Département de Génie Industriel et la Maintenance

Management et Ingénierie de la
Maintenance Industrielle

Plans d'expérience

Réalisé par :
- ZAYA Chawki

Enseignant Responsable de la Matière : Mr Laidi


 Introduction

Le plan d'expérience en statistique pour la science des

données joue un rôle crucial dans la conception et
l'analyse des expériences. Il permet de structurer les
investigations pour tirer des conclusions fiables et
informatives. En déterminant judicieusement les facteurs
à étudier, les niveaux correspondants, et en organisant
les essais de manière méthodique, le plan d'expérience
facilite l'optimisation des processus et la prise de
décisions éclairées, renforçant ainsi la validité des
résultats obtenus dans le domaine complexe de la
science des données.
1/ Définition de la plan d'expérience :

Le plan d'expérience dans la science des données est une méthodologie

systématique visant à structurer et à organiser les expériences afin

d'obtenir des données fiables et significatives pour la prise de décisions

éclairées. Il implique la manipulation délibérée des variables d'intérêt,

appelées facteurs, à différents niveaux, afin d'observer comment ces

variations influent sur le résultat, généralement mesuré par des métriques

de performance ou des réponses. En utilisant des techniques statistiques,

le plan d'expérience permet d'optimiser les processus, de déterminer

l'impact des facteurs, et de maximiser la qualité des informations extraites

des expériences, contribuant ainsi à la robustesse et à la validité des

analyses dans le domaine de la science des données.

Notion de modélisation mathématique

2/Notion de modélisation mathématique:

On choisit a priori une fonction mathématique qui relie la réponse aux
facteurs. On prend un développement limité de la série de Taylor-Mac
Laurin. Les dérivées sont supposées constantes et le développement
prend la forme d'un polynôme de degré plus ou moins élevé

L'intérêt de modéliser la réponse par un polynôme est de pouvoir calculer

ensuite toutes les réponses du domaine d'étude sans être obligé de faire
les expériences. Ce modèle est appelé "modèle postulé" ou "modèle apriori".
4/Le modèle de l'expérimentateur :
Deux compléments doivent être apportés au modèle précédemment décrit.

Le premier complément est le "manque d'ajustement". Cette expression

traduit le fait que le modèle a priori est fort probablement différent du
modèle réel qui régit lephénomène étudié. Il y a un écart entre ces deux
modèles. Cet écart est le manque d'ajustement (lack of fit en anglais). Le
second complément est la prise en compte de la nature aléatoire de la
réponse.

En effet, si l'on mesure plusieurs fois une réponse en un même point

expérimental, on n'obtient pas exactement le même résultat. Les résultats
sont dispersés. Les dispersions ainsi constatées sont appelées erreurs
expérimentales. Ces deux écarts, manque d'ajustement et erreur
expérimentale, sont souvent réunis dans un seul écart, notée e.

5/ Notion de surface de réponse :

Les niveaux xi représentent les coordonnées d'un point expérimental et y
est la valeur de la réponse en ce point. On définit un axe orthogonal à
l'espace expérimental et on l'attribue à la réponse. La représentation
géométrique du plan d'expériences et de la réponse nécessite un espace
ayant une dimension de plus que l'espace expérimental. Un plan à deux
facteurs utilise un espace à trois dimensions pour être représenté : une
dimension pour la réponse, deux dimensions pour les facteurs. A chaque
point du domaine d'étude correspond une réponse. A l'ensemble de tous
les points du domaine d'étude correspond un ensemble de réponses qui se
localisent sur une surface appelée la surface de réponse (Figure 5). Le
nombre et de l'emplacement des points d'expériences est le problème
fondamental des plans d'expériences. On cherche à obtenir la meilleure
précision possible sur la surface de réponse tout en limitant le nombre
d’expériences.
Figure 5 : Les réponses associées aux points du domaine d'étude forment
la surface de réponse. Les quelques réponses mesurées aux points du plan
d'expériences permettent de calculer l'équation de la surface de réponses.

6/PLANS FACTORIELS COMPLETS A DEUX NIVEAUX

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

6.1/ Plan à deux facteurs :

Pour deux facteurs, le domaine d'étude est un carré (en unités codées- voir
annexe

1). Par exemple, la Figure 6 représente un plan factoriel complet à deux

facteurs. Le modèle mathématique postulé est un modèle du premier degré
par rapport à chaque facteur
7/Méthodologie des plans sans contrainte:

Le choix du nombre et de l’emplacement des points d’

expériences est le problème fondamental des plans d’
expériences. On cherche à réaliser le minimum d’expé-
riences tout en réduisant l’influence de l’erreur
expérimentale sur les modélisations mathématiques qui
serviront à prendre des décisions. On atteint ce but en
consi-dérant les propriétés mathématiques et statistiques
qui relient la réponse aux facteurs. Lorsqu’il n’y a pas de
contraintes sur le domaine d’étude, il existe des plans
classiques qui possèdent d’excellentes qualités
statistiques et qui permettent de modéliser les réponses
dans les meilleures conditions (figure 1.7). Lorsqu’ilexiste
des contraintes, il faut construire des plans sur mesure en
recherchant laposition des points expérimentaux qui
conduisent, là aussi,à de bonnes qualités statistiques et à
une bonne modélisation des réponses.

8/Méthodologie des plans avec contrainte:

La procédure de construction des plans dont le domaine est contraint est

la suivante :

1. On définit le domaine de chacun des facteurs (niveau bas et niveau haut).

2. On définit les contraintes qui pèsent sur les facteurs. Ces contraintes
sont expri-mées par des relations d’inégalité entre les facteurs et elles
définissent les zones autorisées, c’est-à-dire celles où les expériences sont
possibles, et les zones inter-dites, c’est-à-dire celles où les expériences ne
doivent pas être exécutées.
3. On définit les niveaux des facteurs les plus intéressants pour l’étude,
autres que les niveaux bas et hauts. Le plus souvent entre 2 et 5 niveaux
supplémentaires parfacteur.

4. On construit une grille en prenant en compte toutes les combinaisons

des niveaux des facteurs. Cette grille ne doit contenir que les points
expérimentaux réalistes, c’est-à-dire les points du domaine autorisé. Ces
points constituent les points candidats (figure 1.8).

9/ Les étapes pour créer un plan d'expérience :

1. **Définir l'Objectif de l'Expérience :**

- Précisez clairement ce que vous souhaitez étudier ou optimiser.

Identifiez les facteurs et les réponses clés.

2. **Sélectionner les Facteurs :**

- Identifiez les variables qui peuvent influencer les résultats de

l'expérience (facteurs indépendants). Ces facteurs peuvent être des
paramètres, des traitements, des conditions, etc.
3. **Déterminer les Niveaux des Facteurs :**

- Spécifiez les valeurs ou niveaux que chaque facteur peut prendre au

cours de l'expérience. Cela pourrait inclure différentes valeurs numériques,
catégories, ou conditions.

4. **Choisir le Type de Plan d'Expérience :**

- Sélectionnez le type de plan d'expérience en fonction de la complexité

de l'étude. Les plans factoriels complets, les plans fractionnaires, ou les
plans Taguchi sont des exemples courants.

5. **Créer la Matrice du Plan d'Expérience :**

- Construisez une matrice qui indique les combinaisons spécifiques de

niveaux de chaque facteur à tester. Assurez-vous que la matrice couvre
une gamme représentative des variations possibles.

6. **Randomisation (si nécessaire) :**

- Si la randomisation est pertinente pour votre expérience (pour réduire

les biais potentiels), assurez-vous que la séquence des essais est aléatoire.

7. **Conduire l'Expérience :**

- Exécutez les essais conformément au plan d'expérience, en collectant

soigneusement les données pour chaque combinaison de niveaux de
facteurs.

8. **Analyser les Résultats :**

- Utilisez des méthodes statistiques pour analyser les données. Cela peut
inclure des analyses de variance (ANOVA), des régressions, etc.

9. **Interpréter les Conclusions :**

- Interprétez les résultats pour comprendre l'impact des facteurs sur la

réponse mesurée. Identifiez les configurations qui conduisent à des
résultats optimaux.

10. **Optimiser ou Affiner le Plan (si nécessaire) :**

 - Selon les résultats, ajustez le plan d'expérience pour explorer davantage
les combinaisons les plus prometteuses ou pour approfondir certaines
conditions.

11. **Rapporter les Résultats :**

- Documentez clairement les résultats, les conclusions et les

recommandations dans un rapport ou une présentation.

La création d'un plan d'expérience bien structuré garantit une approche

méthodique et rigoureuse pour tirer des conclusions fiables à partir de vos
expériences en statistique dans le domaine de la science des données.

Conclusion
En conclusion, l'application du plan d'expérience en statistique dans le
domaine de la science des données offre une méthodologie robuste pour
explorer, optimiser et interpréter les interactions complexes entre
différentes variables. En structurant systématiquement les expériences, ce
processus permet de maximiser l'efficacité des analyses tout en
garantissant des conclusions fiables. Que ce soit pour l'optimisation des
modèles de machine learning, l'amélioration des processus, ou la prise de
décisions éclairées, le plan d'expérience devient une boussole essentielle,
guidant les chercheurs et les praticiens vers des solutions plus informées
et des résultats plus significatifs dans le vaste domaine de la science des
données.