Chapitre 6: LES PLANS D’EXPÉRIENCES ET LES GRAPHES DE TAGUCHI

3.1 Introduction

La maîtrise de la qualité passe par la connaissance des facteurs influents. Les grandes
questions auxquelles répondent les plans d’expériences sont les suivantes :

— quels sont les facteurs qui ont un rôle majeur ?

— quels sont ceux qui n’ont aucune influence sur la réponse étudiée ?
— quelle est la valeur de cette influence (modélisation et quantification) ?
— les interactions entre facteurs sont-elles significatives ?
— peut-on modéliser les facteurs principaux et leurs interactions ?

Champ d’application

La méthode s’applique à la conception et optimisation des procédés et des produits et au

choix des solutions optimales.

Acteurs
Il s’agit des membres du groupe de progrès MEPLEX
(Méthodologie de la planification expérimentale) mis en place pour l’optimisation d’un produit
ou d’un procédé.
3.2Mode opératoire

La mise en œuvre et la pratique des plans d’expérience permet de répondre à ces questions tout
en minimisant le nombre d’expériences donc le coût. La méthode se déroule en huit étapes :

— étape 1 – définition du problème et de ses objectifs ;

— étape 2 – recherche des causes;
— étape 3 – recherche des réponses et des facteurs (variables qualitatives et quantitatives, …),
définition des niveaux pour les facteurs…

— étape 4 – choix du plan le mieux adapté au problème (plan factoriel complet, plan composite
centré, plan de mélange, plan fractionnaire de Taguchi, plan produit…) ;

— étape 5 – exécution du plan en respectant scrupuleusement

l’ordre et le niveau des facteurs ;

— étape 6 – analyse des résultats (modélisation, régression linéaire multiple, test de Student
pour la signification des coefficients, test de Fisher pour la signification du modèle
associé au plan, effet des interactions significatives…) ;

— étape 7 – expériences complémentaires si nécessaire ;

— étape 8 – bilan et conclusion (optimisation…)

3.2 Plans factoriels complets 𝟐𝒌 à deux niveaux

k est le nombre de facteurs que l’on fait varier au cours de l’expérimentation et 2 est le nombre
de modalités (– 1 ou 1).

Le nombre d’expérience pour 2, 3, 4 et 5 facteurs est respectivement de 4, 8, 16 et 32

expériences.

Les facteurs sont codés, c’est-à-dire qu’ils varient entre un niveau bas (– 1) et un niveau haut
(+1). 0 correspondant à la moyenne du facteur réel.

3.2.1 Plans complets à deux facteurs

Nous allons d’abord décrire le cas simple du plan 𝟐𝟐 .

— le 2 en exposant signifie qu’il y a deux facteurs étudiés ;

— l’autre 2 signifie que chaque facteur prend deux niveaux.

(1)
La figure 8.1 illustre les expériences à réaliser et le domaine d’étude.

Figure 8.1 – Meilleur emplacement des points expérimentaux

La matrice d’expériences est constituée de deux sous-tableaux : le premier définit les essais
à réaliser et le second le domaine d’étude (tableau 1). Le premier sous-tableau comprend
trois colonnes ; la première identifie les essais : ici, 1, 2, 3 et 4 ; la seconde et la troisième
indiquent les coordonnées des points représentatifs des expériences prévues.
a) Effet d’un facteur

L’expérimentateur ayant réalisé les essais est en possession de quatre valeurs de la réponse :
y1, y2, y3 et y4. Il a donc un système de quatre équations à quatre inconnues. Les inconnues
étant les coefficients du modèle : a0, a1, a2 et a12. En remplaçant dans la relation (3)
les x par leur valeur, on obtient :

La résolution de ce système donne :

(2)

(3)

(4)

(5)
 Signification de a0

Si nous donnons à x1 et à x2 la valeur zéro, nous définissons le centre du domaine d’étude. La

relation (3) devient alors : y0 = a0

Le coefficient a0 est la valeur de la réponse au centre du domaine d’étude. La formule (2)

montre également que a0 peut être considéré comme la moyenne des quatre réponses.

• Signification de a1

Donnons la valeur zéro à x2, la relation (1) devient : y = a0 + a1 x1

Puis, donnons maintenant successivement à x1 les valeurs – 1 et + 1, on obtient les deux
réponses y– et y+ :
On peut dire aussi que a1 représente la moitié de la variation de la réponse quand on passe du
niveau bas au niveau haut du facteur 1 (figure 8.2).

Ce résultat est important car il donne la signification de ce coefficient. C’est la variation de la

réponse, variation due au facteur 1 seul, quand on passe du centre du domaine d’étude au
niveau haut de ce facteur. a1 s’appelle l’effet du facteur 1. On démontrerait de même que a2
est l’effet du facteur 2

Figure 8.2 – Représentation géométrique tridimensionnelle d’un plan 𝟐𝟐 et de la surface

de réponse correspondante
• Signification de a12

On peut introduire l’effet d’un facteur soit au niveau – 1, soit au niveau + 1 de l’autre facteur.
L’effet du facteur 1 au niveau – 1 du facteur 2 est la demi-différence entre y2 et y1. Et l’effet du
facteur 1 au niveau + 1 du facteur 2 est la demi-différence entre y4 et y3.

Si ces deux effets sont égaux, on dit qu’il n’y a pas d’interaction entre les facteurs. Si ces deux
effets sont différents, on dit qu’il y a interaction entre les deux facteurs.

Il y a donc interaction lorsque l’effet d’un facteur dépend du niveau de l’autre facteur.

Par définition, la valeur de l’interaction, notée E12, est la demi différence entre l’effet du
facteur 1 .

Le coefficient a12 représente l’interaction entre les deux facteurs.

Ayant la matrice d’expériences, il est facile de construire la matrice de calcul des effets (tableau
2) en ajoutant une colonne de signes + pour la moyenne et en calculant celle de l’interaction par
la règle des signes.

Le calcul pratique d’un effet est le suivant : on multiplie chaque réponse par le signe
correspondant de la colonne du facteur ; on additionne les produits et l’on divise la somme par
le nombre d’expériences.

(2)

(3)

(4)

(5)
Exemples de résolution d’un plan factoriel complet à trois variables.

Exemple 1: Étude de la stabilité d’une émulsion de bitume.

La réponse est Stabilité de l’émulsion de bitume exprimée en heures.

Les trois variables codées X sont les composants de l’émulsion en pourcentage.

X1 = % Acide gras
X2 = % HCl
X3 = % Bitume

Visualisation de la matrice des effets

Le modèle postulé (tableau 3) est un modèle linéaire avec interaction.
Graphe des effets moyens (figure 8.3)

Il apparaît en moyenne que les effets HCI et Bitume sont plus prononcés que celui de l’Acide
gras. C’est d’ailleurs ce que montrent les valeurs de stabilité. L’augmentation du pourcentage
de chaque variable diminue la stabilité de l’émulsion de bitume.

Figure 8.3 – Plan factoriel complet – Graphe des effets moyens

Graphe des interactions

Il y a interaction entre deux facteurs Xi et Xj si l’effet de Xi dépend du niveau de Xj et

inversement. Le graphe de la figure 8.4 permet de conclure que l’interaction Bitume/HCI n’est
pas significative.

Effet moyen du % HCI au niveau bas

= 37 5 25 , – = 12 5 ,

Effet moyen du % HCI au niveau haut

= 29 17 5 – , = 11 5 ,

Figure 8.4– Plan factoriel complet – Graphe des interactions

Courbes d’iso-réponses

Les courbes de la figure 8.5 représentent , permettent d’optimiser la composition de

l’émulsion en fonction des valeurs de stabilité que l’on recherche.

Figure 8 .5– Plan factoriel complet – Courbes d’iso-réponses

Exemple 2 :

pour l’entretien du réseau routier, les pétroliers sont amenés à préparer des émulsions de
bitume. Ces émulsions doivent rester stables depuis leur fabrication jusqu’à leur mise en place.
L’étude que nous présentons est la recherche des conditions de stabilité d’une émulsion de
bitume en fonction de sa composition. Le responsable a retenu trois facteurs : la teneur en
émulsifiant (facteur 1), la teneur en acide chlorhydrique (facteur 2) et la nature du bitume A ou
B (facteur 3).

Le plan réalisé est un 23 , trois facteurs et deux niveaux par facteur.

Ce plan totalise 23 = 8 essais. La figure 8.6 donne l’image géométrique du plan d’expériences.

Figure 8.6 Représentation géométrique d’un plan 23

 Tableau 4 –Matrice de calcul des effets de l’exemple 3

Facteur Facteur Facteur Interaction Interaction Interaction Interaction

Numéro de l’essai Moyenne Réponses
1 2 3 12 13 23 123

1 + – – – + + + – 38
2 + + – – – – + + 37
3 + – + – – + – + 26
4
+ + + – + – – - 24
5
6 + – – + + – – + 30
7 + + – + – + – - 28
8 + – + + – – + - 19
+ + + + + + + + 16

Effets et
27.25 –1 –6 -4 – 0.25 – 0.25 0.25 0
interactions

niveau – faible faible A

niveau + forte forte B
Le facteur 1 a un effet de l’ordre de grandeur de l’erreur, il est considéré comme sans
influence. La nature du bitume et la teneur en acide ne peuvent pas être négligées car leur
influence sur la stabilité est forte, figure 8.7 . Cette analyse permet de faire les
recommandations suivantes, sachant que l’on cherche une faible valeur de la réponse :

— il faut choisir des bitumes de structure analogue à celle du bitume B ;

— il faut utiliser une forte teneur en acide chlorhydrique ;
— il est conseillé de prendre une faible teneur pour l’émulsifiant.

Figure 8.7 – Étude d’une émulsion de bitume

Exemple 3 :
Un expérimentateur désire étudier le rendement d’une réaction chimique. Après analyse de
son problème, il estime qu’il faut retenir deux facteurs : la température et la pression. Il définit
également les niveaux haut et bas de chaque facteur (température : 60 𝐶 𝑜 et 80 𝐶 𝑜 , pression :
1 et 2 bar). Puis il décide de réaliser les essais selon la démarche des plans d’expériences. Il
choisit les quatre essais qui correspondent aux sommets du domaine d’étude (figure 8.8).

À chaque expérience, l’expérimentateur enregistre les résultats et il trouve commode d’ajouter

à la matrice de calcul des effets une colonne supplémentaire, la colonne « réponses » et une
ligne supplémentaire, la ligne des effets. Ainsi, en un seul tableau (tableau 5), se trouvent
résumées toutes les caractéristiques de l’expérimentation.

Figure 8.8 – Représentation géométrique du plan 22 correspondant à

l’étude d’une réaction chimique
Les résultats montrent que les deux facteurs étudiés sont influents et que, pour augmenter le
rendement, il faut élever la température et la pression.

L’absence d’interaction pouvait être prévue en regardant la figure 8.8 :

l’effet de la température pour une pression de 1 bar (niveau – ) est le même que pour une
pression de 2 bar (niveau +).

Tableau 5 – Matrice de calcul des effets de l’exemple 3

Interaction 12
Facteur 1 Facteur 2
Numéro de l’essai Moyenne (température, Réponses
(température) (pression)
pression)

1 +1 -1 -1 +1 y1= 60
2 +1 +1 -1 -1 y2= 70
3 +1 -1 +1 -1 y3= 80
4 +1 +1 +1 +1 y4= 90
Effets et inter
75 5 10 0
action

niveau – 60 °C 1 bar
niveau + 80°C 2 bar
Supposons qu’un autre expérimentateur soit chargé de la même étude, mais qu’il ait l’idée
d’ajouter un catalyseur. Supposons également qu’il choisisse le même domaine d’étude et
qu’il réalise, lui aussi, un plan 22 . L’ensemble de l’expérimentation est résumé dans le tableau
6. On remarque que les résultats des essais sont différents de l’exemple précédent, fort
probablement à cause du catalyseur. Pour calculer la moyenne, les effets et l’interaction, on
emploie les mêmes formules et le même processus que précédemment.

Il y a ici une légère interaction entre les facteurs pression et température. La modélisation
pratique est :

Tableau 6 – Matrice de calcul des effets de l’exemple 3

Interaction 12
Facteur 1 Facteur 2
Numéro de l’essai Moyenne (température, Réponses
(température) (pression)
pression)

1 +1 -1 -1 +1 y1= 60
2 +1 +1 -1 -1 y2= 70
3 +1 -1 +1 -1 y3= 80
4 +1 +1 +1 +1 y4= 95

Effets et inter action 76.25 6.25 11.25 1.25

niveau – 60 °C 1 bar
niveau + 80°C 2 bar
Remarque :

Une manière simple de construire les plans factoriels complets est d’étendre celle que nous
avons utilisée pour les plans 22 et 23 .

La colonne de signes du facteur 1 est : – + – + – + – + ...

c’est-à-dire une suite de signes – et + alternés en commençant par un signe –.

La colonne de signes du facteur 2 est constituée de deux signes –, suivis de deux signes +, etc. :
– – + + – – + + ...

Pour le facteur 3, la série de signes est constituée de quatre signes –, suivis de quatre signes +,
etc.

Les facteurs suivants, s’il y en a, ont 8, 16, 32 ... signes – , suivis de 8, 16, 32 ... signes +.
Pour chaque facteur, il y a autant de signes – que de signes +.
 3.2.2 Modélisation du plans factoriels 𝟐𝑲

Il s’agit de plans pour lesquels on étudie k facteurs prenant chacun deux niveaux. Le modèle
mathématique adopté a priori est un polynôme prenant en compte la moyenne, les effets de
chaque facteur et toutes les interactions entre les facteurs pris deux à deux, trois à trois, quatre
à quatre,..., k à k

(6)

Un plan 2𝑘 comporte 2𝑘 points expérimentaux qui se situent aux 2𝑘 sommets d’un hypercube
à k dimensions. Le modèle mathématique contient 2𝑘 coefficients qui sont les inconnues.
L’ensemble des résultats d’un plan 2𝑘 conduit donc à un système de 2𝑘 équations à 2𝑘
inconnues, si l’on ne tient pas compte des erreurs expérimentales. Ce système peut se mettre
sous forme matricielle :
𝑌 = 𝑋. 𝐴

A= (𝑋 𝑡 𝑋)−1 𝑋 𝑡 . 𝑌 (7)
avec :

Y vecteur ayant pour composantes les réponses de chaque essai, et représenté par
une matrice colonne (2𝑘 , 1),

A vecteur ayant pour composantes la moyenne, les effets des facteurs et toutes les
interactions, et représenté par une matrice colonne (2𝑘 , 1) ; ces composantes sont les
inconnues que l’on cherche à déterminer,

X matrice carrée (2𝑘 , 2𝑘 ) composée de – 1 et + 1 suivant les valeurs des niveaux xi.

1
Dans le cas ou la matrice X est orthogonale : A= 2𝑘 𝑋 𝑡 . 𝑌
3.3 Plans factoriels fractionnaires à deux niveaux 2𝑘−𝑃

Les plans factoriels fractionnaires à deux niveaux sont très utiles car ils permettent de
diminuer considérablement le nombre des essais. Mais, pour que les résultats de tels plans
soient correctement interprétés, il faut connaître la théorie des aliases, théorie que nous
allons décrire en nous appuyant sur un plan 23 .

3.3.1 Contrastes et relation d’équivalence

Au lieu d’effectuer les huit essais d’un plan 23 complet, un expérimentateur ne réalise que
quatre expériences. Il choisit quatre expériences de telle manière que les points représentatifs
des essais se projettent aux quatre sommets de chaque face du cube définissant le domaine
d’étude (figure 8.9)

Figure 8.9 – Projection des points d’expériences d’un

plan fractionnaire sur les faces du cube
Si cette représentation géométrique est commode pour comprendre le processus de
fractionnement des plans complets, elle devient inutilisable dès qu’il y a quatre facteurs.
C’est pourquoi nous allons reprendre la présentation matricielle,
valable quel que soit le nombre de dimensions de l’espace expérimental.

Reprenons l’exemple de l’émulsion de bitume et écrivons la matrice d’expériences pour quatre

essais : 2, 3, 5 et 8. La matrice d’expériences du plan fractionnaire est donnée par le tableau 7
où les essais ont été volontairement mis dans un certain ordre.
Pour calculer les effets, on applique la même méthode que pour les plans complets : on
multiplie les réponses par les signes correspondants des colonnes, on additionne ces produits
et on divise leur somme par le nombre d’essais. Dans le cas examiné, nous constatons que les
résultats du plan fractionnaire sont tout à fait semblables à ceux du plan complet. Mais,
attention, nous n’avons pas calculé les véritables effets de ces facteurs puisque nous n’avons
utilisé que la moitié des points expérimentaux. Nous avons calculé ce que l’on appelle un
contraste. Le contraste associé au facteur 1 est égal à :

(8)

Si nous avions exécuté le plan complet, nous aurions pu calculer l’effet du facteur 1, E1, et
l’interaction 23, E23 :

(9)

(10)
 Si l’on additionne ces deux valeurs, on trouve :

(11)

Le contraste que nous avons calculé est égal à l’effet du facteur 1 augmenté de l’interaction 23.
On dit que E1 et E23 sont aliasés. Dans le cas de l’émulsion de bitume, l’interaction 23 est très
faible et donc :
Pour l’interprétation des plans fractionnaires, il est capital de savoir ce que renferme chaque
contraste calculé. Reprenons la matrice de calcul des effets du plan complet 23 et changeons
l’ordre des essais (tableau 8) pour faire apparaître les deux groupes de quatre points de la
figure 8.9.

On écrit la matrice de calcul des effets du plan complet et on la divise en deux demi-plans
fractionnaires : le demi-plan supérieur et le demi-plan inférieur.
■ Dans un premier temps, intéressons-nous au demi-plan supérieur. Il contient huit colonnes
de quatre signes qui sont égales deux à deux. En notation de Box, on peut écrire, par exemple,
que la colonne des quatre signes du facteur 1 est égale à celle de l’interaction 23, soit :

1=23 (12)

Si l’on rapproche les relations (11) et (12), on peut énoncer la règle suivante : dans le demi-
plan supérieur, un contraste est la somme des effets et des interactions qui ont la même suite
de signes. On écrira que :

1 = 23 est équivalent à = E1 + E23

Cette relation d’équivalence est valable dans les deux sens et elle constitue la base de la
théorie des aliases. On montrerait que l’on a aussi :

2 = 13 est équivalent à = E2 + E13

3 = 12 est équivalent à = E3 + E12
On peut retrouver ces relations avec la notation de Box : toujours dans le demi-plan
supérieur.

I = 123 (13)

En multipliant par 1 les deux membres de l’équation (13) et en tenant compte des règles de
multiplication, on retrouve les colonnes identiques :

1 · I = 1·123
1 = 23

En multipliant successivement par 2 et par 3 les deux membres de l’équation (13), on obtient
les deux relations :

2 = 13
3 = 12

La relation (13), I = 123, qui permet de retrouver les égalités de colonnes et les aliases par la
relation d’équivalence, s’appelle le générateur d’aliases.
■ En considérant le demi-plan inférieur, le lecteur vérifiera que les colonnes se correspondent
deux à deux, mais avec des signes opposés. On a comme générateur d’aliases :

I = – 123 (14)

Les contrastes calculés avec ce demi-plan indiquent comment les effets et les interactions sont
aliasés :
3.3.2 Construction pratique d’un plan fractionnaire

Lorsqu’on examine les quatre premières colonnes du demi-plan supérieur, on constate que l’on
retrouve les colonnes de signes d’un plan complet 22 . On a simplement étudié le facteur
supplémentaire en utilisant la colonne des signes de l’interaction 12. La construction pratique
des plans fractionnaires est basée sur cette remarque.

■ On choisit un plan complet et l’on écrit sa matrice de calcul des effets. On appelle
cette matrice le plan de base.

■ Dans ce plan de base, on choisit une colonne de signes correspondant à une

interaction pour étudier le facteur supplémentaire. Pour chaque essai, on attribue à ce
facteur les niveaux indiqués par les signes de l’interaction choisie.
Remarque

Si l’on prend la matrice de calcul des effets d’un plan 23 comme plan de base, on a quatre
interactions disponibles : 12, 13, 23 et 123.

Les trois premières colonnes permettent d’étudier trois facteurs. Un quatrième facteur
peut être étudié sur la colonne de signes de l’interaction 12. On écrira :

4 = 12

d’où le générateur d’aliases :

I = 124
Ce générateur d’aliases permet de calculer la manière dont les effets sont aliasés avec les
interactions. En multipliant ce générateur successivement par 1, 2, 3 et 4, on obtient :

I = 124

1 = 24 est équivalent à 𝑙1 = E1 + E24

2 = 14 est équivalent à 𝑙2 = E2 + E14

3 = 1234 est équivalent à 𝑙3 = E3 + E1234

4 = 12 est équivalent à 𝑙4 = E4 + E12

On aurait pu aliaser le facteur 4 sur une autre interaction, on aurait eu d’autres valeurs des
contrastes.
Il est tout à fait possible d’étudier deux facteurs supplémentaires.

On choisit deux colonnes de signes. Par exemple, on peut choisir la colonne 12 pour le
quatrième facteur et la colonne 13 pour le cinquième facteur. On a :

4 = 12
5 = 13

d’où les deux générateurs d’aliases indépendants :

I = 124
I = 135

Si l’on multiplie ces deux générateurs d’aliases indépendants membre à membre, on obtient
un troisième générateur :

I · I = I = 124·135 = 2345

Deux facteurs supplémentaires introduisent donc un groupe de générateurs d’aliases ou

GGA comportant quatre termes :

I = 124 = 135 = 2345

On utilise ce GGA pour savoir comment les facteurs et les interactions sont aliasés dans les
contrastes que l’on calcule avec ce plan fractionnaire.

I = 124 = 135 = 2345

1 · I = 1·124 = 1·135 =1·2345  1 = 24 = 35 = 12345

𝑙1 = 𝐸1 +𝐸24 + 𝐸35 + 𝐸12345

𝑙2 = 𝐸2 +𝐸14 + 𝐸345 + 𝐸1235

𝑙3 = 𝐸3 +𝐸15 + 𝐸245 + 𝐸1234

𝑙4 = 𝐸4 +𝐸12 + 𝐸235 + 𝐸1345

𝑙5 = 𝐸5 +𝐸13 + 𝐸234 + 𝐸1245

Remarque: Avec le plan de base bâti sur la matrice de calcul des effets d’un 23 , on peut étudier
sept facteurs et, s’il s’agit de la matrice de calcul des effets d’un plan 24 , on peut étudier quinze
facteurs.
Exemple 4: étude du réglage d’un spectrofluorimètre

Un spectrofluoromètre (ou encore spectrofluorimètre, ou plus simplement fluoromètre ou

fluorimètre) est un instrument de mesure et d'analyse des propriétés
de fluorescence de composés chimiques afin d'en déduire des informations sur leurs propriétés
luminescentes.

« La fluorescence est une émission lumineuse provoquée par l'excitation des électrons d'une
molécule (ou atome), généralement par absorption d'un photon immédiatement suivie
d'une émission spontanée »
Un technicien se propose d’améliorer le réglage de la sensibilité d’un spectrofluorimètre.
Une discussion approfondie avec des spécialistes lui a montré qu’il fallait envisager l’examen
de sept facteurs pouvant être influents sur la sensibilité.

Facteur 1 : largeur de la fente d’excitation.

Facteur 2 : largeur de la fente d’émission.
Facteur 3 : température de l’échantillon.
Facteur 4 : vitesse de balayage.
Facteur 5 : gain de l’appareil.
Facteur 6 : tension du photomultiplicateur.
Facteur 7 : amortissement de la plume d’enregistrement.

Il désire passer le moins de temps possible à la mise au point de ce réglage, il décide donc
d’employer un plan d’expériences fractionnaire construit à partir d’un plan de base 23. Les
quatre interactions y sont utilisées pour étudier les facteurs supplémentaires. Les facteurs
supplémentaires sont aliasés ainsi :

4 = 123
5 = 12
6 = 23
7 = 13
■ Calcul des contrastes

Les quatre générateurs d’aliases indépendants sont :

I = 1234 = 125 = 236 = 137

Les générateurs dépendants se calculent à partir des générateurs indépendants en les

multipliant 2 à 2, 3 à 3 et 4 à 4. Le nombre de générateurs dépendants obtenus pour la
multiplication 2 à 2 est donné par le nombre de combinaisons de 4 objets 2 à 2, soit 𝐶4 2 .

Multiplication 2 à 2 (𝑪𝟒 𝟐 = 6) :

1234·125 = 345
1234·236 = 146
1234·137 = 247
125·236 = 1356
125·137 = 2357
236·137 = 1267
Multiplication 3 à 3 (𝑪𝟒 𝟑 = 4) :
1234·125·236 = 2456
1234·125·137 = 1457
125·236·137 = 567
1234·236·137 = 3467

Multiplication 4 à 4 (𝑪𝟒 𝟒 = 1) :

1234·125·236·137 = 1234567

Le GGA comportant seize termes

I = 1234 = 125 = 236 = 137 = 345 = 146 = 247 = 1356

= 2357 = 1267 = 2456 = 1457 = 567 = 3467 = 1234567

Le calcul complet est présenté ici pour le facteur 1. On multiplie chaque terme du GGA par
1 et l’on additionne les seize termes trouvés pour avoir le contraste 1 :

𝑙1 = 1 + 234 + 25 + 1236 + 37 + 1345 + 46 + 1247 + 356 + 12357

+ 267 + 12456 + 457 + 1567 + 13467 + 234567
Si l’on néglige les interactions d’ordre supérieur à deux, on peut écrire :

𝑙1 = 1 + 25 + 37 + 46 + ...

Le calcul est le même pour les autres contrastes :

𝑙2 = 2 + 15 + 36 + 47 + ...
𝑙3 = 3 + 17 + 26 + 45 + ...
𝑙4 = 4 + 16 + 27 + 35 + ...
𝑙5 = 5 + 12 + 34 + 67 + ...
𝑙6 = 6 + 14 + 23 + 57 + ...
𝑙7 = 7 + 13 + 24 + 56 + ...

Après avoir calculé les contrastes, le technicien établit le plan d’expériences, réalise les essais
et rassemble les résultats dans une matrice de calcul des effets
Sensibilité Sensibilité Sensibilité Sensibilité

3.31 3.31 4.03 3.27

3.19 3.19 3.23

2.47

-1 1 -1 1 -1 1 -1 1
Fente d’excitation Amortissement Fente d’émission Température de l’échantillon

Sensibilité Sensibilité Sensibilité

4.68
3.29 3.27
3.11 3.23

1.82

-1 1 -1 1 -1 1
Vitesse de balayage Gain Tension photomultiplicateur

Figure 8.10 – effets des facteurs

Deux facteurs seulement semblent influents sur la sensibilité (figure 10) :

— la fente d’émission (2) ;

— la tension du photomultiplicateur (6).

Dans le domaine d’étude et pour l’appareil considéré, on peut faire les recommandations
suivantes :

— comme on pouvait s’y attendre, il faut élargir la fente d’émission pour augmenter la
sensibilité de l’appareil ;

— par contre, et cela est beaucoup plus inattendu, dans les conditions de l’expérimentation, il
faut diminuer la tension du photomultiplicateur pour augmenter la sensibilité de l’appareil ;

— les cinq autres facteurs sont sans influence et peuvent être réglés à des valeurs
intermédiaires situées entre le niveau haut et le niveau bas de chacun des facteurs
considérés.
Remarque

Pour trois facteurs prenant deux niveaux, le plan complet est noté 23. Il comporte huit essais.
Le plan fractionnaire, moitié du plan complet, n’a que quatre essais soit (1/2 )23 ou 23−1
essais. Chaque chiffre de cette notation a une signification :

— le 3 signifie qu’il y a trois facteurs étudiés ;

— le 2 signifie que chaque facteur prend deux niveaux ;
— le 1 signifie qu’il y a un facteur supplémentaire par rapport au plan complet sur lequel est
construit le plan de base.

Le plan de base 23 peut avoir un facteur supplémentaire, on le notera 24−1 : quatre facteurs
étudiés, deux niveaux par facteur et un facteur supplémentaire.

Le plan de base 23 peut avoir deux facteurs supplémentaires, on le notera 25−2 : cinq facteurs
étudiés, deux niveaux par facteur et deux facteurs supplémentaires.

Un plan fractionnaire à deux niveaux avec lequel on étudie k facteurs dont p supplémentaires
se note 2𝑘−𝑝
3.3.3 Hypothèses d’interprétation

Les hypothèses le plus souvent retenues sont les suivantes :

— les interactions du troisième ordre ou d’ordre plus élevé sont

considérées comme négligeables ;

— si un contraste est nul, cela peut signifier :

a) que les effets et les interactions aliasés sont tous nuls,

b) que les effets et les interactions aliasés se compensent.

L’hypothèse a) est la plus probable et c’est elle qui est généralement retenue ;

— si deux effets sont faibles, on supposera que leur interaction l’est aussi ;
— si deux effets sont forts, on se méfiera de leur interaction qui peut également être forte.

Pour interpréter les résultats d’un plan fractionnaire, il est essentiel de savoir comment sont
aliasés les effets et les interactions.
3.3.4 Modélisation par les graphes de Taguchi

C’est la méthode d’optimisation de la qualité d’un produit et /ou d’un procédé. Elle offre un
mode de pensée permettant d’utiliser des expérimentations à échelle réduite pour
l’optimisation d’un produit d’un procédé.

Principe

Le docteur Genichi Taguchi a mis au point une méthode originale permettant, à partir de tables
standards et de graphes associés, de résoudre facilement la plupart des problèmes industriels
en matière conception et d’optimisation des produits et procédés.

Hypothèses de départ selon Taguchi

La méthode s’applique en groupe de progrès. Les interactions d’ordre supérieur à 2 sont

considérées comme nulles dès le départ. Seules quelques interactions d’ordre 2 seront retenues
par le groupe de travail.
■ Graphes linéaires associés à un modèle

Représentation des facteurs

La méthode Taguchi est fondée sur la représentation de facteurs, qui sont divisés en quatre
groupes :
Les interactions sont représentés par un trait entre deux facteurs. Ainsi si on souhaite
représenter une interaction entre un facteur A du groupe 2 et un facteur B du groupe 4 , on
note :

Représentation d’un modèle

Elle se fait en appliquant les règles avant pour un modèle. Par exemple :

Y = a0 + a1.A + a2.B + a3.C + a4.D

■ Tables orthogonales de Taguchi

Les tables orthogonales de Taguchi se présentent sous la forme d’une matrice portant en
ligne le nombre d’expériences à effectuer et en colonne les facteurs et leurs interactions. Ces
tables sont notées par exemple L4 (23) et se présentent comme suit sur le tableau 10.

Nota : L4 (23) : 4 expériences, 2 modalités et 3 colonnes.

Tableau 10 – Table orthogonale L4 selon Taguchi A B AB

1 -1 -1 -1
2 -1 1 1
3 1 -1 1
4 1 1 -1
Groupe -1 1 2

Graphes associés au modèle

Y = a0+a1. A +a2.B+a12. AB
Ainsi la variable A sera affectée à la colonne 1, la variable B à la colonne 2 et l’interaction
AB à la colonne 3 et il faudra effectuer quatre expériences.
Graphe L8

Graphe L16

Figure 8.11 – les graphes L8 et L16 de Taguchi

Exemple 5

Exemple de construction d’un plan orthogonal de Taguchi. Injection de pièces plastiques,

étude du retrait

Une pièce plastique est fabriquée sur une presse à injecter et les techniciens de l’atelier
connaissent quelques problèmes de retrait après l’injection. L’injection comporte un palier de
maintien, en pression après injection.

Un groupe de travail a retenu les paramètres (ou facteurs) suivants.

A = Pression de maintien
B = Température de maintien
C = % de recyclé rebroyé
D = Type de machine (facteur qualitatif)
E = Rotation de la vis sans fin
F = Température du moule
G = Temps de maintient

Tous ces paramètres sont à deux niveaux (tableau 11).

Quelques interactions sont supposés exister, mais supposées faibles par rapport aux facteurs
principaux. Les principales interactions supposées sont les suivantes :

— interaction AB ;
— interaction AC ;
— interaction BC ;
— interaction AD ;
— interaction AE.

L’objectif de l’étude est de minimiser le retrait Y celui-ci est mesuré en 1/10e de millimètre.
La stratégie est donc une recherche de minima.

Tableau 11 – Affectation des colonnes par le groupe de

travail

Facteur A B C D E F G

Niveau 2 2 2 2 2 2 2

Groupe 1 2 3 4 4 4 4
Modèle postulé et choix d’une table orthogonale

Si nous souhaitons un modèle complet en prenant en compte les interactions celui-ci s’écrit :

Y = a0+ a1.A+a2. B+a3.C+a4.D+a7.E+a5.F+a6.G+a12.AB+a13.AC+a23.BC+a14.AD+a17.AE

Le nombre de degré de liberté est de 13, nombre minimal d’expériences à réaliser qui
correspond au nombre de coefficients du modèle postulé a priori. La table à choisir a priori est
la table L16(215).

Établissement du graphe linéaire associé au modèle

Le graphe linéaire du modèle est donné par la figure 8.12 en comparant ce graphe avec celui de
Taguchi (figure 8.13) l’affectation des colonnes aux variables et aux interactions est donnée dans
les tableaux 12 et 13.
Figure 8.12 – Graphe du modèle selon le groupe de travail Figure 8.13 – Graphe L16 selon Taguch

Tableau 12– Affectation de colonne à chaque facteur

Facteur A B C D E F G
Colonne 1 2 4 8 15 10 12

Tableau 13 – Affectation de colonnes à chaque interaction

Interaction AB AC BC AD AE
Colonne 3 5 6 9 14

Entrée des données dans le plan d’expérience

Les seize expériences de la table orthogonale (tableau 14) sont réalisées en plaçant les
facteurs sur les niveaux correspondant à chacune des lignes (-1 représente le niveau bas et 1
le niveau haut).
Tableau 12 – Table orthogonale L16 de Taguchi

Retrait
Expérience A B C D F G E AB AC BC AD AE
(1/10e mm)
1 35,6 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1
2 30,4 -1 -1 -1 1 1 1 1 -1 -1 -1 1 1
3 33,5 -1 -1 1 1 1 1 1 -1 1 1 -1 1
4 39,5 -1 -1 1 1 1 -1 -1 -1 1 1 1 -1
5 12,6 -1 1 -1 -1 1 -1 1 1 -1 1 -1 1
6 34,5 -1 1 -1 1 -1 1 -1 1 -1 1 1 -1
7 26,5 -1 1 1 -1 1 1 -1 1 1 -1 -1 -1
8 36,4 -1 1 1 1 -1 -1 1 1 1 -1 1 1
9 33,5 1 -1 -1 -1 -1 -1 1 1 1 -1 1 -1
10 23,4 1 -1 1 1 1 1 1 1 1 -1 -1 1
11 35,6 1 -1 1 1 1 1 1 1 -1 1 1 1
12 21,5 1 -1 1 1 1 -1 1 1 -1 1 -1 -1
13 26,6 1 1 -1 1 1 -1 -1 -1 1 1 1 1
14 20,4 1 1 -1 1 -1 1 1 -1 1 1 -1 -1
15 28,4 1 1 1 -1 1 1 1 -1 -1 -1 1 -1
16 34,5 1 1 1 1 -1 -1 -1 -1 -1 -1 -1 1
 Les coefficients associés à ce modèle sont :

a0=29.55
a1= -1,56
a2= -2,06
a3=2.43
a4=0.51
a5=-3.44
a6=0.46
a12=-1,56
a13=0.41
a23=-1.53
a14=3.55
a17=-0.43

Y = a0+ a1.A+a2. B+a3.C+a4.D+a7.E+a5.F+a6.G+a12.AB+a13.AC+a23.BC+a14.AD+a17.AE

Le graphe des effets moyens (figures 8.14 et 8.15) permet de déterminer la configuration
optimale du procédé pour minimiser le retrait (tableau 14).

Figure 8.14 – Tables orthogonales de Taguchi – Configuration

optimale du procédé Figure 8.15– Table orthogonale de Taguchi – Prévisions par le
modèle

Tableau 14 – Tables orthogonales de Taguchi –

Configuration optimale du procédé
Facteurs A B C D E F G
Niveau optimal Haut Haut Bas Bas Haut Haut Indifférent
3.3.5 Plans produit de Taguchi

Objectif

Un plan produit correspond à une structure de plan d’essai permettant d’étudier séparément :

— l’effet des variables essentielles ;

— l’effet des variables externes.

Domaine d’application

La méthode s’applique à la conception intégrée de projets produits et procédés.

Principe

Les coûts non-qualité (CNQ) constitue une perte pour l’entreprise. Taguchi modélise la fonction
de « perte de qualité » pour atteindre ce concept : rapport signal/bruit (RSB) dans l’idée de
maîtriser en même temps la moyenne et la variance d’une caractéristique de qualité.
Notion de bruit

L’ensemble des paramètres de variabilité d’un procédé n’est pas nécessairement stable dans le
temps. Certains paramètres sont de nature aléatoire et interviennent sur le procédé
indépendamment de la volonté de l’opérateur. Taguchi appelle ces perturbations : les bruits.

Ces bruits peuvent se partager en trois types principaux :

— les bruits intérieurs ; il s’agit de variations dues à l’utilisation telles que l’usure ;

— les bruits extérieurs ; il s’agit de variations aléatoires telles que la température,

l esvibrations… ;

— les bruits entre produits ; ces bruits correspondent aux différences qui existent
entre deux produits d’une même production ; ils représentent les variations sur les
paramètres d’entrée.

Notion de robustesse

Il n’est pas suffisant qu’un produit fonctionne bien en laboratoire. Il faut également qu’il
fonctionne dans un environnement bruité qui sera le sien lors de son utilisation par le client. La
robustesse d’un produit est un élément clé de sa qualité.
Rapport signal/bruit (RSB)

La conception d’un système robuste consiste à le concevoir de façon qu’il soit insensible aux
bruits. Le rapport signal/bruit (RSB) établit un rapport entre m (la moyenne de la réponse) et
le bruit (la dispersion s de la réponse en fonction du bruit). Le RSB permet de déterminer les
paramètres de pilotage de telle sorte qu’ils minimisent la perte engendrée par les bruits
extérieurs. Il permet donc une conception robuste au sens de Taguchi.

— RSB pour la recherche d’un nominal

𝑚2 𝑖
𝑅𝑆𝐵𝑖 = 10𝑙𝑜𝑔 10 ( 2 )
𝑆 𝑖
Avec :

𝑚2 𝑖 le carré de la moyenne des réponses pour le ligne i du plan produit

𝑆 2 𝑖 le carré des écart-types des réponses pour la ligne i du plan produit

— RSB pour la recherche d’un minima

𝑌²𝑖𝑗
𝑅𝑆𝐵 = −10𝑙𝑜𝑔 10 ( )
𝑛
Avec :

Y²ij le carré de la réponse pour la ligne i et la colonne j

n le nombre de colonnes (ou le nombre de mesures pour la ligne i

— RSB pour la recherche d’un maxima

1
𝑌²𝑖𝑗
𝑅𝑆𝐵 = −10𝑙𝑜𝑔 10 ( )
𝑛
Exemple 6: construction d’un plan produit

Soit un système correspondant à trois facteurs contrôlés que nous appellerons A, B et C et

trois facteurs bruit R, S et T. L’ensemble de ces facteurs sont à 2 niveaux.

les facteurs principaux sont :

A = vitesse à deux niveaux (V1 et V2)

B = type d’outil utilisé (O1 et O2)
C = type de machine (M1 et M2)

Les facteurs bruits seront :

R = Température du lubrifiant (T1 : froid et T2 : chaud)

S = Usure de l’outil (S1 : neuf et S2 : usé)
T = Type de matière utilisé (T1 : dur et T2 : mou)

Si l’on considère les facteurs principaux et leurs interactions le modèle sera :

RSB= a0+ a1.A+a2. B+a3.C+a12.AB+a13.AC+a23.BC

Le plan principal P1 sera construit suivant une table orthogonale L8. Le plan bruit P2 sera
construit suivant une table orthogonale L4. Le plan produit P des plans P1 P2 sera celui du
tableau 15.

Bruit
-1 -1 1 1 R

-1 1 -1 1 S
Facteurs principaux -1 1 1 -1 T
Expérience A B C Réponses Moyenne
par ligne Ecart-type RSB
1 -1 -1 -1 32 28 23 37 30 5.14 -29.67
2 -1 -1 1 40 32 29 30 32.75 4.32 -30.37
3 -1 1 -1 13 14 08 17 13 3.24 -22.54
4 -1 1 1 19 20 15 15 17.25 2.27 -24.81
5 1 -1 -1 24 24 19 27 23.5 2.87 -27.49
6 1 -1 1 30 24 24 32 27.5 3.57 -28.86
7 1 1 -1 11 06 06 11 08.5 2.5 -18.95
8 1 1 1 10 13 08 13 11 2.12 -20.99
Moyenne par colonne 22,4 20.1 16.5 22.8 20.44 -25,46
Calcul du rapport signal/bruit (RSB)

On recherche la configuration optimale du procédé qui conduira donc à un RSB minimal. Après
calcul des moyennes et des écarts-types par lignes, la formule à employer pour chacune des
lignes de plan P sera donc, pour la première ligne :

Le modèle obtenu est le suivant :

L’optimisation consiste à minimiser le rapport signal/bruit. On obtient le graphe des effets

suivants (figure 8.16).
 Figure 8.16 – Plan produit de Taguchi – Graphe des effets moyens

Pour augmenter la capabilité du procédé, on prendra donc la configuration suivante :

A = vitesse au niveau 2 (V2)

B= outil au niveau 2 (O2)
C = machine au niveau 1 (M1)