Logiciels de plans d’expériences......................................................... — 22
Références bibliographiques ......................................................................... — 23

L es plans d’expériences sont utiles à toutes les personnes qui entreprennent


des recherches scientifiques ou des études industrielles. Ils sont applicables
à toutes les disciplines et à toutes les industries à partir du moment où l’on
recherche le lien qui existe entre une grandeur d’intérêt, y, et des variables, xj ,
qui peuvent modifier la valeur de y. Dès que l’on s’intéresse à la fonction :
y = f (xi )
il faut penser aux plans d’expériences. Ils servent, en effet, à optimiser l’organi-
sation des essais expérimentaux pour obtenir le maximum de renseignements
avec le minimum d’expériences et la meilleure précision possible sur les répon-
ses calculées avec le modèle. Cet objectif est atteint si l’on suit les règles établies
mathématiquement et si l’on adopte une démarche rigoureuse. Il existe de nom-
breux plans d’expériences adaptés à tous les cas rencontrés par un expérimen-
tateur. Parmi tous ces plans, certains sont plus fréquemment utilisés que les
autres. Nous indiquerons les principes fondamentaux de cette nouvelle science
appelée Expérimentique et nous passerons en revue la majorité des plans qui,
aujourd’hui, sont à la disposition des expérimentateurs. Ils pourront même, s’ils
ne trouvent pas le plan qui convient à leur étude, en façonner un, original, qui
répondra aux exigences de leur travail.

Le lecteur pourra utilement se reporter à l’article référencé [1].

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Mesures et Contrôle R 275 − 1
MODÉLISATION PAR LES PLANS D’EXPÉRIENCES _____________________________________________________________________________________________

1. Principes de base Domaine du facteur


Niveau bas Niveau haut
La compréhension de la méthode des plans d’expériences
s’appuie sur deux notions essentielles, celle d’espace expérimental --1 +1 Facteur
et celle de modélisation mathématique des grandeurs étudiées.
Figure 1 – Domaine de variation du « facteur », constitué de toutes
les valeurs comprises entre le niveau bas et le niveau haut

1.1 Notion d’espace expérimental


Facteur 2
■ Supposons qu’un expérimentateur lance une étude. Il s’intéresse
à une grandeur qu’il mesure à chaque essai. Cette grandeur
s’appelle la réponse, c’est la grandeur d’intérêt. La valeur de cette Espace expérimental
grandeur dépend de plusieurs variables. Au lieu du terme
« variable » nous emploierons le mot facteur. On dit que la réponse
dépend de plusieurs facteurs.
● Le premier facteur peut être représenté par un axe gradué et Facteur 1
orienté (figure 1). La valeur donnée à un facteur pour réaliser un
essai est appelée niveau. Lorsque l’on étudie l’influence d’un fac- Chaque facteur est représenté par un axe gradué et orienté.
teur, en général, on limite ses variations entre deux bornes : Les axes des facteurs sont orthogonaux entre eux.
— la borne inférieure est le niveau bas ;
— la borne supérieure est le niveau haut ; Figure 2 – Définition de l’espace expérimental
L’ensemble de toutes les valeurs que peut prendre le facteur
entre le niveau bas et le niveau haut, s’appelle le domaine de varia-
tion 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. Facteur 2
● S’il y a un second facteur, il est représenté, lui aussi, par un
axe gradué et orienté. On définit, comme pour le premier facteur, Point expérimental
son niveau haut, son niveau bas et son domaine de variation. Ce
second axe est disposé orthogonalement au premier. x2
● On obtient ainsi un repère cartésien qui définit un espace eucli-
dien à deux dimensions. Cet espace est appelé l’espace expérimen-
tal (figure 2).
● Le niveau x1 du facteur 1 et le niveau x2 du facteur 2 peuvent
x1
être considérés comme les coordonnées d’un point de l’espace Facteur 1
expérimental (figure 3). Une expérience donnée est alors représen-
tée par un point dans ce système d’axes. Un plan d’expériences est Figure 3 – Niveaux des facteurs définissant des points
représenté par un ensemble de points expérimentaux. expérimentaux dans l’espace expérimental

■ La réunion des domaines de chaque facteur définit le « domaine


d’étude ». Ce domaine d’étude est la partie de l’espace expérimen-
tal retenu par l’expérimentateur pour faire ses essais. Une étude, Facteur 2
c’est-à-dire un ensemble d’expériences bien définies, est représen-
tée par une série de points disposés dans le domaine d’étude
+1
(figure 4).
Cette manière de représenter une expérimentation par un
ensemble de points dans un espace cartésien est une représentation
géométrique de l’étude. Nous verrons une autre représentation
d’une étude au paragraphe 2.1.
--1
La définition que nous venons de donner s’applique bien aux
variables continues. Mais il existe d’autres types de variables qui ne
sont pas continues.
--1 +1 Facteur 1
Il y a les variables discrètes comme, par exemple, des personnes :
Jean, Pierre et Jacques. On peut encore parler d’espace expérimen- Les points expérimentaux sont disposés dans le domaine d'étude.
tal, mais il n’aura pas les mêmes propriétés que l’espace des
variables continues. Figure 4 – Définition du domaine d’étude par l’expérimentateur
Il y a également les grandeurs ordonnables comme, par exemple,
des hauteurs qui peuvent être petites, moyennes et grandes. Là
aussi la notion d’espace expérimental existe toujours mais cet nécessite donc un espace ayant une dimension de plus que l’espace
espace possède des propriétés différentes des deux premiers. expérimental. La représentation géométrique des résultats d’un
La conception et l’interprétation des plans devront prendre en plan à deux facteurs nécessite un espace à trois dimensions : une
compte les différents types de variables. pour la réponse, deux pour les facteurs.
Les niveaux xi représentent les coordonnées d’un point expéri- À chaque point du domaine d’étude correspond une réponse. À
mental et y est la valeur de la réponse en ce point. On attribue à la l’ensemble de tous les points du domaine d’étude correspond un
réponse un axe orthogonal à l’espace expérimental. La représenta- ensemble de réponses qui se localisent sur une surface appelée la
tion géométrique d’un plan d’expériences et des réponses associées surface de réponse (figure 5).

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
R 275 − 2 © Techniques de l’Ingénieur, traité Mesures et Contrôle
____________________________________________________________________________________________ MODÉLISATION PAR LES PLANS D’EXPÉRIENCES

Si l’expérimentateur ne choisit pas de modèle, la théorie le choisit


pour lui. C’est le cas, par exemple, des plans factoriels.
Réponse

1.3 Modèle de l’expérimentateur

■ Deux compléments doivent être apportés au modèle précédem-


Facteur 2 ment écrit.
+1 ● Le premier est le manque d’ajustement. Cette expression tra-
C D duit le fait que le modèle choisi par l’expérimentateur avant les
essais est probablement un peu différent du modèle réel qui régit le
phénomène étudié. Il y a un écart entre ces deux modèles. Cet écart
--1 est le manque d’ajustement (lack of fit).
A B
● Le second est la prise en compte de la nature aléatoire de la
--1 +1 Facteur 1 réponse. En effet, si l’on mesure plusieurs fois une réponse en un
même point expérimental, on n’obtiendra pas exactement le même
En général, on ne connaît que quelques réponses, celles qui correspondent
aux points expérimentaux A, B, C, D retenus par l'expérimentateur.
résultat. Il y a une dispersion des résultats. Les dispersions ainsi
On interpole les réponses connues pour obtenir la surface de réponse. constatées sont appelées erreurs aléatoires ou erreurs expérimen-
tales.

Figure 5 – Définition de la surface de réponse


■ Ces deux écarts, manque d’ajustement et erreur expérimentale,
sont souvent réunis dans un seul écart, le résidu, noté « e ». Le
modèle utilisé par l’expérimentateur s’écrit alors :
Le choix du nombre et de l’emplacement des points d’expé- y = f (x1 , x2 , x3 , ..., xn ) + e (3)
riences est le problème fondamental des plans d’expériences. On
cherche le minimum d’expériences tout en conservant la meilleure
précision possible sur la surface de réponse.
1.4 Coordonnées centrées réduites

1.2 Notion de modélisation ■ Lorsque l’on attribue la valeur – 1 au niveau bas d’un facteur et la
valeur + 1 au niveau haut, on effectue deux modifications impor-
mathématique tantes :
1. On change l’unité de mesure. Par exemple, si le niveau bas
En l’absence de toute information sur la fonction qui lie la réponse d’un facteur est 10 oC et le niveau haut 30 oC, il y a 20 oC entre ces
aux facteurs, on se donne, a priori, une loi d’évolution dont la for- deux valeurs, soit 20 fois l’unité de température. Entre – 1 et + 1 il y
mulation la plus générale est la suivante : a deux unités nouvelles. La nouvelle unité vaut 10 oC, on lui donne
le nom de Pas ;
y = f (x1 , x2 , x3 ..., xn ) (1) 2. On déplace l’origine des mesures. Dans l’exemple choisi, le
milieu de l’intervalle [– 1 + 1] correspond à une température de
■ Cette fonction est trop générale et il est d’usage d’en prendre un 20 oC. La nouvelle origine, notée zéro, diffère donc de l’origine
développement limité de Taylor. Si les dérivées du développement exprimée en unité courante.
de Taylor peuvent être considérées comme des constantes le déve-
loppement précédent prend la forme d’un polynôme de degré plus ■ Ces deux modifications entraînent l’introduction de nouvelles
ou moins élevé : variables que l’on appelle variables centrées réduites (v.c.r.) : cen-
trées pour indiquer le changement d’origine et réduites pour
signaler la nouvelle unité.
y = a 0 + ∑ a i x i + ∑ a ij x i x j + ∑ a ii x i + ...
2
(2)
Le passage des variables d’origine A aux variables centrées
● y est la grandeur à laquelle s’intéresse l’expérimentateur. C’est réduites x, et inversement, est donné par la formule suivante
la réponse ou la grandeur d’intérêt. Elle est mesurée au cours de (A0 étant la valeur centrale en unités courantes) :
l’expérimentation et elle est obtenue avec une précision donnée. A–A
● xi représente le niveau attribué au facteur i . C’est la valeur de la x = ----------------0- (4)
pas
coordonnée du facteur i retenue par l’expérimentateur pour réaliser
un essai. Cette valeur est parfaitement connue. On supposera L’intérêt des v.c.r. est de pouvoir présenter les plans d’expériences
même, par la suite, que ce niveau est déterminé sans erreur (hypo- de la même manière quels que soient les domaines d’étude retenus
thèse classique de la régression). et quels que soient les facteurs. La théorie des plans d’expériences
présente ainsi une grande généralité.
● a0 , ai , aij , aii sont les coefficients du modèle mathématique
adopté a priori. Ils ne sont pas connus et doivent être calculés à par-
tir des résultats des expériences.

■ L’intérêt de modéliser la réponse par un polynôme est de pouvoir


1.5 Système d’équations
utiliser tous les résultats de l’algèbre matricielle. Il est possible d’uti-
liser d’autres fonctions mathématiques ; toutefois, l’usage montre
que les polynômes permettent de résoudre la plupart des problè- Chaque point expérimental apporte une valeur de la réponse. Or
mes et ce sont eux qui ont la faveur des expérimentateurs. cette réponse est modélisée par un polynôme dont les coefficients
sont les inconnues qu’il faut déterminer. À la fin du plan d’expé-
Ce modèle est appelé modèle a priori ou modèle postulé. riences, on a un système de n équations (s’il y a n essais) à p incon-

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Mesures et Contrôle R 275 − 3
MODÉLISATION PAR LES PLANS D’EXPÉRIENCES _____________________________________________________________________________________________

nues (s’il y a p coefficients dans le modèle choisi a priori ). Ce ●Critère de presque orthogonalité
système s’écrit d’une manière simple en notation matricielle : Si la sous-matrice obtenue en retirant la première ligne et la pre-
y = Xa + e (5) mière colonne de la matrice (t X X)–1 est diagonale, le critère de
presque orthogonalité est respecté.
avec y vecteur des réponses, ● Critère de D-optimalité
X matrice de calcul, qui dépend des points expérimentaux Si l’on veut la plus petite variance possible sur l’ensemble des
choisis pour exécuter le plan et du modèle postulé, coefficients, il faut que les termes diagonaux de la matrice de dis-
a vecteur des coefficients, persion soient eux-mêmes les plus petits possibles. On obtient ce
e vecteur des résidus. résultat en maximisant le déterminant de la matrice t X X. Le critère
correspondant s’appelle le critère de D-optimalité.
Ce système ne peut pas, en général, être résolu simplement car le
nombre d’équations est inférieur au nombre d’inconnues. En effet, il ●Critère de A-optimalité
y a n équations et p + n inconnues. Cette résolution ne peut être La somme des variances des coefficients peut être minimisée.
menée à bien que si l’on utilise une méthode de régression qui Dans ce cas, on parle de critère de A-optimalité. Un plan est A-opti-
introduit p équations supplémentaires. La plupart du temps cette mal si la position des points expérimentaux minimise la trace de la
méthode est basée sur le critère d’optimisation des moindres car- matrice (t X X)–1.
rés. On obtient ainsi les estimations les plus probables des coeffi- ● Critère de G-optimalité
cients que l’on note :
Parmi les variances des coefficients il y en a une qui est plus
â grande que toutes les autres. On peut vouloir que cette forte
Le résultat de ce calcul est : variance soit la plus faible possible. Le critère correspondant
s’appelle le critère de G-optimalité.
â = (t X X)–1t X y (6) ●Critère d’isovariance par rotation
formule dans laquelle la matrice tX est la matrice transposée de X. On désire que les réponses calculées avec le modèle issu du plan
Il existe de nombreux logiciels qui exécutent ce calcul et qui don- d’expériences aient une erreur de prévision identique pour des
nent directement les valeurs des coefficients. points situés à la même distance du centre du domaine d’étude.
Dans ce cas on parle de plan isovariant par rotation (rotatable ) [2].
Deux matrices interviennent constamment dans la théorie des
plans d’expériences : ■ On remarquera que ces critères conduisent à des qualités de
modélisation différentes. Certains privilégient une bonne précision
— la matrice d’information t X X ;
sur les coefficients du modèle, d’autres assurent une répartition
— la matrice de dispersion (t X X)–1.
homogène de l’erreur de prévision.
Nous allons maintenant appliquer les notions et les propriétés
que nous venons de décrire aux plans d’expériences les plus clas-
1.6 Dispersion des coefficients siques. Nous verrons successivement les plans suivants :
— plans factoriels complets à deux niveaux ;
Les statisticiens ont établi la formule qui donne l’erreur sur les — plans factoriels fractionnaires à deux niveaux ;
coefficients du modèle lorsque l’on a une estimation du résidu. — autres plans à deux niveaux ;
Cette formule, sous sa forme la plus simple, est la suivante : — plans à plusieurs niveaux ;
–1
— plans pour surfaces de réponse ;
2 t
Diag V ( â ) = Diag σ r ( X X ) (7) — plans de mélanges ;
— plans booléens.
C’est-à-dire que les variances des coefficients sont égales à la
2
variance du résidu, σ r , multipliée par l’élément diagonal de la
matrice de dispersion. 2. Plans factoriels complets
Les variances des coefficients sont les termes diagonaux de la
matrice V (â). On obtient ces variances par identification. à deux niveaux
Pour ces plans, le nombre des niveaux de chaque facteur est res-
treint à deux. Toutes les combinaisons de niveaux sont effectuées au
1.7 Critères d’optimalité cours de l’expérimentation. Ces plans peuvent être utilisés indistinc-
tement pour les variables continues et pour les variables discrètes.
Suivant les objectifs de l’étude, les meilleurs emplacements des
points expérimentaux dans le domaine d’étude ne sont pas les
mêmes. En effet, la disposition optimale des points expérimentaux 2.1 Plan à deux facteurs
dépend de plusieurs choix effectués par l’expérimentateur, choix
qui dépendent eux-mêmes des caractéristiques de l’étude et des Pour deux facteurs, le domaine d’étude est un carré. Par exemple,
objectifs à atteindre. Ces choix dépendent d’abord du domaine la figure 6 représente un plan factoriel complet à deux facteurs. Le
d’étude et du modèle a priori retenus par l’expérimentateur. Ils modèle mathématique postulé est un modèle du premier degré par
dépendent ensuite d’un critère d’optimalité. rapport à chaque facteur. Le modèle est :
■ Les principaux critères d’optimalité sont les suivants. y = a0 + a1x1 + a2x2 + a12x1x2 + e (8)

● Critère de O-optimalité avec y réponse,


xi niveau attribué au facteur i,
La matrice de calcul X est une matrice orthogonale d’Hadamard
(§ 2.10). Il en résulte que la matrice (t X X)–1 est une matrice diago-
a0 valeur de la réponse au centre du domaine d’étude,
nale. Seuls les termes diagonaux de cette matrice sont différents de a1 effet (ou effet principal) du facteur 1,
zéro et l’on démontre que ces termes diagonaux sont positifs et a2 effet (ou effet principal) du facteur 2,
minimaux. La variance des coefficients est donc, à coup sûr, la plus a12 interaction entre les facteurs 1 et 2,
faible possible. e résidu.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
R 275 − 4 © Techniques de l’Ingénieur, traité Mesures et Contrôle
____________________________________________________________________________________________ MODÉLISATION PAR LES PLANS D’EXPÉRIENCES

Exemple : l’essai no 1 est celui pour lequel les deux facteurs étu-
diés sont aux niveaux bas, 40 % (ou – 1 en v.c.r.) et 10 oC (ou – 1 en
Température v.c.r.). Cet essai no 1 correspond au point A de la figure 6.
D
L’essai no 2 est celui pour lequel le premier facteur est fixé au niveau
C
30 °C +1 haut, 80 % (ou + 1 en v.c.r.) et le second facteur est fixé au niveau bas :
10 oC (ou – 1 en v.c.r.). Cet essai no 2 correspond au point B.
Ce tableau peut être écrit en utilisant les unités physiques habi-
tuelles (tableau 1) ou en utilisant les unités centrées réduites
(tableau 2). Dans ce dernier cas, il est prudent de rappeler la signifi-
10 °C --1 cation de ces unités en indiquant la valeur des niveaux haut et bas
A B de chacun des facteurs.
--1 +1 La représentation qui utilise les unités centrées réduites est plus
Concentration générale que celle qui emploie les unités physiques habituelles.
40 % 80 %
C’est celle qui est le plus souvent adoptée et c’est celle que nous uti-
La théorie des plans d'expériences montre que les meilleurs emplacements liserons par la suite.
sont les sommets A, B, C, D du domaine d'étude.

Figure 6 – Meilleurs emplacements des points expérimentaux La représentation géométrique et la représentation par
dans le cadre du modèle du premier degré tableaux sont équivalentes. Les tableaux (ou matrice d’expé-
riences) présentent l’avantage de pouvoir être utilisés quel que
soit le nombre de facteurs, c’est-à-dire quel que soit le nombre
de dimensions de l’espace expérimental. Il est utile de savoir
On démontre que les meilleurs emplacements des points d’expé-
passer d’une représentation à l’autre pour bien interpréter les
riences sont situés aux sommets du domaine d’étude.
résultats des plans d’expériences.

2.2 Représentation d’une étude


sous forme de tableau 2.3 Présentation des résultats d’essais
La représentation géométrique du paragraphe 2.1 est commode
pour imaginer la position des points expérimentaux dans le À chaque essai, l’expérimentateur mesure la réponse qu’il a choi-
domaine d’étude. Mais, elle ne peut plus être employée dès que le sie. Par exemple, la réponse de l’essai no 1 est y1 . Celle de l’essai
o
n 2 est y2 , et ainsi de suite. Ces réponses sont indiquées en face de
nombre de facteurs est supérieur à trois. Pour les espaces multidi-
mensionnels, on adopte une représentation en forme de tableau. chaque essai et sont rassemblées dans la colonne « Réponse »
Pour montrer la correspondance entre les deux représentations, (tableau 3).
géométrique et tableau, nous allons expliquer la construction du
tableau d’expériences du plan 22 associé à la figure 6. Ce tableau
d’expériences s’appelle également la matrice d’expériences.
2.4 Calcul des coefficients
La matrice d’expériences comprend trois colonnes (tableaux 1
et 2), la première identifie les essais, la seconde et la troisième indi-
quent les coordonnées des points représentatifs des expériences Dans le cas des plans factoriels à deux niveaux, la matrice X est
prévues. particulière ; c’est une matrice orthogonale d’Hadamard qui pré-
sente la propriété suivante :
Tableau 1 – Matrice d’expériences en unités courantes tX X = nI (9)
Numéro de l’essai Facteur 1 Facteur 2 où n est le nombre d’essais et I la matrice unité.
1 (A) 40 % 10 oC Si l’on reporte cette expression dans la formule (6), on obtient :
2 (B) 80 % 10 oC 1
â = (n l ) –1 t Xy = --- t Xy (10)
3 (C) 40 % 30 oC n
4 (D) 80 % 30 oC

Tableau 3 – Matrice d’expériences


Tableau 2 – Matrice d’expériences en unités centrées et résultats expérimentaux
réduites
Numéro Exemple 1
Facteur 1 Facteur 2 Réponse
Numéro de l’essai Facteur 1 Facteur 2 de l’essai (§ 2.8)

1 (A) –1 –1 1 –1 –1 y1 y1 = 1180
2 (B) +1 –1 2 +1 –1 y2 y2 = 1 450
3 (C) –1 +1 3 –1 +1 y3 y3 = 1 240
4 (D) +1 +1 4 +1 +1 y4 y4 = 1 530

Niveau bas 40 % 10 oC Niveau bas 40 % 10 oC


Niveau haut 80 % 30 oC Niveau haut 80 % 30 oC

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Mesures et Contrôle R 275 − 5
MODÉLISATION PAR LES PLANS D’EXPÉRIENCES _____________________________________________________________________________________________

L’inversion de X est remplacée par une transposition. Cette der-


nière opération étant beaucoup plus facile à effectuer, ces plans ont
Réponse
eu un énorme succès avant l’arrivée des ordinateurs. On les
retrouve sous plusieurs noms : plans de pesée, plans de Plackett et
y+
Burman [3], tables de Taguchi [4], plans factoriels, matrices d’Hada- Effet du
mard (§ 2.10). Les présentations sont différentes mais ce sont tou- facteur 1
jours exactement les mêmes plans. y0

Développons la relation (10) pour obtenir chacun des coefficients :


y--

â 0 + + + + y1
â 1 1 – + – + y2 --1 0 +1
= --- (11) Facteur 1
n – – + + y3
â 2
L'effet du facteur 1 est la variation de la réponse entre le centre du domaine
â 12 + – – + y4
d'étude et le niveau haut du facteur 1; y+ (y--) est la valeur moyenne de la
réponse au niveau haut (bas) du facteur 1.
Cette relation matricielle peut s’écrire sous forme de quatre rela-
tions algébriques :
Figure 7 – Effet du facteur 1 dans le plan moyen du facteur 2
1
â 0 = --- 3 + y 1 + y 2 + y 3 + y 4 4 (12)
4
1 L’interaction apparaît comme la demi-différence entre l’effet du
â 1 = --- 3 – y 1 + y 2 – y 3 + y 4 4 (13) facteur 1 au niveau haut du facteur 2 (effet noté ef + ) et l’effet du fac-
4
teur 1 au niveau bas du facteur 2 (effet noté ef – ). Elle traduit une
1 variation de l’effet d’un facteur en fonction du niveau d’un autre
â 2 = --- 3 – y 1 – y 2 + y 3 + y 4 4 (14)
4 facteur.
1 L’interaction â12 entre les deux facteurs 1 et 2 est une interaction
â 12 = --- 3 + y 1 – y 2 – y 3 + y 4 4 (15) d’ordre 2.
4
Connaissant les coefficients, on peut écrire le modèle de régres-
sion qui servira à faire des prévisions :

ŷ = â 0 + â 1 x 1 + â 2 x 2 + â 12 x 1 x 2
2.8 Exemple. Mesure des concentrations
(16)
par ultrasons

■ Description de l’étude
2.5 Signification de â0
La vitesse de propagation des ultrasons dans un fluide dépend
essentiellement de la température et de la nature du fluide. Si le
Si nous donnons à x1 et x2 la valeur zéro, nous définissons le cen- fluide est constitué d’un mélange de plusieurs produits, on peut
tre du domaine d’étude. La relation (16) devient alors : trouver, à une température donnée, la relation qui existe entre la
concentration d’un des constituants du mélange et la vitesse de pro-
ŷ0 = + aˆ 0 (17) pagation. Appliquons ce principe à un mélange d’eau et d’alcool.
Définissons les facteurs et le domaine d’étude :
Le coefficient â0 est la valeur calculée de la réponse au centre du — facteur 1 : concentration en éthanol entre 40 % et 80 % ;
domaine d’étude. — facteur 2 : température entre 10 oC et 30 oC.
La réponse est la vitesse des ultrasons utilisés.
L’expérimentateur décide d’exécuter un plan factoriel complet 22.
2.6 Signification de â1 Ce plan est illustré par la figure 6 et le résultat consigné dans le
tableau 3 (§ 2.3). On obtient :

Plaçons-nous maintenant au niveau moyen du facteur 2 ; pour y1 = 1 180 m/s


cela, donnons la valeur zéro à x2 . La relation (16) devient : y2 = 1 450 m/s

ŷ = + aˆ 0 + aˆ 1 x 1 (18) y3 = 1 240 m/s


y4 = 1 530 m/s
Cette relation permet de tracer l’évolution de la réponse prédite
dans un plan de coupe x2 = 0 (figure 7). L’effet du facteur 1 apparaît ■ Interprétation
comme la variation de la réponse quand on passe du niveau zéro au Les calculs sont effectués en utilisant la formule matricielle (6) et
niveau haut du facteur 1. illustrés sur la figure 8. On trouve les résultats dans le tableau 4.

2.7 Signification de â12 Tableau 4 – Tableau des effets


Moyenne 1 350 m/s
La relation (15) peut s’écrire : Effet de 1 140 m/s
Effet de 2 35 m/s
1 1
2 23 1
2 4
1
â 12 = --- --- ( y 4 – y 3 ) – --- ( y 2 – y 1 ) = --- 3 + ef + – ef –4
2
(19)
Interaction 5 m/s

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
R 275 − 6 © Techniques de l’Ingénieur, traité Mesures et Contrôle
____________________________________________________________________________________________ MODÉLISATION PAR LES PLANS D’EXPÉRIENCES

30 1

Température (facteur 2)
Vitesse (m/s) Vitesse (m/s)
1 490 1 500
+140
1 385
1 350 1 350 --35 0,5
1 315

1 210
--1 0 +1 --1 0 +1
20 0
40 % 80 % 10 °C 30 °C
1 250 1 300 1 350 1 400 1 450
Concentration en éthanol (facteur 1) Température (facteur 2)

-0,5
Figure 8 – Effet de la concentration en éthanol et de la température
sur la vitesse des ultrasons
1 200

10 --1
L’effet de la concentration est de 140 m/s pour une variation de --1 -0,5 0 0,5 1
20 %, soit 7 m/s pour 1 %. On peut donc espérer avoir une bonne
40 50 60 70 80
précision sur la mesure de la concentration.
Concentration en éthanol (facteur 1)
oC,
L’effet de la température est de 35 m/s pour 10 soit 3,5 m/s
pour 1 oC. Il en résulte que le contrôle de la température est absolu-
ment indispensable pour faire une bonne estimation de la concen- Figure 9 – Courbes d’isoréponses montrant l’influence
tration. de la concentration en éthanol et de la température
sur la vitesse des ultrasons
Il y a une légère interaction qui devra être prise en compte pour
les mesures de grande précision, car la courbe de la vitesse des
ultrasons en fonction de la concentration n’est pas tout à fait une
droite. Pour avoir une vue d’ensemble des résultats, on trace les
courbes isocinétiques dans le domaine d’étude (figure 9). 3. Plans factoriels
fractionnaires
2.9 Plans factoriels à k facteurs
à deux niveaux 2k –q
à deux niveaux
Les plans factoriels fractionnaires sont des plans factoriels qui
permettent d’étudier tous les facteurs, mais dont le nombre d’essais
La théorie des plans d’expériences vient d’être appliquée aux est réduit par rapport aux plans factoriels complets. Un plan facto-
plans factoriels complets à deux niveaux et un exemple a été pré- riel fractionnaire a 2 fois moins ou 4 fois moins ou 2q fois moins
senté. Les principes restent les mêmes si on augmente le nombre de d’essais que le factoriel complet correspondant.
facteurs. L’espace expérimental possède autant de dimensions
À la fin d’un plan factoriel fractionnaire, on a un système de n
qu’il y a de facteurs et le modèle mathématique correspond aux
équations à p inconnues avec p plus grand que n. On ne sait pas
relations (2) et (5). Les coefficients du modèle sont la réponse au
résoudre un tel système. Comme on ne peut pas augmenter le nom-
centre du domaine expérimental, les effets principaux, les interac-
bre d’équations, il faut diminuer le nombre d’inconnues. On y arrive
tions d’ordre 2, les interactions d’ordre 3, etc., l’interaction d’ordre k.
en utilisant un artifice : on regroupe les inconnues et on résout le
Un plan comportant k facteurs à deux niveaux est noté 2k : système pour ces groupes d’inconnues. On appelle ces groupes
— le k en exposant signifie qu’il y a k facteurs étudiés ; d’inconnues des contrastes et on dit que les inconnues sont aliasées
— le 2 indique le nombre de niveaux par facteur. dans les contrastes.
On remarquera que cette notation indique également le nombre
d’essais à faire. Ce nombre devient rapidement très important. Pour
seulement 7 facteurs, il faudrait exécuter 128 essais. Pour diminuer 3.1 Notation des plans factoriels
le nombre des essais, en conservant la possibilité d’étudier tous les
facteurs, on a introduit les plans factoriels fractionnaires à deux fractionnaires
niveaux (§ 3).
Pour k facteurs prenant 2 niveaux le plan complet est noté 2k
(§ 2.9).
2.10 Matrices d’Hadamard 1
Le plan fractionnaire, moitié du plan complet, a --- 2 k ou 2k–1
essais. 2

Les matrices d’Hadamard sont des matrices particulières présen- On peut donner une signification à chaque caractère de cette
tant les propriétés suivantes : notation :
— les éléments sont + 1 ou – 1 ; — le k signifie qu’il y a k facteurs étudiés ;
— ces matrices sont carrées et possèdent un nombre de lignes — le 2 signifie que chaque facteur prend 2 niveaux ;
(ou de colonnes) égal à 2 ou à un multiple de 4 ; — le 1 signifie que le nombre d’essais du plan a été divisé par 21.
— ces matrices sont orthogonales, c’est-à-dire que le produit sca- Un plan 25 – 2 permet d’étudier cinq facteurs prenant chacun
laire de deux lignes (ou de deux colonnes) est égal à zéro. 2 niveaux en 8 essais. Le plan complet a été divisé par 22 = 4.
La matrice de calcul, X, d’un plan factoriel est une matrice d’Hada- Un plan 2k – q permet d’étudier k facteurs prenant chacun
mard. 2 niveaux. Le plan complet a été divisé par 2q.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Mesures et Contrôle R 275 − 7
MODÉLISATION PAR LES PLANS D’EXPÉRIENCES _____________________________________________________________________________________________

3.2 Matrice des aliases

Supposons que l’on réalise un plan factoriel fractionnaire pour


étudier k facteurs. Le modèle postulé de la réponse est un polynôme
contenant p = 2k coefficients : une constante, des effets principaux
et des interactions. Nous appellerons ce modèle le modèle 1.
Facteur 3
Si l’on réalise n expériences, on obtient un système de n équa-
tions à p inconnues avec p > n (on ne tient pas compte des résidus) :
Facteur 2
y = X a (20)
( n ,1 ) (n,p) ( p ,1 ) Facteur 1

On ne sait pas résoudre le système (20) où p est plus grand que n. Un plan est un ensemble de points d'expériences. L'ensemble des points
"noirs" forme un plan optimal (matrice d'Hadamard); de même l'ensemble
On adopte un autre modèle, le modèle de substitution ou le des points "cyan".
modèle 2, ne contenant que n inconnues. Cela revient à regrouper
les coefficients du modèle 1 dans de nouvelles inconnues, les Figure 10 – Division d’un plan factoriel complet 23 en deux plans
contrastes [5]. Les contrastes sont notés , . On s’arrange pour que factoriels fractionnaires 23–1, un plan noir et un plan cyan
le système possède n équations et n inconnues, il s’écrit :
y = Xs , (21)
Si on effectue 4 essais, on obtient un système de 4 équations à
( n ,1 ) (n,n) ( n ,1 )
8 inconnues [cf. relation (20)] :
La matrice Xs dépend de l’emplacement des points expérimen-
taux du plan fractionnaire et du modèle 2. y = X a
(29)
(4, 1) (4, 8) (8, 1)
Pour interpréter les résultats, Il faut trouver la relation qui existe
entre les contrastes du modèle 2 et les coefficients du modèle 1. où :
Cette relation dépend de la matrice Xs (n,n ) et de la matrice X (n, p ).
On décompose la matrice X de la formule (20) en 2 sous-matrices, 
Xs (n,n ) et Xβ (n , p – n ) : +1 –1 –1 +1 +1 –1 –1 +1 
+1 +1 –1 –1 –1 –1 +1 +1 
X = (22) X = 
Xs Xβ +1 –1 +1 –1 –1 +1 –1 +1 

La relation (22) peut alors être développée de la manière suivante, +1 +1 +1 +1 +1 +1 +1 +1 
en décomposant la matrice a en deux sous-matrices aα (n,1) et 
aβ (p – n,1) :
et 

a0 
y = Xa =

(23) 
Xs Xβ  (30)
aβ a1

a2 
soit : 
y = Xs a α + X β a β (24) a3 
a = 
En égalant les expressions (21) et (24) du vecteur réponse y, on a 12 

obtient : a 13 
y = Xs , = X s a α + X β a β (25) 
a 23 
d’où : 
a 123 
, = aα + (t Xs Xs)–1 t Xs Xβ aβ (26)
On ne sait pas résoudre le système (29). Comme il n’y a que
Il est donc possible de calculer les contrastes du modèle 2 en 4 essais, on ne peut calculer que 4 inconnues.
fonction des coefficients du modèle 1.
On adopte le modèle 2 :
La matrice :
(t Xs Xs)–1 t Xs Xβ (27) y = ,0 + ,1 x1 + ,2 x2 + ,3 x3 (31)

est la matrice des aliases. C’est une matrice (n,p – n). Les 4 essais conduisent au système [cf. relation (21)] :
y = Xs ,
(32)
(4, 1) (4, 4) (4, 1)
3.3 Applications avec :
+1 –1 –1 +1
3.3.1 Plan factoriel fractionnaire 23 – 1 Xs = +1 +1 –1 –1
+1 –1 +1 –1
On veut étudier 3 facteurs en ne faisant que 4 essais. On prend la +1 +1 +1 +1
précaution de choisir les 4 essais pour que la matrice Xs soit une
matrice orthogonale d’Hadamard (§ 2.10). Les 4 points choisis sont et :
disposés comme l’indique la figure 10. ,0
Le modèle mathématique de la réponse d’un plan factoriel à 3 fac-
,1
teurs comporte 8 coefficients (modèle 1) : , =
,2
y = a0 + a1x1 + a2x2 + a3x3 + a12x1x2
+ a13x1x3 + a23x2x3 + a123x1x2x3 (28) ,3

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
R 275 − 8 © Techniques de l’Ingénieur, traité Mesures et Contrôle
____________________________________________________________________________________________ MODÉLISATION PAR LES PLANS D’EXPÉRIENCES

On décompose la matrice X en deux sous-matrices, Xs et Xβ


[relation (22)] et également la matrice a en deux sous-matrices, aα Tableau 5 – Matrice d’expériences du plan factoriel
et aβ. fractionnaire 25 – 2
+1 –1 –1 +1 A +1 –1 –1 +1
Numéro Facteur 4 Facteur 5
A Facteur 1 Facteur 2 Facteur 3
X = 3 Xs A Xβ 4 = +1
+1
+1
–1
–1
+1
–1
–1 A
–1
–1
–1
+1
+1
–1
+1
+1
(33) de l’essai = 12 = 13
1 – – – + +
+1 +1 +1 +1 A +1 +1 +1 +1
2 + – – – –

3 – + – – +
a = ...
4 + + – + –

5 – – + + –
avec :
6 + – + – +
a0 a 12 7 – + + – –
a1 a 13 8 + + + + +
aα = ; aβ =
a2 a 23
a3 a 123
On obtient donc un système de 8 équations à 32 inconnues qui
Dans la matrice X, les colonnes sont égales deux à deux. Par s’écrit sous forme matricielle :
exemple, la colonne du terme constant est la même que la colonne
de l’interaction 123. y = X a
(36)
On obtient la matrice des aliases [relation (27)], en appliquant la (8,1) (8,32) (32,1)
relation (28) : Pour réduire le nombre des inconnues, on introduit 8 contrastes :
0 0 0 1
y = Xs ,
0 0 1 0 (37)
( t X s X s ) –1 tX
s Xβ = (34) (8,1) (8,8) (8,1)
0 1 0 0
1 0 0 0 On décompose :
— la matrice X en 4 sous-matrices, chacune égale à Xs ;
Appliquons la formule (26) à ce cas particulier : — la matrice a, en 4 sous-matrices.
Ces calculs permettent d’écrire les contrastes du modèle 2 en
,0 a0 0 0 0 1 a 12
fonction des coefficients du modèle 1 [cf. relation (26)] :
,1 a1 0 0 1 0 a 13
= +
Xs 1 Xs a β1 + Xs a β2 + Xs a β3 2
t –1 t
,2 a2 0 1 0 0 a 23 , = a α + ( Xs Xs )
,3 a3 1 0 0 0 a 123 soit :
, = a α + a β1 + a β2 + a β3 (38)
Par identification, on obtient :
, 0 = a 0 + a 123  et, en développant :

, 1 = a 1 + a 23  , 0 = a 0 + a 124 + a 135 + a 2345 
 (35) 
, 2 = a 2 + a 13  , 1 = a 1 + a 24 + a 35 + a 12345 
 
, 3 = a 3 + a 12  , 2 = a 2 + a 14 + a 345 + a 1235 

On obtient les contrastes du modèle 2 en fonction des coefficients , 3 = a 3 + a 15 + a 245 + a 1234 
 (39)
du modèle 1. , 4 = a 4 + a 12 + a 235 + a 1345 

, 5 = a 5 + a 13 + a 234 + a 1245 
On remarque que les coefficients aliasés dans un même 
contraste possèdent des colonnes de signes identiques dans la , 23 = a 23 + a 45 + a 125 + a 134 
matrice X. Pour établir un contraste, il suffit de repérer les 
, 123 = a 123 + a 25 + a 34 + a 145 
colonnes de signes identiques dans la matrice de calcul X.
On vérifiera que les coefficients aliasés dans un même contraste
possèdent des colonnes de signes identiques dans la matrice X.
3.3.2 Plan factoriel fractionnaire 25–2
Le modèle 1 du plan complet comporte 32 coefficients inconnus. 3.3.3 Calcul de Box
Le modèle 2 est établi avec 8 essais de telle manière que la
matrice Xs soit une matrice orthogonale d’Hadamard. On obtient, Le calcul de Box [5] permet de retrouver très facilement la
par exemple, le plan d’expériences d’une telle matrice en prenant manière dont sont aliasés les coefficients dans les contrastes sans
les colonnes 1, 2, 3, 12 et 13 de la matrice de calcul d’un plan 23 utiliser la matrice des aliases. On profite de la propriété suivante :
(tableau 5). Les niveaux d’étude du facteur 4 sont donnés par les les coefficients aliasés dans un même contraste possèdent des
signes de l’interaction 12 et ceux du facteur 5 par les signes de colonnes de signes identiques dans la matrice X (§ 3.3.1). Le calcul
l’interaction 13. de Box permet de retrouver les colonnes de signes identiques.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Mesures et Contrôle R 275 − 9
MODÉLISATION PAR LES PLANS D’EXPÉRIENCES _____________________________________________________________________________________________

Ce calcul est uniquement valable pour les plans factoriels frac- négligeables. C’est donc le pari que l’on fait quand on réalise un
tionnaires à deux niveaux dont les points d’expériences sont exacte- plan fractionnaire. À chaque fois que les interactions sont assez
ment situés aux sommets du domaine d’étude. faibles pour être négligées, on aura gagné. Mais si l’interaction est
On attribue un chiffre gras à chaque colonne. Par exemple pour forte, il faudra faire des essais supplémentaires pour évaluer indivi-
un plan 23–1, on a : duellement l’effet principal d’un côté et les interactions de l’autre.
Le problème qui se pose toujours est de savoir si un contraste
–1 –1 +1 +1 contient ou non une interaction non négligeable. C’est le point déli-
cat de l’interprétation des plans fractionnaires. On résout ce pro-
1 = +1 ; 2 = –1 ; 12 = –1 ; I = +1 (40) blème en connaissant bien la théorie des aliases et en appliquant
–1 +1 –1 +1 intelligemment les hypothèses d’interprétation (§ 3.4.2). Mais rien
+1 +1 +1 +1 n’est ici automatique, et l’expérimentateur devra mettre en œuvre
son bon sens et les connaissances qu’il a du phénomène étudié.
L’algèbre de Box est basée sur les relations suivantes :
— la multiplication d’une colonne par elle-même donne une
colonne de signes + : 3.4.2 Hypothèses d’interprétation
1·1=I; (41)
Tous les plans fractionnaires posent le même problème d’inter-
— la multiplication d’une colonne par une colonne de signes + prétation des résultats. Comme on n’effectue pas toutes les expé-
redonne la colonne initiale : riences du plan complet, on ne peut pas obtenir la valeur de toutes
les interactions. Il faut créer soi-même des informations supplémen-
1·I=1 (42)
taires de remplacement. Ces informations supplémentaires doivent
Ces simples règles permettent de retrouver toutes les colonnes être réalistes et compatibles avec l’étude menée. Elles sont intro-
égales dans la matrice X. On peut omettre le signe multiplié dans duites sous forme d’hypothèses et elles demandent à être vérifiées
les relations (41) et (42). avant la conclusion de l’étude. Les hypothèses de travail les plus
souvent retenues sont les suivantes.
■ Plan 23–1
■ Hypothèse 1
Lorsque l’on examine la matrice X d’un plan 23 –1 [relation (30)],
on s’aperçoit qu’une colonne de signes est représentée deux fois. La Les interactions du troisième ordre ou d’ordre plus élevé sont
colonne I est égale à la colonne 123, la colonne 1 est égale à la considérées comme négligeables. On élimine ainsi un grand nom-
colonne 23, etc. On peut écrire en notation de Box : bre d’inconnues.
I = 123 ■ Hypothèse 2
C’est le générateur d’aliases. Si un contraste est nul, cela peut signifier :
— que les effets et les interactions aliasés sont tous nuls, cette
Il suffit de multiplier ce générateur successivement par 1, 2 et 3
hypothèse est la plus probable et c’est celle que nous retiendrons
pour retrouver les colonnes égales.
sous le nom d’hypothèse 2 ;
1 = 23 2 = 13 3 = 12 I = 123 (43) — que les effets et les interactions aliasés se compensent ; cette
hypothèse est peu probable et nous ne la retiendrons pas.
Ces égalités permettent de retrouver les aliases. En effet, la
colonne 1 étant égale à la colonne 23, le contraste , 1 est la somme ■ Hypothèse 3
du coefficient a1 et du coefficient a23 . De même pour les autres Si deux contrastes sont faibles, on supposera que leur interaction
contrastes. l’est aussi.
■ Plan 25–2 Si un contraste est faible et l’autre fort, on supposera que leur
La matrice X est ici une matrice à 8 lignes et 32 colonnes (§ 3.3.2). interaction est faible.
Il y a maintenant 4 colonnes de signes qui sont égales entre elles. ■ Hypothèse 4
Par le choix des points expérimentaux (tableau 5), la colonne du Si deux contrastes sont forts, on se méfiera de leur interaction qui
facteur 4 est égale à la colonne 12 et la colonne du facteur 5 est peut l’être également.
égale à la colonne 13. On a :
Ces hypothèses sont très souvent vérifiées mais, il arrive par-
4 = 12  fois qu’elles soient mises en défaut. Il est toujours possible d’en
 (44) adopter d’autres en fonction du problème traité et des risques
5 = 13 
encourus. Pour une bonne analyse des résultats, il est prudent de
soit, un générateur d’aliases : bien préciser les hypothèses d’interprétation que l’on a retenues.

I = 124 = 135 = 245 (45)


3.4.3 Construction pratique
En multipliant ce générateur successivement par 1, 2, 3, etc., on
retrouve les égalités de colonnes et on en déduit les coefficients du
d’un plan fractionnaire
modèle 1 qui sont aliasés dans les contrastes du modèle 2
On choisit un plan complet et l’on écrit sa matrice de calcul en
(relation (39)).
omettant la colonne de signes plus.
On appelle cette nouvelle matrice le plan de base. Dans ce plan de
base, on choisit une colonne de signes correspondant à une inter-
3.4 Interprétation et réalisation action et on l’attribue à un facteur supplémentaire. Les signes de
l’interaction choisie deviennent les niveaux d’étude (haut et bas) de
ce facteur supplémentaire. Dans l’exemple du paragraphe 3.3.1, on
3.4.1 Pari des plans fractionnaires aurait pu aliaser le facteur 4 (ou le facteur 5) sur une autre interac-
tion, on aurait eu d’autres points expérimentaux et d’autres aliases.
D’après les relations (35) et (39), un contraste n’est égal à un effet On peut généraliser cette méthode et utiliser toutes les colonnes
principal que si les interactions avec lesquelles il est aliasé sont d’un plan de base.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
R 275 − 10 © Techniques de l’Ingénieur, traité Mesures et Contrôle
____________________________________________________________________________________________ MODÉLISATION PAR LES PLANS D’EXPÉRIENCES

Exemples 3.5 Exemple. Amélioration des propriétés


Sur le plan de base bâti sur la matrice de calcul d’un plan 23 on peut mécaniques du bois
étudier sept facteurs.
Sur le plan de base d’un plan 24, on peut étudier jusqu’à quinze fac-
teurs. ■ Description de l’étude
Pour améliorer les propriétés du bois, on lui fait subir le traite-
3.4.4 Nombre maximal de facteurs étudiés ment thermique suivant :
sur un plan de base — on le sèche entre 80 et 120 oC ;
— puis, on le chauffe à 160 oC pendant 2 h ;
On peut étudier autant de facteurs supplémentaires qu’il y a — enfin, on réalise une pyrolyse ménagée entre 225 et 240 oC
d’interactions dans le plan de base. pendant un temps pouvant durer de 5 à 15 min.
Sur un plan de base 22, il y a une interaction. On pourra donc étu-
Pour éviter d’endommager le bois, on injecte habituellement de
dier 3 facteurs : deux sur les colonnes 1 et 2, le troisième sur la
l’azote en fin de pyrolyse et pendant le refroidissement. Ce traite-
colonne de l’interaction.
ment a pour effet d’augmenter la résistance mécanique et de dimi-
Sur un plan de base 23, il y a quatre interactions. On pourra donc nuer les variations dimensionnelles du bois.
étudier sept facteurs : trois sur les colonnes 1, 2 et 3 ; les quatre
autres sur les colonnes d’interaction 12, 13, 23 et 123. La numérotation des facteurs (tableau 7) ne suit pas obligatoire-
ment l’ordre logique du procédé.
Le tableau 6 indique le nombre maximal de facteurs que l’on peut
étudier sur différents plans de base. On traite ainsi du pin et du sapin. On choisira le bois le plus résis-
tant et l’on déterminera le traitement thermique le mieux adapté.
3.4.5 Notion de résolution On se demande également s’il ne faudrait pas injecter l’azote
avant la pyrolyse.
Dans un plan fractionnaire, les effets principaux sont aliasés avec Les réponses mesurées sont :
des interactions d’ordre différent. La résolution [5] d’un plan est — le retrait du bois traité lorsqu’on le plonge dans l’eau ;
égale à 1 plus la valeur de l’ordre de l’interaction d’ordre le moins
élevé. — la résistance mécanique du bois.

Exemple : si un effet principal est aliasé avec des interactions L’objectif de l’étude est de trouver le bois le plus résistant et d’en
d’ordre 3, 4 et 5, la résolution sera 1 + 3 = 4. diminuer le retrait le plus possible.
L’expérimentateur décide d’exécuter un plan factoriel fraction-
On écrit souvent la résolution en chiffres romains. On écrit réso-
naire 25 – 2 (§ 3.3.2) en aliasant le facteur 4 sur l’interaction 123 et le
lution IV.
facteur 5 sur l’interaction 13. Ce plan est donné par le tableau 8 dans
lequel figurent également les réponses mesurées.

Tableau 6 – Nombre maximal de facteurs étudiés


sur un plan de base donné
Nombre Nombre maximal
Tableau 7 – Facteurs et domaine d’étude
Plan Nombre
de facteurs de facteurs
de base d’interactions Facteur Niveau bas (–) Niveau haut (+)
principaux étudiés
22 2 1 3 Type de bois (1) Sapin Pin
oC 240 oC
23 3 4 7 Température de pyrolyse (2) 225
24 4 11 15 Durée de pyrolyse (3) 5 min 15 min
25 5 26 31 Température de séchage (4) 80 oC 120 oC
26 6 57 63
Injection d’azote (5) Avant pyrolyse En fin de
27 7 120 127 pyrolyse

Tableau 8 – Matrice d’expériences du plan factoriel fractionnaire 25–2


Numéro Résistance
Facteur 1 Facteur 2 Facteur 3 Facteur 4 = 123 Facteur 5 = 13 Retrait
de l’essai mécanique
1 – – – – + 7,2 81,1
2 + – – + – 6,6 75,2
3 – + – + + 6,3 62,4
4 + + – – – 4,9 65,3
5 – – + + – 6,6 77,8
6 + – + – + 6,3 63,6
7 – + + – – 5,9 76,2
8 + + + + + 4,8 48,2

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Mesures et Contrôle R 275 − 11
MODÉLISATION PAR LES PLANS D’EXPÉRIENCES _____________________________________________________________________________________________

Résistance Résistance Résistance

74,3 74,4 73,6


--4,9
68,7 68,7 68,7
--5,6 --5,7
63,1 63,0 63,8

--1 0 +1 --1 0 +1 --1 0 +1


Sapin Pin 225 °C 240 °C Avant Après
a type de bois (facteur 1) b température de pyrolyse (facteur 2) c injection d'azote (facteur 5)

Figure 11 – Effet du type de bois, de la température de pyrolyse et de l’injection d’azote sur la résistance du bois

On calcule les contrastes avec le calcul de Box (§ 3.3.3) et on les


simplifie en tenant compte des hypothèses d’interprétation (hypo-
thèse 1, § 3.4.2) : Retrait Retrait
6,67
6,49
, 0 = a 0 + a 135 + a 245 + a 1234 ≅ a 0 --0,42 --0,60
6,07 6,07
, 1 = a 1 + a 35 + a 234 + a 1245 ≅ a 1 + a 35
5,62
5,47
, 2 = a 2 + a 45 + a 134 + a 1235 ≅ a 2 + a 45
--1 0 +1 --1 0 +1
, 3 = a 3 + a 15 + a 124 + a 2345 ≅ a 3 + a 15 Sapin Pin 225 °C 240 °C
, 4 = a 4 + a 25 + a 123 + a 1345 ≅ a 4 + a 25 a type de bois (facteur 1) b température de pyrolyse (facteur 2)

, 5 = a 5 + a 13 + a 24 + a 12345 ≅ a 5 + a 13 + a 24
, 12 = a 12 + a 34 + a 235 + a 145 ≅ a 12 + a 34 Figure 12 – Effet du type de bois et de la température de pyrolyse
sur le retrait du bois
, 23 = a 23 + a 14 + a 125 + a 345 ≅ a 23 + a 14

Les coefficients sont calculés avec la relation (6) et les plus signi-
ficatifs ont été conservés par l’expérimentateur. Examinons succes-
sivement chaque réponse.
Retrait Résistance
■ Résistance : 7,09 84,9

, 0 ≅ a 0 = 68,7 6,66 82,3

, 1 ≅ a 1 + a 35 = – 5,6
6,49 79,2
, 2 ≅ a 2 + a 45 = – 5,7
, 5 ≅ a 5 + a 13 + a 24 = – 4,9

Les autres facteurs ont été considérés comme négligeables par 5,89 73,5
les expérimentateurs. Les interactions 35, 45, 13, et 24 sont donc, 225 °C 228 °C 240 °C
elles aussi, négligeables (hypothèse 3, § 3.4.2).
Température de pyrolyse (facteur 2)
On peut donc conclure qu’il n’y a que trois facteurs (1, 2 et 5) qui
influent sur la résistance (figure 11).
Figure 13 – Abaque donnant le retrait et la résistance du sapin
Le sapin a une meilleure résistance que le pin. On choisit donc le pour une température donnée de pyrolyse
sapin. Ses propriétés mécaniques sont améliorées si la température
de pyrolyse est élevée et si l’azote est injecté avant la pyrolyse.
■ Retrait : On pourrait diminuer le retrait en choisissant une forte tempéra-
, 0 ≅ a 0 = 6,07 ture de pyrolyse, mais la résistance serait alors détériorée. Il faut
trouver le meilleur compromis entre ces deux réponses.
, 1 ≅ a 1 + a 35 = – 0,42
On peut écrire les modèles qui donnent la résistance et le retrait
, 2 ≅ a 2 + a 45 = – 0,60 en fonction de la température de pyrolyse (avec x 5 = – 1 et x1 = – 1) :

Les interactions 35 et 45 sont négligeables (hypothèse 3). On peut ŷ résistance = 79,2 – 5,7 x 2 (46)
donc conclure qu’il n’y a que deux facteurs (1 et 2) qui influent sur le
retrait (figure 12). ŷ retrait = 6,49 – 0,60 x 2 (47)
■ Conclusion de l’étude
Ces relations permettent de tracer les variations du retrait et de la
Le sapin, choisi pour sa résistance, est le bois qui a le retrait le résistance du sapin en fonction de la température de pyrolyse
plus grand. Le facteur 5 agit uniquement sur la résistance, on peut (figure 13). Les échelles de ces réponses sont ajustées pour que les
donc le fixer au niveau bas (injection d’azote avant la pyrolyse). On relations (46) et (47) ne soient représentées que par une seule
améliore ainsi la résistance sans détériorer le retrait. droite.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
R 275 − 12 © Techniques de l’Ingénieur, traité Mesures et Contrôle
____________________________________________________________________________________________ MODÉLISATION PAR LES PLANS D’EXPÉRIENCES

4. Autres plans L’idée de ne déterminer que les effets principaux et les inter-
actions d’ordre deux a été étendue par Rechtschaffner aux plans du
à deux niveaux second degré et aux facteurs prenant trois niveaux. Ces plans spé-
ciaux sont indiqués dans des tables auxquelles il conviendra de se
référer en cas de besoin [7].

4.1 Objectifs des autres plans


à deux niveaux 4.4 Plans de Plackett et Burman

Les plans factoriels complets et fractionnaires sont basés sur des Les matrices de calcul des plans de Plackett et Burman sont des
modèles mathématiques du premier degré. Ils couvrent la plupart matrices d’Hadamard, c’est-à-dire des matrices ayant 4, 8, 12, 16, 20,
des besoins des expérimentateurs lors d’une étude de dégrossis- 24, 28, 32, 36 lignes etc. Elles permettent donc des expérimentations
sage. Ce sont eux qui seront employés dans la majorité des cas. ayant un nombre d’essais intermédiaire de celui des plans factoriels
D’autres plans à deux niveaux et basés également sur un modèle qui, eux, ont seulement 2k lignes (4, 8, 16, 32, etc).
mathématique du premier degré ont été mis au point pour répondre Les plans de Plackett et Burman sont le plus souvent saturés. Le
à des situations particulières. Nous examinerons les plans de modèle mathématique est alors un modèle sans interaction analo-
Koshal, les plans de Rechtschaffner, les plans de Plackett et Burman, gue à celui des plans de Koshal [relation (48)] :
les tables de Taguchi et les plans supersaturés.
y = a0 + ∑ ai xi

4.2 Plans de Koshal


4.5 Tables de Taguchi
Les plans de Koshal [6] sont des plans qui permettent de détermi-
ner uniquement les effets principaux des facteurs. On ne peut pas Les tables de Taguchi sont des plans de Plackett et Burman dans
évaluer les interactions. Le modèle mathématique est : lesquels on a remplacé + 1 par 1 et – 1 par 2. Les noms des plans ont
également été traduits. Le plan 2 3 est la table L8 et le plan 24 est la
y = a0 + ∑ ai xi (48) table L16. Le plan à 12 essais est appelé table L12. À l’origine, ces
plans étaient utilisés avec un modèle sans interaction. Aujourd’hui,
Ces plans, peu connus, sont très pratiques pour dégrossir un pro- certaines personnes leurs appliquent les résultats et les principes de
blème. Ils offrent l’avantage de donner directement l’effet des fac- la théorie classique.
teurs. Ils forment le début d’un plan factoriel qu’il est toujours
loisible de compléter pour obtenir un plan complet ou fractionnaire. Ces plans sont très prisés dans le domaine de la qualité.
La figure 14 illustre un plan de Koshal pour trois facteurs.

4.6 Plans sursaturés


4.3 Plans de Rechtschaffner
Un plan saturé est un plan qui comporte autant d’essais que de
Les plans de Rechtschaffner sont des plans factoriels fraction- coefficients à déterminer dans le modèle mathématique. Les plans
naires simplifiés qui permettent de déterminer les effets des fac- de Rechtschaffner, les plans de Plackett et Burman et les tables de
teurs et les interactions d’ordre deux. Toutes les autres interactions Taguchi sont souvent des plans saturés. Un plan sursaturé est un
sont supposées nulles avant même l’expérimentation. Le modèle plan qui comporte moins d’essais que de coefficients à déterminer
mathématique adopté au départ de l’étude est donc : dans le modèle mathématique. À ce titre, les plans factoriels frac-
tionnaires peuvent être considérés comme sursaturés. Mais il existe
y = a 0 + ∑ a i x i + ∑ a ij x i x j (49) des plans encore plus sursaturés que les plans factoriels fractionnai-
res [8]. Ce sont des plans où les facteurs principaux sont aliasés
Il suffit de choisir un plan fractionnaire de résolution III (§ 3.4.5) entre eux. Ces plans sont utiles lorsqu’il y a beaucoup de facteurs à
pour obtenir un plan de Rechtschaffner. examiner et lorsque l’on est sûr que peu d’entre eux sont influents
sur la réponse. Certains plans proposent l’étude de 66 facteurs en
12 essais ou de 272 facteurs en 24 essais.
La théorie des aliases est applicable à ces plans puisque l’on
x3 regroupe les coefficients dans des contrastes.

+1 D x2
+1 5. Plans à plusieurs niveaux
C

B 5.1 Généralités
A
--1 +1 x1

Les points (A, B, C, D) forment le début d'un plan factoriel complet 23 Les plans à deux niveaux sont très utilisés parce qu’ils sont éco-
nomiques en nombre d’essais. Mais il n’y a aucune raison de ne pas
considérer des plans ayant des facteurs prenant plus de deux
Figure 14 – Plan de Koshal pour trois facteurs niveaux. Il faut donner à chaque facteur le nombre de niveaux

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Mesures et Contrôle R 275 − 13
MODÉLISATION PAR LES PLANS D’EXPÉRIENCES _____________________________________________________________________________________________

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 dépendra 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 (6) en vue de la modélisation. Pour ces variables, il existe
des plans optimisés selon les différents critères d’optimalité. On les
trouvera décrits dans les paragraphes consacrés aux plans factoriels Facteur 3
(§ 2 et § 3) et aux plans pour surfaces de réponse (§ 6).
Si les variables sont discrètes, il faut employer l’analyse de la
Facteur 2
variance [9] 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. Facteur 1

Figure 15 – Plan en carrés latins


5.2 Plans complets à trois niveaux
On calcule la somme des carrés des réponses qui est égale à la
S’il y a deux facteurs prenant chacun 3 niveaux, il faut exécuter somme des carrés de la moyenne augmentée de la somme des car-
9 essais. On note ce plan 32. rés des différents facteurs et de la somme des carrés des résidus.
S’il y a trois facteurs prenant chacun trois niveaux (plan 33 ), il faut Dans le présent exemple, la somme des carrés des réponses est
exécuter 27 essais, ce qui commence à faire beaucoup. C’est la rai- égale à 18 038,911 et se décompose ainsi :
son pour laquelle on a introduit les plans fractionnaires correspon- — somme des carrés de la moyenne............................ 10 723,983
dants qui portent le nom de carrés latins. — somme des carrés des formes .................................... 6 958,184
— somme des carrés des vitesses ..................................... 180,085
— somme des carrés des profondeurs ................................ 74,479
5.3 Carrés latins — somme des carrés des résidus ...................................... 102,180
La forme joue un rôle prépondérant sur la résistance. La vitesse
Les carrés latins sont des plans pour étudier trois facteurs prenant joue un petit rôle et la profondeur est négligeable. Le coefficient de
chacun 3 niveaux. On réalise 9 essais au lieu de 27 pour le plan la forme et celui de la vitesse se décomposent en trois coefficients
complet. Ce sont des plans factionnaire 33 –1. La disposition des particuliers :
points expérimentaux, analogue à celle de la figure 15, conduit à acylindre = – 13,04 a vitesse faible = – 5,16
une matrice de calcul orthogonale. Ces plans sont utilisés pour les
variables discrètes et le modèle mathématique est un modèle avec acône = – 25,60 a vitesse moyenne = – 0,55
ou sans interaction d’ordre 2. adisque = + 38,64 a vitesse élevée = + 5,74

■ On peut conclure que le disque est la forme qui contribue le plus


aux variations de la réponse et c’est à lui que le gel oppose la plus
5.4 Exemple. Étude de la pénétrométrie grande résistance. On peut encore augmenter la résistance en choi-
sissant la vitesse la plus élevée.

■ Un expérimentateur désire sélectionner une méthode permettant


de mesurer la consistance d’un gel. Il enfonce un stylet dans la Tableau 9 – Matrice d’expériences du plan en carré latin
matière à une vitesse et à une profondeur données. Il mesure la
résistance au mouvement opposée par la matière gélifiée. Il étudie Numéro Forme Vitesse Profondeur
trois types de stylet (cylindre, cône et disque), trois vitesses (lente, Réponse
de l’essai 1 2 3
moyenne et rapide) et trois profondeurs (faible, moyenne et forte). Il
effectue un plan en carré latin de 9 essais au lieu d’effectuer les 1 – – – 17,10
27 combinaisons possibles. Les 9 essais sont sélectionnés pour
donner une matrice d’expériences orthogonale (tableau 9). 2 – 0 0 20,23
3 – + + 27,00
■ L’interprétation est basée sur l’analyse des variances qui donne
l’importance de l’influence de chacun des facteurs sur la réponse. 4 0 – 0 8,7
Cette analyse adopte le modèle suivant : 5 0 0 + 10,67
y = a 0 + a1 x 1 + a 2 x 2 + a 3 x3 + e 6 0 + – 7,37
Dans ce modèle les a i se décomposent en trois coefficients liés 7 + – + 62,27
par une relation. Par exemple, a1 se décompose en trois coefficients
8 + 0 – 70,80
représentant respectivement l’influence du cylindre, celle du cône et
celle du disque. Si l’on adopte le codage en 0 et 1, les xi sont des 9 + + 0 86,43
matrices [3,2] telles que :

1 0 – Cylindre Lente Faible


xi = 0 1 (50) 0 Cône Moyenne Moyenne
–1 –1 + Disque Rapide Forte

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
R 275 − 14 © Techniques de l’Ingénieur, traité Mesures et Contrôle
____________________________________________________________________________________________ MODÉLISATION PAR LES PLANS D’EXPÉRIENCES

5.5 Carrés gréco-latins


I +α
Les carrés gréco-latins sont des plans de 16 essais permettant
d’étudier quatre facteurs ayant chacun 4 niveaux. Ce sont des plans C D
4–2
4 . L’emplacement des points expérimentaux est tel que la matrice +1
de calcul est orthogonale. Ces plans sont utilisés pour les variables
discrètes et le modèle mathématique est un modèle avec ou sans
interaction d’ordre 2. F G
--1 +1
-- α E +α

5.6 Carrés de Youden


--1
A B
Youden [10] a développé des plans pour deux variables discrètes
prenant plus de quatre niveaux. Le principe est analogue à celui des H -- α
carrés latins. On réduit le nombre des essais en retirant des points
au plan complet. Les points expérimentaux sont disposés de telle
manière que la matrice de calcul est orthogonale. Figure 16 – Plan composite pour deux facteurs

5.7 Plans à niveaux mixtes — le point E est le point central. Ce point peut avoir été répliqué
une ou plusieurs fois ;
— les points F, G, H et I sont les points axiaux. Ces quatre derniers
Il y a autant de facteurs que l’on veut, et chaque facteur prend le points forment ce que l’on appelle le plan en étoile.
nombre de niveaux nécessaires à la bonne exécution de l’étude. Par On réalise 9 essais et 6 coefficients doivent être déterminés. Il faut
exemple, un facteur peut prendre 3 niveaux, un autre 4 niveaux et donc résoudre un système de 9 équations à 6 inconnues.
un troisième 6. Ces plans sont utilisés pour les variables discrètes.
Les coordonnées des points en étoile dépendent du critère d’opti-
malité choisi (§ 1.7). En général, on retient le critère de presque
orthogonalité ou le critère d’isovariance par rotation.

6. Plans pour surfaces Les plans composites prennent facilement la suite d’un premier
plan factoriel dont les résultats sont inexplicables par un modèle du
de réponse premier degré. Il suffit d’effectuer les expériences correspondant
aux points en étoile et de faire les calculs sur l’ensemble de toutes
les expériences. Les plans composites sont parfaitement adaptés à
Les plans du second degré ou plans pour surfaces de réponse [11] l’acquisition progressive des résultats.
permettent d’établir des modèles mathématiques du second degré.
Ils sont utilisés pour les variables continues. Pour deux facteurs,
on a : 6.2 Exemple. Optimisation
y = a 0 + a 1 x 1 + a 2 x 2 + a 12 x 1 x 2 +
2
a 11 x 1 +
2
a 22 x 2 +e (51) de la rectification
Ces plans sont utiles à chaque fois que l’on se trouve près d’un
maximum ou d’un minimum. La théorie développée au cours de la Un contremaître cherche à améliorer l’état de surface des pièces
première partie de cet article (§ 1.2 à 1.7) s’applique à ces plans. À la usinées par rectification. Sur chaque pièce, il mesure la rugosité et
fin des essais, on a un système d’équations dont les coefficients le nombre de pics par unité de longueur. Il désire obtenir des pièces
sont obtenus grâce à la relation (6) : de rugosité inférieure à 0,150 et un nombre de pics inférieur à 50.
Les facteurs étudiés sont (tableau 10 ) :
â = (t X X)–1 t Xy — facteur 1 : la vitesse d’avance de l’outil (en mètres par minute) ;
— facteur 2 : la vitesse tangentielle de coupe (en mètres par
Il existe plusieurs types de plans du second degré dont les princi-
seconde).
paux vont être décrits.
L’expérimentateur réalise un plan composite avec quatre points
au centre du domaine d’étude (E) et choisit α = 1,21 pour respecter
le critère de presque orthogonalité. La distance α en coordonnées
6.1 Plans composites centrées réduites (§ 1.4) des points F, G, H, I est au centre du
domaine.
Les résultats des essais sont rassemblés dans le tableau 11.
Un plan composite est constitué de trois parties :
Les résultats de ce plan sont résumés dans les modèles
— un plan factoriel dont les facteurs prennent deux niveaux ;
mathématiques :
— au moins, un point expérimental situé au centre du domaine
d’étude ;
ŷ rugosité = 232,4 + 15,7 x 1 – 65,5 x 2 – 29,2 x 1 x 2 – 39,2 x 21 – 21,8 x 22
— des points axiaux ; ces points expérimentaux sont situés sur
les axes de chacun des facteurs.
ŷ pics = 62 + 4,5 x 1 + 3,7 x 2 + 10,0 x 1 x 2 – 4,3 x 21 + 19,6 x 22
La figure 16 représente un plan composite pour deux facteurs :
— les points A, B, C et D sont les points expérimentaux d’un plan Ces modèles permettent de tracer les courbes isoréponses sur un
factoriel 22 ; même graphique (figure 17).

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Mesures et Contrôle R 275 − 15
MODÉLISATION PAR LES PLANS D’EXPÉRIENCES _____________________________________________________________________________________________

Tableau 10 – Rectification. Domaine d’étude


Facteur Niveau – 1,21 Niveau – 1 Niveau 0 Niveau + 1 Niveau + 1,21
Vitesse d’avance (1) ............................. (m/min) 0,73 0,9 1,65 2,4 2,57
Vitesse de coupe (2) .................................. (m/s) 13,95 15 20 25 26,05

On constate qu’il existe une toute petite surface où les deux objec-
Tableau 11 – Rectification. Plan d’expériences et résultats tifs sont respectés (figure 17) :
— vitesse d’avance de 0,75 m/min (niveau –1,2) ;
Numéro de Rugosité
Avance 1 Coupe 2 Pics — vitesse de coupe de 21 m/s (niveau 0,2).
l’essai × 1 000
Ces prévisions sont confirmées par la réalisation de pièces réali-
1 –1 –1 194 77,8 sées avec ces réglages.
2 +1 –1 282 68,4
3 –1 +1 120 65,3
6.3 Plans de Doehlert
4 +1 +1 91 96,1
5 0 0 233 63,8 La caractéristique principale des plans de Doehlert [12] est d’avoir
une répartition uniforme des points expérimentaux dans l’espace
6 0 0 235 61,9 expérimental. La figure 18 donne la disposition de ces points pour
7 – 1,21 0 154 52,3 un plan à deux facteurs (essais 1 à 7). Tous les points sont à la même
8 + 1,21 0 195 60,4 distance du centre du domaine d’étude et sont situés sur le cercle
trigonométrique. Ils forment un hexagone régulier.
9 0 – 1,21 278 87,0
Si l’expérimentateur désire explorer le domaine expérimental il
10 0 + 1,21 122 95,7 peut facilement ajouter des points d’expériences supplémentaires
11 0 0 232 61,5 et retrouver une disposition identique à celle de départ. La figure 18
montre qu’avec trois points d’expériences supplémentaires (essais
12 0 0 230 60,5
8 à 10), on peut obtenir un nouveau plan de Doehlert (essais 2, 7, 8,
9, 10, 3 et 1).
Niveau – 1 0,9 15
Niveau 0 1,65 20
Niveau + 1 2,4 25 Tableau 12 – Plans de Doehlert
pour étudier 2, 3 ou 4 facteurs
Numéro
Facteur 1 Facteur 2 Facteur 3 Facteur 4
de l’essai

26 1,2
1 0 0 0 0
vitesse de coupe (m/s)

100
100 2 +1 0 0 0
90 100
150 3 + 0,5 + 0,866 0 0
24 0,8 80
(2)

70 4 – 0,5 + 0,866 0 0
60 5 –1 0 0 0
22 0,4 200
6 – 0,5 – 0,866 0 0
50 7 + 0,5 – 0,866 0 0
20 0 8 + 0,5 + 0,289 + 0,816 0
250 9 – 0,5 + 0,289 + 0,816 0
60
18 --0,4 10 0 – 0,577 + 0,816 0
11 + 0,5 – 0,289 – 0,816 0
70
16 --0,8 12 – 0,5 – 0,289 – 0,816 0
13 0 + 0,577 – 0,816 0
80
14 --1,2 14 + 0,5 + 0,289 + 0,204 + 0,791
--1,2 --0,8 --0,4 0 0,4 0,8 1,2 15 – 0,5 + 0,289 + 0,204 + 0,791
0,75 0,9 1,05 1,2 1,35 1,5 1,65 1,8 1,95 2,1 2,25 2,4 2,55 16 0 – 0,577 + 0,204 + 0,791
Avance (m/min) 17 0 0 – 0,612 + 0,791
rugosité (x1000) (1)
le nombre de pics 18 + 0,5 – 0,289 – 0,204 – 0,791
19 – 0,5 – 0,289 – 0,204 – 0,791
20 0 + 0,577 – 0,204 – 0,791
Figure 17 – Courbes d’isoréponses pour la rugosité
et pour le nombre de pics 21 0 0 + 0,612 – 0,791

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
R 275 − 16 © Techniques de l’Ingénieur, traité Mesures et Contrôle
____________________________________________________________________________________________ MODÉLISATION PAR LES PLANS D’EXPÉRIENCES

x2 11

+0,886 12
4 3 10
10
9 7
8

5 1 2 9
5 13
--1 --0,5 +0,5 +1 +2 x1 Facteur 3 6
3

4
2
Facteur 2
6 --0,886 7 8 1
Facteur 1
Les points 1 à 7 illustrent un premier plan de Doehlert.
Les trois points 8, 9 et 10 illustrent les expériences supplémentaires.
Les points 2, 7, 8, 9, 10, 3 et 1 illustrent un deuxième plan de Doehlert. Figure 19 – Plan de Box-Behnken pour trois facteurs

Figure 18 – Plan de Doehlert

Tableau 13 – Plan de Box-Behnken pour 3 facteurs


Ce type de plans est utilisable pour un nombre quelconque de fac-
Numéro
teurs. Le tableau 12 indique les matrices des plans de Doehlert Facteur 1 Facteur 2 Facteur 3
de l’essai
jusqu’à quatre facteurs.
1 0 –1 –1

2 +1 0 –1
6.4 Plans de Box-Behnken
3 0 +1 –1

Les points expérimentaux sont au milieu des arêtes de chacun 4 –1 0 –1


des côtés du cube (figure 19). Ce plan comporte douze essais aux-
quels ont peut ajouter un (ou plusieurs) point central. La matrice du 5 –1 –1 0
tableau 13 indique ces douze essais accompagnés d’un seul point 6 +1 –1 0
central.
Les plans de Box-Behnken [13] répondent à un critère d’optimisa- 7 +1 +1 0
tion particulier : l’erreur de prévision des réponses est la même pour
tous les points d’une sphère (ou une hypersphère) centrée à l’ori- 8 –1 +1 0
gine du domaine expérimental. C’est le critère d’isovariance par 9 0 –1 +1
rotation (§ 1.7). Le plus connu des plans de Box-Behnken est celui
qui permet d’étudier trois facteurs. 10 +1 0 +1

11 0 +1 +1
6.5 Plans hybrides 12 –1 0 +1

13 0 0 0
Les plans hybrides ont été mis au point par Roquemore [14]. Leur
objectif est d’essayer d’approcher deux critères d’optimalité, celui
d’orthogonalité et celui d’isovariance par rotation :
— l’orthogonalité garantit la meilleure précision possible sur les Les autres plans hybrides sont les plans 310, 416A, 416B, 416C
coefficients du modèle ; ou 628A.
— 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 6.6 Plans de Mozzo
à utiliser un plan hybride.

Les plans de Mozzo [15] présentent deux avantages : ils sont


Les plans hybrides se désignent de la manière suivante : on séquentiels et le nombre de niveaux d’étude est restreint. On peut
indique le nombre de facteurs, puis le nombre de points expérimen- commencer par étudier deux facteurs en trois essais. Puis, si l’on
taux dont un seul point central, enfin une lettre pour distinguer deux désire étudier un troisième facteur, il suffit de réaliser trois essais
plans ayant le même nombre de facteurs et le même nombre de supplémentaires. Douze essais permettent d’étudier quatre fac-
points expérimentaux. teurs.
Exemple : le plan 311B est l’un des deux plans hybrides (le 311A Les plans de Mozzo (tableau 15) ne permettent pas tous d’établir
existe) qui permet d’étudier trois facteurs en onze essais. Nous en don- un modèle du second degré. Il faut alors avoir recours aux plans
nons la matrice dans le tableau 14. quadratiques gigognes de Mozzo.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Mesures et Contrôle R 275 − 17
MODÉLISATION PAR LES PLANS D’EXPÉRIENCES _____________________________________________________________________________________________

Tableau 14 – Plan hybride 311B


Facteur 2
Numéro
Facteur 1 Facteur 2 Facteur 3
de l’essai
1 0 0 2,449
2 0 0 – 2,449
3 – 0,751 2,106 +1
Facteur 1
4 2,106 0,751 +1
5 0,751 – 2,106 +1
6 – 2,106 – 0,751 +1
7 0,751 2,106 –1
8 2,106 – 0,751 –1
Figure 20 – Exemple de plan non conventionnel
9 – 0,751 – 2,106 –1
10 – 2,106 0,751 –1
d’atteindre les niveaux préconisés par la théorie où des combi-
11 0 0 0 naisons de niveaux peuvent se révéler dangereuses : réaction
explosive pour les chimistes, concentration toxique pour les méde-
cins, etc.
Tableau 15 – Plans de Mozzo pour 2, 3 ou 4 facteurs Dans cette situation, il est extrêmement commode d’utiliser les
plans D-optimaux. Le choix de l’emplacement des points expéri-
Numéro mentaux nécessite alors un logiciel de plans d’expériences. On
Facteur 1 Facteur 2 Facteur 3 Facteur 4 commence par définir un grand nombre de points expérimentaux
de l’essai
possibles dans le domaine d’étude. Ce sont les points candidats.
1 0,268 +1 –1 –1 Puis on précise le nombre n d’expériences que l’on désire effectuer.
Le logiciel utilise un algorithme d’échange pour choisir, parmi tous
2 0,732 – 0,732 –1 –1
les points candidats, les n essais qui satisfont le mieux le critère de
3 –1 – 0,268 –1 –1 D-optimalité.
4 – 0,268 –1 +1 –1
5 – 0,732 0,732 +1 –1
6 +1 0,268 +1 –1
6.9 Plans non conventionnels
et leur éventuelle réparation
7 – 0,268 –1 –1 +1
8 – 0,732 0,732 –1 +1
Il peut arriver que l’on soit en possession d’une série de résultats
9 +1 0,268 –1 +1 expérimentaux qui n’ont pas été obtenus selon un plan d’expé-
10 0,268 +1 +1 +1 riences (figure 20). Dans ce cas, il a été montré [16] que l’on peut
utiliser ces résultats moyennant certaines précautions. Si la position
11 0,732 – 0,732 +1 +1 des essais ne s’éloigne pas trop des plans classiques, les erreurs sur
12 –1 – 0,268 +1 +1 les coefficients du modèle sont faibles et les réponses prédites sont,
dans la plupart des cas, tout à fait acceptables.
Si la position des essais s’éloigne des plans classiques, les erreurs
peuvent être importantes. Dans ce cas, il est essentiel de calculer les
6.7 Plans de Rechtschaffner erreurs de chaque coefficient et de s’assurer que les corrélations
pour le second degré entre coefficients ne sont pas trop grandes. Si les erreurs sont trop
grandes on ne pourra pas utiliser le modèle pour faire des prévi-
sions.
Les plans de Rechtschaffner permettant d’établir un modèle du
Dans ce dernier cas, il est possible de réparer l’expérimentation
second degré sont des plans saturés. S’il y a k facteurs, il faut effec-
en refaisant de nouveaux essais bien placés par rapport à ceux
tuer un nombre n d’essais égal à :
qui avaient été déjà réalisés. On pourra prévoir beaucoup de
1 2 nouveaux points et sélectionner les meilleurs à l’aide du critère de
n = --- ( 2 + 3 k + k ) (52) D-optimalité.
2
La construction de ces plans est indiquée dans l’article
référencé [7].
7. Plans de mélanges
6.8 Plans de D-optimaux 7.1 Généralités
Les contraintes expérimentales ne permettent pas toujours d’être Les facteurs d’étude des plans de mélanges sont les proportions
dans les conditions idéales des plans d’expériences précédemment des constituants du mélange [20]. Or ces constituants ne sont pas
décrits. Par exemple, les réglages de l’appareil ne permettent pas indépendants les uns des autres. La somme des proportions d’un

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
R 275 − 18 © Techniques de l’Ingénieur, traité Mesures et Contrôle
____________________________________________________________________________________________ MODÉLISATION PAR LES PLANS D’EXPÉRIENCES

mélange est toujours égale à 100 %. Le pourcentage du dernier


constituant est imposé par la somme des pourcentages des pre-
Produit C
miers composés. C’est la raison pour laquelle les plans de mélanges
sont traités à part. 1,00

Les plans de mélanges sont aussi caractérisés par de nombreuses


contraintes qui peuvent peser sur le choix des proportions des xc
constituants. Par exemple, la concentration d’un produit doit être au
moins de x pour-cent ou cette concentration ne peut excéder une 0,50
Mélange
valeur donnée. En fonction de ces contraintes, la planification de
l’étude est modifiée et elle doit être adaptée à chaque cas.
Les plans de mélanges ont d’abord été étudiés par des Améri- xb
cains (Claringbold, Sheffé, Cornell [17], Snee, Marquadt, Crozier, 0
etc.). xa 0,50 1,00
0,50 Produit B

1,00
7.2 Contrainte fondamentale Produit A
des mélanges
Figure 21 – Représentation dans un système d’axes cartésiens
d’un mélange de trois produits
Si l’on note par xi la teneur en constituant i , la somme des teneurs
de tous les constituants du mélange satisfait la relation :
i=n

∑ xi = 100 % (53)
i=1 Produit C
Si, au lieu d’utiliser les pourcentages, on ramène la somme des 1,00
teneurs des différents constituants à l’unité, on écrira :
i=n

∑ xi = 1 (54)
xc
i=1
0,50
Cette relation s’appelle la contrainte fondamentale des mélanges. Mélange
Les représentations géométriques des plans de mélanges sont
différentes de celles utilisées pour les plans d’expériences clas-
siques et les modèles mathématiques sont eux aussi profondément xb
0
modifiés. xa 0,50 1,00
0,50 Produit B

1,00
7.3 Représentation géométrique
des mélanges Produit A

Comme pour les plans d’expériences on pourrait utiliser des axes Figure 22 – Représentation de l’ensemble des mélanges à trois
cartésiens. Le premier axe serait attribué au premier constituant ou constituants dans l’espace cartésien des trois produits A, B et C
premier facteur. Le second axe, orthogonal au premier, serait attri-
bué au second constituant, et ainsi de suite. Mais, la contrainte fon-
damentale des mélanges va modifier cette représentation.
Prenons l’exemple d’un mélange à trois constituants. Trois axes
orthogonaux représentent chacun les teneurs d’un produit dans le A
mélange (figure 21). Le point ayant pour coordonnées xa , xb et x c 0
représente le mélange ayant une teneur xa du produit A, une 1,00
teneur xb du produit B et une teneur x c du produit C.
it A

Éc

La contrainte des mélanges introduit la relation :


he
du

lle

xa + x b + xc = 1
pro

pr

0,50
od
lle

qui exprime que les points de coordonnées xa , xb et xc sont sur un 0,50 c xc


he

uit

plan passant par les trois points d’abscisses 1 sur les axes de coor-
Éc

Mélange
C

données. xa
a M
Les teneurs xa , xb et xc varient entre 0 et 1 ; par conséquent, le
domaine des mélanges se limite à un triangle équilatéral ayant pour b 1,00
sommets les trois points d’abscisses 1 (figure 22). C’est ce triangle 0
xb C
que l’on utilisera pour représenter les mélanges à trois constituants. B 1,00 0,50 0
Échelle produit B
Les produits purs sont aux sommets du triangle équilatéral. Les
mélanges binaires sont représentés par les côtés du triangle. Par
exemple, le côté gauche du triangle (figure 23) représente les Figure 23 – Représentation des mélanges à trois constituants
mélanges composés uniquement des produits A et B. sur un triangle équilatéral

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Mesures et Contrôle R 275 − 19
MODÉLISATION PAR LES PLANS D’EXPÉRIENCES _____________________________________________________________________________________________

A
1 0
Produit D
L3
Zone autorisée

Zone interdite
L1
Mélange
0 1
Produit C B 1 L2 0 C

Produit A La zone autorisée a la même forme géométrique que le domaine


d'étude initial.

Produit B Figure 26 – Limites inférieures de tous les produits délimitant


deux zones

Figure 24 – Représentation des mélanges à quatre constituants


par un tétraèdre régulier 7.5 Modèles mathématiques
des mélanges
La contrainte fondamentale des mélanges fait disparaître la
Un point de la surface intérieure du triangle équilatéral représente constante et les termes du second degré se réduisent aux termes
un mélange M (de coordonnées a, b, c) tertiaire. Les compositions rectangles. Pour trois composants, le modèle du premier degré est
de chaque produit se lisent sur les côtés du triangle. donc :
y = b 1 x 1 + b 2 x 2 + b3 x 3 (55)
Les propriétés géométriques du triangle équilatéral assurent que
la contrainte fondamentale des mélanges est bien respectée. et pour le second degré :
y = b1x1 + b2x2 + b3x3 + b12x1x2 + b13x1x3 + b23x2x3 (56)
■ La représentation des mélanges à quatre constituants est un
tétraèdre régulier (figure 24). On est souvent amené à utiliser des modèles de degré supérieur,
trois et même parfois quatre, si les surfaces de réponses sont
S’il y a plus de quatre constituants, il faut faire appel à des hyper- compliquées. Plus le degré du modèle est élevé, plus il faut réaliser
polyèdres réguliers. de points d’expériences pour pouvoir déterminer tous les coeffi-
cients. Ces coefficients sont calculés à partir de la relation de
régression :
t –1 t
b̂ = ( X X ) Xy (57)
7.4 Emplacement des points
expérimentaux Les mélanges sont également caractérisés par des contraintes :
contraintes basses, contraintes hautes ou contraintes relationnelles.

Il existe plusieurs manières de disposer les points expérimentaux


dans le domaine d’étude (figure 25) : 7.6 Basses teneurs interdites
— plans de mélanges en réseaux (Simplex lattice designs ) ;
La concentration de un ou de plusieurs constituants ne peut pas
— plans de mélanges centrés (Simplex-centroid designs ) ; être inférieure à une valeur donnée. Dans ce cas, le domaine d’étude
— plans de mélanges centrés augmentés (augmented simplex- est réduit (figure 26) mais la forme du domaine reste la même : un
centroid designs ). triangle équilatéral.

A A A
1 1 1

4 6 4 6 4 6
7
9 10
7

B C B C B 9 C
2 5 3 2 5 3 2 5 3
en réseaux centrés centrés augmentés

Figure 25 – Plan de mélanges

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
R 275 − 20 © Techniques de l’Ingénieur, traité Mesures et Contrôle
____________________________________________________________________________________________ MODÉLISATION PAR LES PLANS D’EXPÉRIENCES

A
A
L3 Zone autorisée
Zone interdite
Zone autorisée
U1
U3
U1
Zone interdite
U3 Zone interdite L1

B U2 L2 C
B U2 C

Figure 28 – Limites basse et haute délimitant


un domaine d’étude polygonal
Figure 27 – Limites supérieures de tous les produits découpant
le domaine initial en deux zones

7.9 Contraintes relationnelles


Le domaine utile étant homothétique au domaine initial, on peut
utiliser des pseudo-composantes ou L-composantes pour caracté- Deux autres types de contraintes se rencontrent dans l’étude des
riser les mélanges étudiés. On passe des pseudo-composantes x’ mélanges. Il s’agit :
aux composantes initiales x par la formule — soit de conserver un rapport constant entre les proportions de
deux constituants :
x’ = k (x + L) (58)
x1 x1
où k est le rapport d’homothétie (supérieur à 1) et L le vecteur des ------ = Cte ou k 1 < ------ < k 2
x2 x2
contraintes inférieures.
— soit de respecter une relation d’addition entre les proportions
de deux ou de plusieurs constituants :

7.7 Hautes teneurs interdites x 1 + x 2 = Cte ou k3 < x1 + x2 < k4


Ces nouvelles contraintes entraînent de nouvelles restrictions sur
La concentration de un ou plusieurs constituants ne peut pas être le domaine d’étude et modifient l’emplacement des points d’expéri-
supérieure à une valeur donnée : c’est la limite supérieure notée Ui . mentation.

Dans ce cas, le domaine d’étude est réduit (figure 27), mais la


forme du domaine est complètement modifiée ; ce n’est plus un 7.9.1 Exemple. Contrainte de rapport constant
triangle ; c’est un polygone. Pour les plans ayant plus de trois fac-
teurs, le domaine d’étude est un hyperpolyèdre. ■ Dans un mélange à trois constituants, les teneurs en A et B
doivent respecter la relation :
xb
1 < ------ < 1,2 (59)
7.8 Hautes et basses teneurs interdites xa
Les points qui satisfont xb = xa sont sur une droite qui passe par le
Les proportions d’un ou de plusieurs constituants peuvent être sommet C (constituant C pur) et aboutit sur le côté AB à une valeur
soumises à des contraintes inférieures et supérieures. Pour un égale au rapport constant r1 = 0,50.
composant, le triangle des compositions est divisé en trois zones : Les points qui satisfont l’inégalité x a < x b sont les points situés
— la zone interdite par la limite basse ; sous la droite DC (figure 29).
— la zone interdite par la limite haute ; Les points qui satisfont l’inégalité x b < 1,2 x a sont les points
— entre les deux, la zone autorisée. situés au-dessus de la droite EC.
La zone autorisée est le biseau ECD comme l’indique la figure 29.
Chaque composant peut avoir des limites haute et basse.
■ S’il y avait plus de trois constituants, le rapport constant serait
Illustrons cette situation pour trois composants (figure 28), la représenté par un plan ou un hyperplan qui passerait par les autres
forme initiale du triangle équilatéral n’est pas conservée. sommets.
Pour trouver le meilleur emplacement des points expérimentaux, ■ Dans le cas de trois constituants, on remarque que la droite
il faut disposer des points candidats sur le domaine possible et en représentative d’un rapport constant entre deux constituants passe
choisir un certain nombre avec le critère de D-optimalité. par le troisième constituant. On a là un moyen simple pour étudier
Les points candidats sont souvent les sommets du polygone, le l’évolution d’une propriété près d’un mélange de référence (point M
milieu des arêtes du polygone, les points aux centres des faces, le de la figure 30).
centre de gravité. Quand il y a beaucoup de constituants, le calcul du Il suffit d’ajouter une certaine quantité d’un produit pur au
nombre et de l’emplacement des sommets, des milieux d’arêtes et mélange M. On obtient un mélange (M1, M2 ou M3 suivant le
des centres des faces est très compliqué. Il faut un logiciel adapté produit pur ajouté) qui se situe sur l’une des droites MA, MB ou MC.
pour faire ces calculs. Le choix des points les plus utiles parmi les On peut considérer l’ensemble de ces points comme un plan de
points candidats nécessite aussi un logiciel adapté aux plans Koshal adapté aux mélanges. On obtient ainsi l’influence de
d’expériences. chaque constituant sur le mélange de référence M.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Mesures et Contrôle R 275 − 21
MODÉLISATION PAR LES PLANS D’EXPÉRIENCES _____________________________________________________________________________________________

A A
Zone autorisée

Zone autorisée E
D Zone interdite
Zone interdite
E

B C B D C

Figure 29 – Représentation de la zone autorisée Figure 31 – Représentation de la zone satisfaisant la contrainte


par les contraintes relationnelles introduite par la somme constante entre les compositions
des deux constituants A et B

M1 Facteur 2
M M3
M2
B C

Figure 30 – Plan de Koshal adapté aux mélanges Facteur 1

Figure 32 – Représentation d’un mélange à trois constituants


étudié selon deux facteurs de procédés
7.9.2 Exemple. Contrainte de somme constante

Dans un mélange à trois constituants, les teneurs en A et B doi-


vent respecter la relation : 8. Plans booléens
x a + x b > 0,7 (60)
Il n’est pas toujours possible d’exploiter les résultats d’un plan
L’égalité s’écrit :
d’expériences avec les outils classiques : régression multilinéaire
xb = – xa + 0,7 pour les variables continues ou analyse de la variance pour les
variables discrètes. C’est le cas, notamment, des variables
Les points de coordonnées xa et xb sont, comme le montre la
booléennes. Si les facteurs d’étude sont des variables booléennes,
figure 31, sur une droite qui passe par le point D :
c’est-à-dire ne prenant que deux valeurs, il faut trouver la fonction
xa = 0 et xb = 0,7 booléenne, ne prenant elle-même que deux valeurs, en fonction des
valeurs des variables.
et par le point E : Les plans booléens [18] ressemblent aux plans factoriels à deux
xa = 0,7 et xb = 0 niveaux, mais l’interprétation mathématique est complètement dif-
férente puisque la nature des variables est différente. Chaque essai
Lorsque le nombre de constituants augmente, la représentation permet de connaître la valeur d’un minterm (ou d’un maxterm).
d’une somme constante est un plan ou un hyperplan. L’ensemble de tous les minterms donne la forme canonique de la
fonction cherchée. La forme canonique est ensuite simplifiée grâce
à l’une des méthodes classiques de simplification des fonctions
booléennes (Méthode de Veitch, Harvard ou Quine).
7.10 Plans de mélange
et plan d’expériences

Il est tout à fait possible de traiter à la fois des variables de mélan-


9. Logiciels de plans
ges (les proportions des constituants) et des facteurs de plan
d’expériences.
d’expériences
Pour illustrer cette situation, on peut prendre l’exemple du fabri-
cant de biscuits. L’étude de la composition des biscuits donne lieu à La construction des plans d’expériences est souvent facile et il
un plan de mélange et les conditions de cuisson donnent lieu à un suffit de choisir parmi les matrices déjà publiées. Mais, il importe
plan d’expériences factoriel ou du second degré (figure 32). À que le plan soit adapté à l’étude et non pas l’inverse. Il y a donc des
chaque point d’expériences du plan classique, il faut réaliser un plan situations où il faut absolument tailler un plan sur mesure. Les logi-
de mélange. On a donc rapidement un grand nombre d’essais à réa- ciels de plans d’expériences [19] possèdent des bibliothèques de
liser puisqu’il faut faire np essais si le plan de mélange a n essais et plans classiques et ils permettent aussi de construire les plans par-
le plan d’expériences a p essais. ticuliers.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
R 275 − 22 © Techniques de l’Ingénieur, traité Mesures et Contrôle
____________________________________________________________________________________________ MODÉLISATION PAR LES PLANS D’EXPÉRIENCES

On peut réaliser le calcul des coefficients avec un tableur, mais tuer les analyses de variance, pour tracer des courbes d’iso-
cela nécessite de la programmation et du temps. Il est donc réponses, pour construire les surfaces de réponse et pour
préférable d’utiliser un logiciel adapté qui effectue non seulement le déterminer les zones d’intérêt.
calcul des coefficients mais aussi les calculs statistiques permettant
d’évaluer la qualité du modèle mathématique. Cet ensemble de possibilités permet d’effectuer de multiples ana-
lyses et de regarder ces données sous tous les angles. On arrive
Les logiciels de plans d’expériences sont aussi programmés pour ainsi à extraire, en peu de temps, toute l’information présente dans
calculer des réponses dans tous les domaines d’étude, pour effec- les résultats d’un plan d’expériences.

Références bibliographiques

[1] GOUPY (J.). – Plans d’expériences. Tech- [7] RECHTSCHAFFNER (R.L.). – Satured Fractions [14] ROQUEMORE (K.G.). – Hybrid Designs for
niques de l’Ingénieur. Traité Analyse et of 2 and 3 Factorial Designs. Technometrics, Quadratic Response Surfaces. Technometrics,
Caractérisation, P 230, p. 1-24, 1997. vol. 9, p. 569-575, 1967. vol. 18, n° 4, p. 419-423, 1976.
[8] BOOTH (K.H.V.) et COX (D.R.). – Some Syste- [15] MOZZO (G.). – Plan quadratique Gigogne.
[2] BOX (G.E.P), HUNTER (W.G.) et HUNTER matic Supersatured Designs. Technometrics,
(J.S.). – Statistics for Experimenters. John Revue de statistique appliquée, vol. 38 (3),
vol. 4, p. 489-496, 1962. p. 23-34, 1990.
Wiley and Sons. New York. 453 pages, 1971.
[9] POIRIER (J.). – Analyse de la variance et de la
régression. Plans d’expériences. Techniques [16] GOUPY (J.). – Plans d’expériences non
[3] PLACKETT (R.L.) et BURMAN (J.P.). – The conventionnels. Théorie et applications (ou
design of optimum multifactorial experi- de l’Ingénieur. Traité Mesures et contrôle,
R 260, p. 1-23, 1993. comment sauver un plan raté). Analusis, 23,
ments. Biometrika, n° 33, 1946. p. 152-158, 1995.
[10] YOUDEN (W.J.). – Statistical Methods for Che-
[4] PILLET (M.). – Introduction aux plans d’expé- mists. John Wiley and Sons. New York. [17] CORNELL (J.A.). – Experiment with Mixtures.
riences par la méthode Taguchi. Les Éditions 126 pages, 1951. John Wiley and Sons. New York, 1981.
d’Organisation. Paris. 224 pages, 1992. [11] GOUPY (J.). – Plans d’expériences pour sur- [18] GOUPY (J.). – Boolean Experimental Designs.
faces de réponse. Dunod. Paris. 409 pages, Analusis. 2000.
[5] GOUPY (J.). – La Méthode des plans d’expé-
1999.
riences. Dunod. Paris. 303 pages, 1996. [19] GOUPY (J.). – Plans d’expériences. Exemples
[12] DOEHLERT (D.H.). – Uniform Shell Design.
Appl. Stat. n° 19, p. 231, 1970. de logiciel. Techniques de l’Ingénieur. Traité
[6] KOSHAL (R.S.). – Application of the method of
Analyse et Caractérisation, CD P 230, p. 1-10,
maximum likehood to the improvement of [13] BOX (G.E.P.) et BEHNKEN (D.W.). – Some new
1998.
curves fitted by the method of moments. three level designs for the study of quantita-
Journal of royal statistic Soc A96, p. 303-313, tive variables. Technometrics, vol. 2, p. 455- [20] GOUPY (J.). – Plans d’expériences. Les
1933. 475, 1960. mélanges. Dunod Paris, 2000.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Mesures et Contrôle R 275 − 23

Vous aimerez peut-être aussi