Beruflich Dokumente
Kultur Dokumente
Voici un document qui m’a permis de comprendre les principes des plans d’expériences
dans mes études, j’ai fait la synthèse des quelques documents, j’espère que cela vous
profitera dans votre formation, car la science et la connaissance sont universelles et il faut la
partager…
Juan ROSAS
1.1.1. Principe
Il existe actuellement un nombre important de plans différents. Chacun, par ses propriétés,
permet de résoudre certains problèmes particuliers. On peut cependant diviser les plans
d’expériences en deux grandes catégories :
– les plans pour étudier (estimer et comparer) les effets des paramètres,
– les plans pour régler les paramètres afin d’atteindre un optimum.
L’idée essentielle qui doit mener la démarche expérimentale de l’expérimentateur est que
l’on met en oeuvre un plan d’expériences afin de répondre à une problématique bien
Plan d’expériences
précise. Il faut donc choisir ou construire le plan qui donnera les informations recherchées.
On ne pourra donc pas utiliser le même plan pour étudier efficacement les effets des
paramètres tout en cherchant un optimum. Afin d’obtenir des informations pertinentes, une
démarche méthodologique doit être suivie :
A l’issue de cette procédure, on pourra conclure sur les résultats donnés par les plans.
Cette première partie est dédiée à la présentation des plans d’expériences dont l’objectif est
d’estimer et comparer les effets des facteurs étudiés. Il existe de nombreux plans qui
permettent de réaliser une telle étude. Nous nous contenterons ici de présenter les plans
d’expériences factoriels qui sont les plus simples et les plus utilisés et qui ont donné de bons
résultats.
Nous allons dans un premier temps présenter les plans factoriels, c’est-à-dire les plans
d’expériences à 2 niveaux par facteur. Ce sont les plus utilisés car les plus simples et les
plus rapides à mettre en oeuvre. Tout d’abord, nous allons traiter les plans factoriels
complets. Avec deux niveaux et k facteurs, ceux-ci sont notés 2k. Dans un plan factoriel
complet, la totalité des expériences doit être réalisée, comme dans la méthodologie
standard. Pour un plan factoriel complet optimal à k facteurs, il va donc falloir mener 2k
expériences. Le principe consiste alors à répartir de façon optimale les essais dans le
domaine expérimental. Soit par exemple un plan factoriel complet à 2 facteurs, noté : 22. La
meilleure stratégie consiste à choisir les points de mesures aux extrémités du domaine
expérimental, ce qui accroît la précision du résultat et ne demande que 4 essais notés
Plan d’expériences
Figure 1.2 : Le niveau bas du facteur est noté par - 1 et le niveau haut par +1. Le domaine de
variation du facteur est constitué de toutes les valeurs comprises entre le niveau bas et le
niveau haut.
Plan d’expériences
Les niveaux x représentent les coordonnées d'un point expérimental et y est la valeur de la
i
Figure 1.3 : Les réponses associées aux points du domaine d'étude forment la surface de
réponse. Les quelques réponses mesurées aux points du plan d'expériences permettent de
calculer l'équation de la surface de réponses.
y = X + e (1.1)
Plan d’expériences
â
Le résultat de ce calcul est :
â = (X’X)-1 X’ y (1.2)
Formule dans laquelle la matrice 'X est la matrice transposée de X. De nombreux logiciels
exécutent ce calcul et donnent directement les valeurs des coefficients.
Deux matrices interviennent constamment dans la théorie des plans d’expériences :
La matrice d’information X’.X
La matrice de dispersion (X’.X)-1
• y est la réponse
• x représente le niveau attribué au facteur i.
i
Plan d’expériences
• e est l'écart.
k
Un plan comportant k facteurs à deux niveaux est noté 2 .
• Le k en exposant signifie qu'il y a k facteurs étudiés.
• Le 2 indique le nombre de niveaux par facteur.
On remarquera que cette notation indique également le nombre d'essais à réaliser. Ce
nombre devient rapidement très important. Pour seulement 7 facteurs, il faudrait exécuter
128 essais. Pour diminuer le nombre des essais en conservant la possibilité d'étudier tous
les facteurs, les plans factoriels fractionnaires à deux niveaux ont été introduits.
Plan d’expériences
qui commence à faire beaucoup. C'est la raison pour laquelle il existe aussi les plans
fractionnaires correspondants qui portent le nom de carrés latins.
Plan d’expériences
Bibliographie
1. Box G.E.P., Hunter W.C., Hunter J.S. (1978): Statistics for experimenters, Wiley.
2. Brereton R., Consequences of sample size, variable selection, and model validation and optimisation,
for predicting classification ability from analytical data. Trends in analytical chemistry, 2006, 25
(11)1103-1111.
3. Clément B. Ingenierie de la qualité, 2004.
4. Dodge Y., Rousson V. Analyse de régression appliquée, Dunod, 2004
5. Draper N., Smith H. Applied regression analysis, Wiley, Ed. New-York,1981
6. Gauchi J.-P. Utilisation de la régression PLS pour l’analyse des plans d’expériences en chimie de
formulation, Revue de statistique appliquée, 1995 43(1) : 65-89.
7. Geladi P., Kowalski B. Partial least-squares regression: a tutorial. Analytical Chimica Acta, 1986
185:1-17.
8. Goupy J, Les plans d’expériences, Revue MODULAD, 2006
9. Goupy J. Modélisation par les plans d’expériences. Techniques de l’ingénieur, R275
10. Haseler S. Particle size distribution measurement by automated dual wavelength turbidimetry. Part.
Charact, 1985, 2 : 14-19.
11. Kourti T. Adnormal situation detection, three way data and projection methods; robust data archiving
and modelling for industrial applications. Annual Reviews in control, 2003, 27: 131–139.
12. Kourti T. Process Analytical technology beyond real-time analyzers: The role of multivariate analysis.
Critical reviews in analytical chemistry, 2006, 36 : 257-278.
13. Lavine B., Workman J. Chemometrics. Anal. Chem 2006, 78, 4137
14. Man M., Dyson G., Johnson K., Liao B. Evaluating methods for classifying expression data. Journal
of Biopharmaceutical statistics, 2004, 14(4) 1065-1084.
15. Mestek O., Pavlik J., Suchanek M. Multivariate control charts: control charts for calibration curves. J
Anal Chem 1994, 350:344-351.
16. Poirier J. Analyse de la variance et de la régression. Plans d’expérience. Techniques de l’ingénieur,
R260.
17. Reinikainen S.-P., Höskuldsson A. Multivariate statistical analysis of a multi-step industrial process.
Analytica chimica acta 2007
18. Tenenhaus M., Gauchi J.,-P., Ménardo C. Régression PLS et applications. Revue de statistique
appliqué, 1995, 43(1) : 7-63.
19. Tenenhaus M. (1998), La régression PLS. Théorie et pratique, Editions Technip, Paris.
20. Umetri A.B. (1996), SIMCA-P+ for Windows, Graphical Software for Multivariate Process
Modeling, Umetri AB, Box 7960, S-90719 Umea, Sweden
21. Workman J., Koch M., and Veltkamp J. Process Analytical Chemistry. Anal Chem 2003, 75, 2859-
2876.