Chapitre I : Introduction aux Plans Factoriels

1.1 Introduction à la méthodologie expérimentale

La méthode de plans d’expériences

Les ingénieurs effectuent des expériences qui font naturellement partie de leur travail. Les
techniques expérimentales fondées sur des méthodes statistiques sont particulièrement utiles
dans le domaine d’ingénierie pour améliorer les performances des processus de production et
des procédés de fabrication. Les études expérimentales s’appliquent aussi fréquemment dans
le développement de nouveaux processus. La plupart des processus peuvent être décrites en
termes de plusieurs variables contrôlables, telles que la température, la pression, et la vitesse
d’avance. En utilisant la méthode de plans d’expériences, les ingénieurs peuvent déterminer
quels sous-ensembles des variables du processus ont le maximum d’effet sur les performances
du processus. Les résultats d’une telle étude expérimentale peuvent conduire à

‐ Une amélioration du rendement du processus ;

‐ Une variabilité réduite du processus et une meilleure conformité à la valeur nominale
ou ciblée ;
‐ Un temps de développement et de conception du processus réduit ;
‐ Un coût de fonctionnement réduit.

La méthode de plan d’expérience est aussi utile dans les activités de conception dans laquelle
des produits nouveaux sont développés ou des produits existants sont améliorés. Des
exemples typiques de l’application du plan d’expérience dans ce domaine comprennent :

1. L’évaluation et la comparaison entre plusieurs configurations de base d’une

conception
2. La comparaison entre plusieurs choix de matériaux
3. Le choix des paramètres de conception permettant au produit de fonctionner dans
différentes conditions opératoires (ou de manière que la conception soit robuste)
4. Détermination des paramètres clés de conception qui affectent les performances du
produit.

1
L’utilisation du plan d’expérience au cours du processus de conception peut donner des
produits qui sont plus facile à fabriquer, qui ont des meilleures performances et plus de
fiabilité que ceux des concurrents, et qui peuvent être conçus, développés et produits en moins
du temps.

Application séquentielle de plans d’expériences

Les plans d’expérience sont généralement utilisés d’une manière séquentielle, ainsi,
l’utilisation du terme expérimentation séquentielle. Une première étape d’expérimentation
avec un système complexe (par exemple, un procédé de fabrication) qui a plusieurs variables
contrôlables est souvent un plan de criblage conçu pour déterminer les variables les plus
importantes. Les plans suivants sont ensuite utilisés pour affiner les résultats et déterminer
quels ajustements de ces variables critiques sont nécessaires pour améliorer le processus.
Finalement, les objectifs de l’expérimentateur est souvent l’optimisation ; c’est-à-dire,
déterminer quels sont les niveaux des variables critiques qui permettent d’aboutir aux
meilleures performances. Il s’agit du principe « gardons le petit et séquentiel ». Lorsque des
petites étapes sont complétées, les connaissances acquises permettent de mieux planifier les
étapes suivantes.

Chaque plan d’expérience comprend une séquence d’activités :

1. Problème posé : les hypothèses initiales qui ont motivé l’étude expérimentale sont
définies ;
2. Les essais : les tests sont effectués pour étudier le problème posé ;
3. L’analyse : l’analyse statistique des données obtenues à partir de l’expérimentation ;
4. Conclusion : Ce qu’on a appris concernant le problème initial à partir des essais va
permettre de revoir le problème posé, faire de nouveaux essais, et ainsi de suite.

Importance de l’analyse statistique

Les méthodes statistiques sont essentielles pour effectuer une étude expérimentale crédible.
Tous les essais sont des essais planifiés ; certains sont mal planifiés, et par conséquent, des
ressources de grandes valeurs sont utilisées de manière non efficace. Les études
expérimentales fondées sur des bases statistiques donnent plus d’efficacité et une réduction du
coût du processus expérimental. En plus, l’utilisation des méthodes statistiques d’analyse des
données donne une objectivité scientifique lorsqu’on tire des conclusions.

2
Le plan factoriel

Dans ce cours, on traite particulièrement les plans d’expériences qui comprennent deux ou
plus de facteurs que l’expérimentateur considère importants. Le plan factoriel sera introduit
comme une technique puissante pour ce type de problèmes. Généralement, dans un plan
factoriel, les essais sont effectués pour toutes les combinaisons des niveaux des facteurs. Par
exemple, si un ingénieur en génie chimique est intéressé à étudier les effets de la durée de la
réaction et de la température de réaction sur le rendement du processus. Si les deux niveaux
de la durée (1 et 1.5 h) et les deux niveaux de la température (50 et 75° C) sont considérés
importants, un plan factoriel sera composé d’essais à chacune de quatre combinaisons de ces
niveaux de durée de réaction et de température ; soit quatre combinaisons.

Plusieurs méthodes statistiques seront appliquées aux plans factoriels traités dans ce cours. On
utilisera aussi plusieurs méthodes graphiques qui sont utiles pour l’analyse des données
obtenues à partir des essais effectués dans le cadre du plan factoriel

1.2 Terminologies des plans d’expériences

Dans une étude expérimentale, on s’intéresse souvent à un phénomène caractérisé par une
grandeur particulière ; par exemple, une résistance mécanique, une dureté, une rugosité, etc.
Cette grandeur dépend de plusieurs variables. On appelle cette grandeur la réponse et on
appelle les variables les facteurs. La relation entre la réponse et les variables s’écrit sous la
forme suivante :

y  y ( x1 , x2 , x3 ,)

Un facteur peut être

 Continu : par exemple, une pression, une température, une dimension ; etc. Le facteur
est alors caractérisé par des nombres continus ;
 Discret : le facteur prend des valeurs discrètes ; par exemple, une couleur, un nombre
entier d’objets, la présence ou l’absence d’un défaut ;
 Ordonnable : qu’on peut le mettre dans un ordre : petit, moyen, grand ; bas, haut ;
 Booléens : le facteur prend deux valeurs : ouvert, fermé ; marche, arrêt.

Facteurs contrôlables et facteurs non contrôlables

Les facteurs peuvent être subdivisés en facteurs contrôlables que l’expérimentateur peut varier
et des facteurs non contrôlables que l’expérimentateur ne peut pas contrôler ou qu’il est

3
difficile de contrôler. Par exemple, on peut contrôler la densité de fibres dans une éprouvette
en matériaux composites mais on ne peut pas garantir qu’il n’y a pas eu de variabilité dans le
mode d’élaboration d’une éprouvette à une autre ou des matériaux de la matrice et des fibres.

On utilise des techniques telles que le blocking pour réduire les effets des facteurs
incontrôlables.

Randomisation

En général, on doit faire les expériences définies par un plan d’expériences dans un ordre
aléatoire. Dans le cas où il y a des contraintes de coût ou de temps, on doit utiliser des
méthodes spécifiques pour réduire l’effet des facteurs incontrôlables.

Répliques

Les répliques sont des essais effectués avec les mêmes niveaux des facteurs et sont soumises
aux mêmes sources de variabilité. On utilise peu de répliques dans un plan de criblage. On
utilise plusieurs répliques pour créer un modèle de prévision pour augmenter la précision du
modèle ou pour estimer l’erreur sur les paramètres du modèle. Il faut noter le coût associé à la
réalisation des répliques.

Répétitions

Les mesures de répétition sont prises en gardant les niveaux de facteurs et en répétant les
mesures successivement.

Blocking

Le blocking est une technique utilisée pour réduire les effets des facteurs non contrôlés. Les
essais effectués dans les mêmes conditions forment alors un bloc. Par exemple, les essais
effectués dans deux journées différentes ou réalisés par deux opérateurs différents sont divisés
en deux blocs.

Plan de criblage

Dans le cas où on vise l’identification des facteurs qui ont le plus d’impact sur les réponses
parmi un nombre assez élevé de facteurs, on utilise des plans de criblage. Ce type de plan
permet d’identifier les facteurs les plus importants en effectuant le minimum d’expériences.
Les plans fractionnaires et les plans de Plackett-Burman sont utilisés pour le criblage.

4
1.3 Variables codées

Niveaux d’un facteur

Pour les facteurs continus, on définit pour chaque facteur la valeur minimale qu’on l’appelle
niveau bas et la valeur maximale qu’on l’appelle niveau haut.

On désigne le niveau bas par -1 et le niveau haut par +1. D’autres désignations sont aussi
utilisées ; par exemple, - et + .

Le plus souvent les plans d’expériences utilisent deux niveaux ; mais des plans à trois ou plus
de niveaux sont aussi utilisés.

Certains plans utilisent un point central qui correspond à un point dans lequel les facteurs
(continus) prennent des valeurs intermédiaires entre -1 et +1. On note ce niveau parfois par
niveau 0.

La partie de l’espace expérimental limitée par les niveaux bas et niveaux hauts des facteurs est
appelée domaine d’étude ou espace expérimental.

Relation entre les variables d’origine et les variables codées

Les variables qui varient entre -1 et +1 sont appelées variables centrées et réduite ou variable
codées.

Soit une variable A (d’origine) qui varie entre A-1 et A+1 . On définit le pas

A1  A1
Pas 
2

et la valeur centrale
A1  A1
A0 
2

La valeur codée correspondante est alors

A  A0
Ac 
Pas

Noter que A1  A0  Pas et A1  A0  Pas

On peut aussi calculer la variable d’origine en fonction des variables codées

A  Pas  Ac  A0

5
1.4 Plans factoriels

Lorsque plusieurs facteurs sont considérés dans une étude expérimentale, un plan factoriel
doit être utilisé. Dans ce type de plans, tous les facteurs sont variés simultanément.

Un plan factoriel signifie qu’à chaque réplique complète de l’expérience, toutes les
combinaisons de niveaux des facteurs sont étudiées.

Donc, s’il y a deux facteurs A et B avec a niveaux pour le facteur A et b niveaux pour le
facteur B, chaque relique d’essais comprend toutes le ab combinaisons d’essais.

Effets principaux

L’effet d’un facteur est défini comme la variation de la réponse produite par la variation du
niveau du facteur. Il s’appelle l’effet principal car il fait référence aux facteurs primaires de
l’étude. Par exemple, considérons les données du tableau ci-dessous. Ceci est un plan factoriel
comprenant deux facteurs, A et B, chacun à deux niveaux ( Abas , Ahaut et Bbas , Bhaut ). L’effet
principal du facteur A est la différence entre la moyenne des réponses au niveau haut de A et
la moyenne des réponses au niveau bas de A, ou

30  40 10  20
A   20
2 2

C’est-à-dire, faire varier le facteur A du niveau bas au niveau haut produit une augmentation
moyenne de la réponse de 20 unités. De la même manière, l’effet principal de B est

20  40 10  30
B   10
2 2
Notion d’interaction

Dans certaines expériences, la différence de la réponse entre les niveaux d’un facteur n’est pas
le même pour tous les niveaux des autres facteurs. Lorsque ceci se présente, il existe une
interaction entre les facteurs. Par exemple, considérons les données du tableau ci-dessous.

6
Au niveau bas du facteur B, l’effet de A est
A  30  10  20

Par contre, au niveau haut du facteur B, l’effet de A est

A  0  20  20

Comme l’effet de A dépend du niveau choisi du facteur B, il y a une interaction entre les
facteurs A et B.

Lorsqu’une interaction est importante, les effets principaux des facteurs correspondants ont
peu de signification pratique. Par exemple, si on utilise les données du tableau 2, on trouve
que l’effet principal de A est
30  0 10  20
A  0
2 2

et on sera tenté de conclure que le facteur A n’a pas d’effet. Cependant, lorsqu’on examine les
effets de A à différents niveaux du facteur B, on observe que ceci n’est pas le cas. L’effet du
facteur A dépend des niveaux du facteur B. Donc, la connaissance de l’interaction AB est plus
utile que la connaissance des effets principaux. Une interaction importante peut masquer
l’importance des effets principaux. Par conséquent, lorsqu’une interaction existe, les effets
principaux des facteurs associés à l’interaction pourraient ne pas avoir une signification.

Il est facile d’estimer l’effet de l’interaction dans des plans factoriels tels que ceux des deux
tableaux ci-dessus. Dans ce type de plan, lorsque les deux facteurs ont deux niveaux,
l’interaction AB est la différence des moyennes des diagonales. Ceci représente la moitié de la
différence entre les effets du facteur A aux deux niveaux de B. Par exemple, pour le tableau 1,
on trouve que l’effet de l’interaction AB est
20  30 10  40
AB   0
2 2
Donc, il n’y a pas d’interaction entre A et B. Pour le tableau 2, l’effet de l’interaction AB est
20  30 10  0
AB    20
2 2
Comme on a déjà noté, l’effet de l’interaction pour ces données est important.

7
Le concept d’interaction peut être illustré graphiquement de différentes manières. La figure
ci-dessous à gauche est un tracé des données du tableau 1 en fonction des niveaux de A pour
les deux niveaux de B. Noter que les segments de droites à Bbas et Bhaut sont
approximativement parallèles, indiquant que les facteurs A et B n’interagit pas d’une manière
significative. La figure de droite présente un tracé similaire des données du tableau 2. Dans ce
graphe, les segments de droites à Bbas et Bhaut ne sont pas parallèles, indiquant l’existence

d’une interaction entre les facteurs A et B.

Des tels graphes sont appelés graphes d’interaction entre deux facteurs. Ils sont souvent utiles
pour présenter les résultats d’essais, et plusieurs logiciels utilisés pour l’analyse des données
expérimentales construisent ce genre de graphe automatiquement.

Les deux figures ci-dessous présentent une autre illustration graphique des données des
tableaux ci-dessus. La première figure, à gauche, présente le tracé d’une surface tri-
dimensionnelle des données du premier tableau ci-dessus (cas sans interaction), où les niveaux
bas et hauts sont fixés aux valeurs -1 et 1, respectivement, pour les deux facteurs A et B. Les
équations pour ces surfaces seront présentées plus loin. Ces données ne présentent aucune
interaction, et le tracé de surface est un plan situé au-dessus du plan A-B. La pente du plan
dans les directions de A et B est proportionnelle aux effets principaux des facteurs A et B,
respectivement. La figure, à droite, est un tracé de surface pour les données du deuxième
tableau ci-dessus (le cas avec interaction). Noter que l’effet de l’interaction dans ces données
est de tordre le plan de manière que la fonction réponse présente une courbure. Il faut
remarquer que les plans factoriels sont le seul moyen permettant de trouver les interactions
entre les variables.

8
Limites de la méthode de variation d’un seul facteur à la fois

Une alternative à la méthode de plan factoriel qui est (malheureusement) utilisée dans certains
cas consiste à varier un seul facteur à la fois plutôt que de varier tous les facteurs
simultanément. Pour illustrer cette procédure de variation d’un seul facteur à la fois,
supposons qu’on est intéressé à trouver les valeurs de la température et de la durée de la
réaction qui maximise le rendement d’un procédé chimique. Supposons qu’on fixe la
température à 155° F (le niveau actuel du fonctionnement) et on effectue cinq essais à
différents niveaux (valeurs) de la durée de réaction ; pour les cinq valeurs choisies : 0.5, 1.0,
1.5, 2.0, 2.5 heures. Les résultats de cette série d’essais sont présentés dans la figure ci-
dessous, la figure à gauche. Cette figure montre que le rendement maximal est atteint à une
durée de réaction approximativement de 1.7 heures. Pour optimiser la température, l’ingénieur
fixe ensuite la durée de la réaction à 1.7 heures (l’optimum apparent) et effectue cinq essais à
différentes températures, cinq valeurs sont choisies : 140, 150, 160, 170 et 180° F. Les
résultats de cet ensemble d’essais sont présentés sur le graphe de la figure ci-dessous au
milieu. Le maximum est obtenu à environs 155° F. Donc, on pourrait conclure que faire
fonctionner le processus à 155° F et 1.7 heures permet d’obtenir les meilleures conditions de
fonctionnement produisant un rendement d’environ 75 %.

9
La figure de droite montre les résultats des essais, effectués en variant un seul facteur à la fois,
superposés avec un tracé des contours du rendement en fonction de la température et de la
durée. Il est visible que cette approche de variation d’un seul facteur à la fois a échoué d’une
manière dramatique, car, le vrai optimum est au moins 20 points de rendement de plus et se
produit à des durées de réaction beaucoup plus faibles et des températures plus élevées.
L’échec de découvrir l’importance d’une durée plus faible est particulièrement important car
ceci pourrait avoir un impact important sur le volume ou la capacité de production, la
planification de la production, le coût de production et la productivité totale.

L’approche d’un seul facteur à la fois a échoué ici car cette approche ne peut pas détecter
l’interaction entre la température et la durée. Les plans factoriels sont le seul moyen pour
détecter ces interactions. En plus, la méthode d’un seul facteur à la fois n’est pas efficace. Elle
nécessite plus d’essais que le plan factoriel, et comme on a vu il n’y a aucune garantie qu’elle
va produire les résultats recherchés.

1.5 Etapes d’une étude expérimentale

Une étude expérimentale nécessite les étapes suivantes qui sont décrites de manière détaillée
ci-dessous.
‐ Définition des objectifs de l’étude expérimentale
‐ Choix de la réponse ou des réponses
‐ Choix des facteurs et leurs niveaux
‐ Choix du plan d’expériences
‐ Réalisation des essais
‐ Conclusion de l’étude et recommandations.

Définition des objectifs de l’étude expérimentale

Si le système ou le procédé n’est pas ou peu connu, on peut commencer par une étude de
criblage (ou de caractérisation) permettant d’identifier les facteurs les plus influents sur la
réponse. Dans ce cas, le nombre de facteurs est en général important. Des plans fractionnaires
ou d’autres types de plans nécessitant un nombre d’essais réduit sont utilisés. Si le système est
mieux maitriser, l’objectif pourrait être l’optimisation du processus. D’autres objectifs
peuvent être aussi visés tels que (i) la confirmation : est ce que le système fonctionne de la
même manière actuellement qu’au passé ? (ii) la découverte : que se passe t-il si on utilise un
nouveau matériau, ou d’autres conditions opératoires en adaptant d’autres valeurs des

10
facteurs ? (iii) la stabilité ou la robustesse : pour quelle combinaison de facteurs obtient on
une variabilité plus faible de la réponse ou des réponses.

Il est en général préférable d’effectuer l’étude expérimentale en petites étapes au lieu

d’effectuer une seule étude importante mobilisant des ressources importantes. C’est
l’approche séquentielle. On peut commencer par exemple par une étude de criblage avec un
plan fractionnaire pour identifier les facteurs qui ont le plus d’influence sur la réponse. On
peut ensuite rajouter d’autres essais, en complétant le plan fractionnaire, et ajouter d’autres
répliques pour obtenir des estimations plus précises des effets, des interactions, et du modèle
d’interpolation. La dernière étape peut être l’optimisation qui nécessite, en général, des essais
supplémentaires.

Choix de la réponse ou des réponses

La réponse est, en général, la moyenne des mesures ou l’écart type des mesures d’une ou de
plusieurs caractéristiques d’un système. Par exemple, une surface peut être caractérisée par sa
dureté ou sa rugosité ou les deux. L’utilisation de plusieurs réponses est une pratique courante
dans les études expérimentales. Lors du choix des réponses, il faut aussi étudier et definir la
méthode à utiliser pour mesurer ces réponses.

Choix des facteurs et leurs niveaux

Des réunions de brainstorming avec la participation des différentes parties concernées par un
système doivent aboutir à une liste exhaustive des facteurs qui ont une influence sur la
réponse ou les réponses. Un diagramme cause-effet, ou diagramme d’Ishikawa, est utile pour
recenser ces facteurs et les classer en différentes catégories. Les facteurs contrôlables sont
ensuite identifiés. Pour chaque facteur contrôlable, on définit les niveaux bas et haut et le
nombre de niveaux. Le plus souvent, un plan d’expériences utilise deux niveaux. Un point au
centre peut être ajouté pour tester la concavité d’un plan d’expérience ou pour être utilisé pour
estimer l’erreur de mesure. On choisit ensuite une stratégie pour réduire l’effet des facteurs
incontrôlables sur la réponse tels que le blocking et la randomisation.

Choix du plan d’expériences

A cette étape, il faut choisir le type de plan, l’ordre d’essais, le nombre de répliques,
l’utilisation ou non de blocking et de la randomisation. Le choix du type de plan dépend
essentiellement du nombre de facteurs et de l’objectif de l’étude. Un plan factoriel complet est
utilisé lorsque le nombre de facteur est réduit. Un plan factoriel fractionnaire ou d’autres types

11
de plans à nombre d’essais réduits sont utilisés si le nombre de facteurs est important. Un plan
de surfaces de réponses est nécessaire si l’objectif de l’étude est de trouver un optimum.

Réalisation des essais

Les essais doivent être effectués avec soins selon l’ordre définit dans le plan d’expériences,
qui est en général aléatoire, et le nombre de répliques choisis. Il faut aussi réaliser les essais
par tranches si la technique de blocking est utilisée.

Analyse des données

A cette étape, les effets et les interactions sont calculés et un modèle mathématique qui
exprime la réponse en fonction des facteurs est déterminé. Une analyse statistique permet
d’estimer les erreurs sur les effets et les interactions et en conséquence sur les coefficients du
modèle mathématique.

Conclusion de l’étude et recommandations

Une fois les expériences sont effectuées, des résultats pratiques doivent être obtenus. Les
outils graphiques sont utiles pour présenter les résultats. D’autres essais peuvent être proposés
pour confirmer les résultats de l’étude et ajouter d’autres étapes de l’étude expérimentale dans
le cadre d’une stratégie d’expérimentation séquentielle.

12