METHODOLOGIE DES PLANS

DEXPERIENCES

Enseignants :
Luminita Ion
Jean-Marie Boussier
v. 01a

1
Sommaire

1. Plans dexpriences : avantages et limites pour loptimisation

dun processus /produit

2. Modle du comportement ; principes la base des PEX

3. Calcul des coefficients du modle et reprsentation graphique des effets

moyens des paramtres

4. Tables Taguchi ; choix et construction dun plan orthogonal

vis vis de son modle

5. Analyse statistique - pourquoi faire ? ? ?

6. Pratiquez-vous la fonction perte de qualit ? ? ?

7. Interprtation et validation des rsultats

8. Projets

2
 1. Plans dexpriences : avantages et limites pour loptimisation dun procd

Mthode Utilisation Intrts

Analyse de donnes Amlioration d'un Donne les cibles prioritaires pour
produit, d'un procd ... amliorer une production
M Analyse Conception de Permet d'tablir un cahier des charges prcis
E fonctionnelle produits, de procds
T Analyse de la valeur Conception de L'objectif est de
H produits, de procds satisfaire parfaitement les
O besoins du client au meilleur cot
D
Plan Dvelopp. ou Gain de temps et
E d'expriences amlioration d'un rigueur dans la
S factoriel produit, d'un procd.. dmarche
exprimentale.
Q
AMDEC Dvelopp. ou Amliore la fiabilit ds la conception
U amlioration de produits,
A procds
LI ...
T Diagramme d'Ishikawa Amlioration de produits, Recherche exhaustive des
E procds causes d'une dfaillance
Diagramme de Pareto Amlioration de produits, Aide dfinir les
procds priorits.
Contrle par Contrle qualit Evite un contrle
attribut unitaire des pices, du produit.
Carte de contrle Contrle qualit Permet de suivre la drive d'un procd et 3
d'anticiper
 DOE Design of Experiments

Plans dexpriences ou Expriences Planifies ?

Plans dexpriences mthode base sur lexprimentation qui permet, avec un

nombre rduit de tests :

-didentifier les paramtres les plus significatifs (quantitatifs ou qualitatifs) qui

affectent la rponse
-dvaluer la rponse pour des combinaisons qui nont pas t effectues
-doptimiser une rponse (extremum ou valeur nominale)
-de faire un choix de compromis entre plusieurs rponses
-de trouver une combinaison robuste (peu sensible aux bruits de fond)

-domaines dapplication
a). en marketing, RH (analyses quantitatives comportementales de consommateurs potentiels)
b). recherche (modlisation empirique des lois de comportement)
c). dveloppement (dfinition des produits et des procds et optimisation de la fiabilit)
d). fabrication et contrle (dfinition des paramtres essentiels dun procd, optimisation et
robustesse des rglages, amlioration des capabilits)
e). fabrication (rduction des taux de dfauts et de rebuts)
f). plans numriques (pour modlisation sur ordinateur)

4
TERMINOLOGIE
Y - rponse
A, B, C,.. - facteurs (ou paramtres)
- quantitatifs (numriques - valeur connue)
- qualitatifs (attributs - on, off ; avec, sans)
les valeurs dun facteur quantitatif = niveaux (ex : P (pression); niveau 1 P1 = 1bar;
niveau 2 P2 = 5 bar)
les attributs dun facteur qualitatif = modalits (ex F (Fournisseur ; F1 entreprise A ;
F2 = entreprise B)

Quand se lancer dans un plan dexpriences ?

Bote noire

- ilest impossible de prvoir exactement les rponses qui sont alatoires

- la connaissance incertaine des mcanismes ne permet que de
suspecter un certain nombre de paramtres (facteurs) susceptibles
dinfluer.
- les facteurs souponns de piloter la rponse sont nombreux (max 20).

5
Ex : T (T1 = 100 C ; T2 = 200 C );P (P1 = 1 bar; P2 = 2 bar ); exprience (E1>5 ans; E2 <5 ans)
R : nbr pices/h
Analyse de donnes Plan complet

- nombre important de mesures toutes les combinaisons sont faites :

dans le domaine pour trouver Ex : N = 2 3 combinaisons
des corrlations

Conclusions ???
- Combinaisons pour
max et min connues
- Paramtres les plus
influents
- Paramtres non-
significatifs

pour peu dinformations 6

 BIDOULLAGE !!!

Ex : T (T1 = 100 C ; T2 = 200 C );P (P1 = 1 bar; P2 = 2 bar ); exprience (E1>5 ans; E2 <5 ans)
R : nbr pices/h ; objectif : nbr max de pices/h

Le rsultat peut dpendre du chemin pris

Impossible de prvoir la fin des tests surtout si nbr de paramtres important
Impossible de savoir sil n y a pas dautres combinaisons moins chres ou plus robustes
7
Principales causes du manque defficacit de telles dmarches

NE PAS UTILISER DES VALEURS INDIVIDUELLES MAIS DES MOYENNES

8
PRENDRE EN COMPTE LES EFFETS DES INTERACTIONS

9
Many of the most useful designs
are extremely simple.

What we learn from an experiment

depend on:
where we look, how we look,
the scope of our view! Sir R.Fisher

10
 Y rponse

134

Y-rponse

45

Plan orthogonal: chaque paramtre apparat autant de fois tous les niveaux
chaque combinaison de niveaux entre 2 paramtres apparat autant de fois 11
 Ex : Un plan dexpriences orthogonal
uniformment rpt 5 fois

Nd'essai Facteurs contrls Intr, Valeurs mesures pour l'paisseur Y (en )

T H P O E V TO n1 n2 n3 n4 n5 Y moy
1 1 1 1 1 1 1 1 398 335 367 396 339 367
2 1 1 1 2 2 2 2 334 355 376 375 335 355
3 1 2 2 1 2 2 1 290 225 230 355 350 290
4 1 2 2 2 1 1 2 130 270 128 200 272 200
5 2 1 2 1 1 2 2 330 370 288 372 290 330
6 2 1 2 2 2 1 1 328 222 275 325 225 275
7 2 2 1 1 2 1 2 192 128 190 130 160 160
8 2 2 1 2 1 2 1 172 182 192 190 174 182
M 269,88

Nd'essai Facteurs contrls Intr, Valeurs mesures pour le prix (en euros)
T H P O E V TO n1 n2 n3 n4 n5 Y' moy
1 1 1 1 1 1 1 1 2225 2210 2270 2199 2150 2210,8
2 1 1 1 2 2 2 2 3100 2995 2990 3205 3050 3068
3 1 2 2 1 2 2 1 2560 2530 2490 2450 2500 2506
4 1 2 2 2 1 1 2 3300 3290 3380 3410 3368 3349,6
5 2 1 2 1 1 2 2 1800 1950 1760 1980 1730 1844
6 2 1 2 2 2 1 1 4200 4150 4000 4260 4190 4160
7 2 2 1 1 2 1 2 3560 3650 3440 3700 3620 3594
8 2 2 1 2 1 2 1 2890 2930 2710 2690 2710 2786
M' 2939,8

12
13
 Common orthogonal arrays
Array Levels Equivalent
Full Factorial
L4 3x2 8
L8 7x2 128
L9 4x3 81
L12 11 x 2 2 048
L16 15 x 2 32 768
L25 6x5 15 625
L27 13 x 3 1 594 323

Table from Tony Bendell Taguchi Methods, 1989

14
CHANGER LA SECRETAIRE !

15
Objectifs module:
- Ne pas vouloir rinventer des tables orthogonales

exemple

-Utiliser les tables de Taguchi en les adaptant notre cas et non pas en adaptant notre
cas aux tables existantes

16
 Quelles contraintes pour lapplication des PEX ?
1. tous les facteurs susceptibles davoir un effet substantiel sur les rponses doivent tre
MAITRISABLES ou dfaut MESURABLES

2. les facteurs NE DOIVENT PAS AVOIR leurs niveaux interdpendants ou lis par une
contrainte galitaire (cas des mlanges)

3. la rponse doit suivre une LOI NORMALE

4. ltude des facteurs tant conjointe, le plans incomplets NE SE PRETENT PAS une
dmarche squentielle ci celle-ci na pas t envisage lavance (sinon, application des
plans non-orthogonaux par analyse de donnes)

5. lutilisateur doit tre prt METTRE A LA POUBELLE une partie des produits obtenus lors
de la compagne dessais PEX

6. le travail EN AMONT (conception dun PEX) et EN AVAL (interprtation des rsultats

dun PEX) est essentiel

7. le SOIN des manipulations et la RIGUEUR des mesures

Pour comprendre : Quelle table ? Comment la remplir ?Quelles interactions ?

On sintresse dabord la manire de modliser les effets des paramtres

et des interactions
17
Table orthogonale choisie et tests effectus
Run Parameters Response
A B C D
1 1 1 1 1 12,3
2 1 1 2 2 15,8
3 1 2 1 2 25,4
4 1 2 2 1 33
5 2 1 1 2 3,4
6 2 1 2 1 15,1
7 2 2 1 1 46,5
8 2 2 2 2 5,4

Comment faire avec les autres tests non-effectus ????

Tests effectus

Rsultats issus dun

modle

18
 2. Modle du comportement ; principes la base des PEX

MODELE :
- le but est dtablir dans un domaine dintrt D des lois de comportement F du type :
Y = F(A,B,C,...,)
o Y - la grandeur optimiser
F - loi de comportement
A, B, C,...- variables explicatives
- variables alatoires ( bruits de fond qui engendrent une variabilit naturelle sur Y )

1re hypothse
nous supposerons que la relation Y = F(A,B,C,...,) est dcomposable additivement

Y = G(A,B,C,...)+ H()

G - part dterministe de F (sera modlise algbriquement)

H - part alatoire de H (sera suppose suivre une loi de probabilit donne)

2me hypothse

la part dterministe G(A,B,C,...) = Y* fera lobjet dune modlisation linaire

19
 Ex : la loi U = RI scrit U = Const + aR + bI + cRI

Effets (poids) des paramtres

et interactions dterminer

Secret de rduction du nombre des tests : Effet moyen dun paramtre

20
 leffet moyen dun facteur aux niveaux A1, A2, A3 =
cart par rapport la moyenne

ai = Yi - M

Intrt ???

21
22
23
24
 Interactions

Exemple
Run Parameters Response
A B Y
1 1 1 130
2 1 2 30
3 2 1 50
4 2 2 70

25
26
27
 Modle : criture concentre

a1b1 a1b2
Y = M + (a1 a2)A + (b1 b2)B + . . . + AB + . . .
a2b1 a2b2

Calcul des interactions

a1b1 a1b2
Y = M + (a1 a2)A + (b1 b2)B + AB
a2b1 a2b2

ai bj = Ymoy (Ai , Bj ) - M - ai - bj
28
29
30
31
Synthse des calculs effectuer pour le modle

32
 Tables Taguchi ; choix et construction dun plan
orthogonal vis vis de son modle
1) choix des paramtres, des niveaux, des rponses et dun modle

CEST LE MODELE QUE LON PROPOSE DABORD , EN CHERCHANT

ENSUITE DANS DES TABLES QUI VONT AVEC ET NON PAS LINVERSE

Stratgies

33
Choix des interactions

34
 2) dnombrement des coefficients indpendants

a 1b 1 ; a 1b 2
AB
Y = M + [a1 ; a2] A +... a 2b 1 ; a 2b 2

exemple 2;2
Y = 15 + [3 ; -3] A +... AB
2;2

- tant que les rsultats dune exprimentation ne sont pas connus, lcriture dtaille du
modle ne prsente pas dintrt
- une symbolisation est pourtant ncessaire afin de se construire le plan dexpriences
Y - rponse
A, B,...- facteurs
AB, ...- interactions dordre 2
() - nombre de niveaux choisis pour un facteur

examples

Modle complet dordre 2 : Y = M + A + B + C + AB + AC + BC

(2) (2) (3)

Modle incomplet dordre 2 : Y = M + A + B + C + AB + AC (avec interactions)

(3) (4) (2)

35
Pour simplifier les calculs - on remarque :
1) le terme M doit tre calculer - on lui attribue un coefficient indpendant
2) pour un facteur : la somme des effets MOYENS (carts par rapport la moyenne)
dun facteur n niveaux est toujours Nulle
si A possde nA niveaux, il suffit de connatre nA -1 coefficients
3) pour une interaction : la somme de chaque ligne est Nulle
la somme de chaque colonne est Nulle
si A possde nA niveaux et B nB niveaux, il suffit de connatre (nA-1)(nB-1)
coefficients

Exemples :

36
 Attention :

Proprit remarquable des PEX : orthogonalit dun plan vis vis

de son modle

A. PLAN COMPLET : plan dans lequel toutes les combinaisons possibles de

niveaux des facteurs sont prsentes

Vrification de lorthogonalit dun plan complet uniformment rpt :

- pour chaque couple dactions disjointes du modle, tous les couples de niveaux
sont prsents un mme nombre de fois.
Action - un facteur ou une interaction
Actions disjointes - les actions qui ne comportent pas de facteurs communs

ex : Y = M + A + B + C + AB + AC + BC

liste des couples dactions disjointes : A, B ; A, C ; B, C ; A, BC ; B, AC ; C, AB

37
Exemple :

38
B. PLAN INCOMPLET (FACTORIEL)
PLAN INCOMPLET = une partie dun plan complet o TOUS LES NIVEAUX DES PARAMETRES
SONT PRESENTS mais TOUTES LES COMBINAISONS POSSIBLES NE SONT PAS PRESENTES

Exemple : plan complet

Modle :

Exemple : plan incomplet

Modle :

39
 3) taille et construction dune table

La taille N dune table choisir (nombre dessais ou nombre de lignes) :

LN (..)..

N = k PPCM

avec k - nombre entier

PPCM - le plus petit multiple commun des produits de niveaux
des facteurs qui compose chaque couple dactions disjointes

N
p

efficacit dun plan : Eff = p/N avec N - nombre de combinaisons distinctes

Important : en pratique on essaye de choisir la table la plus petite pour rduire le nombre
dessais et accrotre lefficacit des plans

40
exemples

41
42
Modle avec interactions

43
44
45
46
 7
Table L (2)
8

47
 7
Table L (2)
8

48
49
50
Analyse de la variance (ANAVAR) Facultatif

ANAVAR - technique statistique dinterprtation des coefficients relatifs

chaque action du modle : elle permet de distinguer parmi ceux-ci un effet rel
non-nul de chacune des actions, compte tenu du biais occasionn par les
bruits de fond de la variabilit naturelle de la rponse

Conditions dexcution de lANAVAR

1) plusieurs essais par combinaison ont t effectus (combinaisons
uniformment rptes).
- cela peut confrer 1 caractre statistique lanalyse

2) la variabilit naturelle de la rponse est assimilable une variabilit normale

(type GAUSS)
 ex : un exprimentateur (probablement TROP dbutant) sintresse la dure de
vie du pneumatique et il sinterroge sur les effets de la couleur de ses chaussures
(paramtre A) et de ses cravates (paramtre B)

Niveaux : jaune et bleu pour A

rouge et noir pour B

modle choisi : Y = M + A + B
PEX : plan complet

modle calcul pour la part dterministe du modle :

Y = 31.75 + [6.75 ; -6.75] A + [-3.25 ; 3.25 ] B

COMPARES A LA VALEUR MOYENNE (M), LES EFFETS MOYENS DE CES

PARAMETRES SEMBLENT SIGNIFICATIFS (car plus de 10% de contribution)

52
Explication :

lexprimentateur nglige lexistence dans son environnement de la VARIABILITE

NATURELLE DE LA REPONSE Y

modle rel : Y = 31.75 + [6.75 ; -6.75][A] + [-3.25 ; 3.25 ][B] +

avec - part alatoire du modle

les coefficients relatifs aux facteurs A et B peuvent tre une manifestation

indsirable de cette variabilit

puisquEN TOUTE LOGIQUE ET PAR BON SENS, les effets rels de ces deux
paramtres ne peuvent tre que nuls ! ! !

Problme :

comment fait-on pour interprter de tels rsultats dans des situations ou le

bon sens ne peut plus nous aider ?

53
 EX: RLC

Effets des paramtres Effets des interactions

0,800 0,500
r1
0,400
0,600 u1r3
u3 0,300
0,400 u3r1
0,200

0,200
0,100 r1l1
u2r1
u2r2 f1r2 r2l1 r3l2r3l3
l1 f2r3 f3r3
0,000 f1 f2 c1 c2 c3 l2 0,000 f1r1 f2r1 f3r1 r2l2r2l3
u2 u1r2 u3r2 f2r2 f3r2 r1l2r1l3
f3 l3 -0,100 f1r3
-0,200
r2 u2r3 r3l1
-0,200
u3r3
-0,400
-0,300
u1 r3
u1r1
-0,600 -0,400

Comment comparer des matrices lignes entre elles ???

Comment
Besoin duncomparer des matrices
indicateur unique dcrivant lignes avecdune
leffet global des action
matrice!!! n*n ??? 54
 (voir le polycopi
Analyse de la Variance = ANAVAR pour le dtail des dmonstrations)

55
 Analyse de la robustesse
La vraie contribution de Taguchi
Lors de lanalyse de vos rsultats avec rptitions vous vous tes aperu que la
dispersion (lcart-type) des points peut-tre trs diffrente DUN ESSAI A LAUTRE (parfois 10
fois). Certains combinaisons de niveaux sont donc susceptibles dagir sur la stabilit des
rsultats ( par leffet proprement-dit sur la rponse).

il est donc ncessaire de prendre en compte ces dispersions dans le choix final des
paramtres (par exemple, dans le cas dun paramtre peu influent, on choisira le niveau pour
lequel le procd semble plus stable).

Philosophie TAGUCHI sur la perte de qualit

- la fonction perte de qualit permet de quantifier, en terme de perte financire,
les consquences pour le fabricant et pour ses clients.

- nouveau concept : LA VERITABLE DEMARCHE DOPTIMISATION NE CONSISTE

PAS A FIXER DES LIMITES BON OU PAS BON , MAIS A REDUIRE LES ECARTS PAR
RAPPORT AUX VALEURS CIBLES.

56
Philosophons un peu sur la philosophie Taguchi
Que pensez vous dun joueur de golf qui, sur 10 coups, envoie la balle une distance de 120
m ? Pas grande chose, car on ne connais pas la dispersion de ces coups (une fois 100 m et
une autre fois 140 - ce nest pas un joueur rgulier !).
Mais que pensez vous dun cart-type de 1 ? Il est probable que vous nen pensez rien car
vous ne savez pas quoi cet cart se rapporte, ni dans quelle unit est exprim. Si on vous
prcise quil sagit dun cart-type correspondant une srie de mesures dont la moyenne est
3, il vous semblera important. De mme il est ngligeable si la moyenne tait de 1000.

Le rapport SIGNAL/BRUIT (S/N) est un bon

indicateur de performance car il va permettre de
prendre en compte la fois lcart-type et la
moyenne (sans se soucier de lunit de mesure).
Cest a le coup de gnie de Taguchi ! ! !
57
Manire simplifie daborder la robustesse : voir notre exemple

Manire rigoureuse daborder la robustesse : voir exemple ci-dessous

58
Exemple : enqute prfrences dclares pour le choix des vlos
La Rochelle

External conditions
Information

yes

yes
no

no
L4(2)3 (J)

good good

good
Road safety

bad

bad
(I)

good
L8(2)7 Accessibility

bad

bad
Input variables
Input array (H)
Weather Risk of
Travel
Distance Conditions Timing
Scenario Score 1 2 3 4
(Run n) (A) incidents (B) (C) Conditions (D) (G)
to travel (D)
1 favourable low short with parcel in hurry 2.8 2.1 2.2 1.9
: . . . . . . . . .
6 not favourable low great without parcel in hurry 1.6 1.4 1.2 1.3
: . . . . . . . . .

-analyser les prfrences selon le degr de robustesse de la solution

59
Etude de cas:presse pastiller

Domaines de variation
des facteurs
(paramtres)

60
 7
Table L (2)
8

61
62