Par exemple, un ingénieur souhaite analyser le procédé de moulage par injection d'une pièce en plastique. Tout d'abord, il conçoit un plan factoriel fractionnaire, identifie les facteurs importants (température, pression, vitesse de refroidissement) et détermine que la présence d'une courbure dans les données. L'ingénieur crée ensuite un plan composite centré pour analyser la courbure et déterminer les paramètres de facteurs les plus adaptés. Cette feuille de travail Minitab montre une portion du plan composite centré. L'ingénieur mène l'expérience en collectant des données dans l'ordre indiqué dans la colonne OrdEssai. C1 C2 C3 C4 C5 C6 C7 C8 OrdreStd OrdEssai TypePt Blocs Température Pression Vitesse de refroidissement 20 1 0 337, 50 55 15, 00 16 2 9 3 –1 316, 478 13 4 6, 591 10 5 358, 22 18 6 14 7 23, 409 Après avoir collecté les données, l'ingénieur saisit les données de réponse dans une colonne vide de la feuille de travail et analyse le plan. Un grand nombre de choix que vous faites lorsque vous créez un plan dépend de votre plan d'expériences global.
Utilisez l'option Créer un plan de surface de réponse (Composite centré) pour créer un plan d'expériences avec 2 à 10 facteurs afin de modéliser la courbure de vos données et de déterminer les paramètres de facteurs qui optimisent la réponse. Les plans composites centrés permettent de créer un plan factoriel ou un plan factoriel fractionnaire en ajoutant des points centraux, puis des points sur les axes vous permettant d'estimer la courbure. En général, vous utilisez un plan composite centré après avoir mené une expérience factorielle ou une expérience factorielle fractionnaire, et après avoir déterminé les facteurs les plus importants dans votre procédé. Pour plus d'informations, reportez-vous à la rubrique Que sont les plans de surface de réponse, les plans composites centrés et les plans de Box-Behnken?. Lorsque vous créez un plan, Minitab stocke les informations le concernant dans la feuille de travail, qui indique l'ordre dans lequel les données doivent être collectées. Après avoir collecté les données, utilisez l'option Analyser un plan de surface de réponse pour analyser les données.
Pour la méthodologie de la surface de réponse l'utilisation des variables codées (ou des variables centrées réduites) pour trouver le modèle de régression pour p variables est une pratique courante. La relation la plus répandue pour la transformation des variables réelles en variable codées a été proposée par l'équation I. 23 de Khuri et Cornell: = () (I. 23) Pour laquelle: – u est la valeur supérieure pour t – l est la valeur inférieure pour t – t est la valeur cible étudiée avec l t u – x est la valeur codée qui correspond à t.
Bonjour, Au risque de poser un problème déjà existant, j'aimerais avoir quelques indications sur deux plans d'expériences, les plans composites centrés et les plans de Box-Behnken. Je dois lancer bientôt une campagne d'essais sur l'étude de deux réponses en fonctions de 3 facteurs. J'essaie d'avoir le minimum d'expériences pour une bonne qualité d'estimation d'un modèle. Mon problème se situe au niveau des critères d'isovariance et d'orthogonalité (critères de qualité) et du nombre d'expériences de ces deux plans. Les plans composites centrés me proposent 23 expériences incluant 9 expériences au centre du domaine pour avoir l'isovariance par rotation et l'orthogonalité (coefficients totalement décorrélés entre eux). Les plans de Box-Behnken me donnent 16 expériences incluant 4 au centre pour avoir l'isovariance et la presque-orthogonalité (coeff corrélés avec au moins le terme constant du modèle). Les 16 expériences du plan de Box-Behnken m'arrangeraient beaucoup mais, est-ce que la différence entre l'orthogonalité et la presque-orthogonalité aurait une répercussion sur la qualité d'estimation du modèle?
Un vecteur est donc optimal localement au sens de Pareto s'il est optimal au sens de Pareto sur une restriction de l'ensemble R n (Figure I. 30). Optimalité globale au sens de Pareto: Un vecteur optimal globalement au sens de Pareto (ou optimal au sens de Pareto) s'il n'existe pas de vecteur tel que domine le vecteur. Figure I. 30 Optimalité locale au sens de Pareto [YAN 02]. c) Méthode de fonction de désirabilité: L'approche de fonction de désirabilité est en effet appropriée à la méthodologie de la surface de réponse, son principe est d'adimensionner toutes les réponses Y j (x), j = 1, 2,..., p, obtenues à partir de différentes échelles de mesure, en des fonctions d j (Y j (x)) d'échelle identique, appelées fonctions de désirabilité individuelle variant de 0 à 1. On entend par x le vecteur des facteurs x T = (x 1, x 2,..., x n). Une fois que les fonctions de désirabilité individuelles sont établies, leur moyenne géométrique est calculée à partir d'une fonction objective globale qui prend la forme suivante: () = [ ( ()).
Les erreurs ainsi constatées sont appelées les erreurs aléatoires. Un autre type d'erreur peut entacher les résultats de mesures, mais plus de façon aléatoire; c'est le cas de l'erreur systématique, qui introduit un écart constant, en plus ou en moins, sur l'ensemble de la série de mesures. L'erreur totale est la somme de ces deux types d'erreur: Erreur totale = Erreur aléatoire + Erreur systématique Lorsqu'on étudie une sortie, on s'aperçoit que la réponse dépend de nombreux facteurs; certains sont contrôlables et d'autres non. En effet, pour réaliser une mesure, on agit sur les premiers, en les fixant à des niveaux bien précis, mais on n'a aucun moyen de contrôle sur les seconds. Ces facteurs « non contrôlés » influent également sur la mesure. Ils sont à l'origine d'erreurs, aléatoires ou systématiques, suivant les variations qu'ils subissent. C'est contre les erreurs introduites par les variations systématiques, tel le phénomène de dérive de la réponse, qu'il faut se prémunir. Il existe des solutions adaptées à chacune de ces erreurs systématiques, parmi lesquelles nous citerons: la technique du blocking, les plans antidérive ou la randomisation.