Les plans d'expériences présentent des avantages considérables.   Ils peuvent être utilisés dans de nombreuses situations et permettent de manipuler efficacement divers facteurs d'entrée en vue de déterminer leur effet sur une réponse souhaitée. De plus, ils permettent d'identifier les principales interactions qui peuvent être manquées lors de l'expérience d'un seul facteur à la fois.

La phase de planification d'un plan d'expériences est déterminante pour sa réussite. Bien souvent, les plans d'expériences sont interrompus en raison des difficultés rencontrées lors de la phase de planification. Par exemple, les plans d'expériences qui sont jugés trop coûteux, trop compliqués ou qui négligent des éléments d'information clés sont souvent abandonnés avant même d'avoir pu être mis en oeuvre. Fort heureusement, l'analyse prédictive avancée est un outil puissant et accessible susceptible d'éliminer les obstacles à la création d'un plan d'expériences, voire d'améliorer vos chances de réussite.

Problème 1 : vous souhaitez exécuter un plan de criblage, mais vous ne pouvez pas arrêter un système (ou un procédé) pour exécuter la collecte de données ou bien cette dernière s'avère très coûteuse.

Les plans d'expériences de criblage (DOE de criblage) sont utilisés par les praticiens pour identifier les variables les plus importantes d'un procédé parmi une multitude de variables potentielles. Ils permettent aux praticiens de réduire la taille de l'expérience, ce qui représente un gain de temps et d'argent, d'autant plus si les données sont difficilement accessibles ou coûteuses.

Que se passe-t-il lorsque vous ne pouvez pas arrêter un système ou un procédé pour exécuter une expérience de criblage ? Ou bien si la collecte de points de données pour le criblage s'avère si coûteuse qu'il est difficile de la justifier?

Solution 1 : l'analyse prédictive peut vous aider à identifier facilement les principales variables.

Pas de panique, l'analyse prédictive est là ! Grâce à l'analyse des données de votre système ou de votre procédé, vous pouvez tirer parti de votre algorithme d'auto-apprentissage par la machine préféré ou exécuter l'auto-apprentissage par la machine pour identifier les prédicteurs susceptibles d'avoir un impact sur votre réponse. Minitab vous simplifie la tâche grâce à son tableau d'importance relative des variables, spécialement conçu pour vous aider à identifier les variables les plus importantes.

Problème 2 : vous souhaitez exécuter un plan d'expériences, mais vous n'êtes pas sûr de la plage appropriée (c'est-à-dire les limites supérieures et inférieures) pour vos facteurs (à savoir les niveaux).

Lorsque vous exécutez des plans d'expériences, les expériences sont effectuées selon différentes valeurs de facteurs, appelées niveaux. Ces niveaux constituent les variables indépendantes pour lesquelles nous mesurons une réponse, que nous appelons conventionnellement la variable dépendante. Par exemple, si vous essayez d'optimiser la vitesse d'un équipement, vous devez définir les limites de la vitesse la plus élevée et de la vitesse la moins élevée afin de créer une plage de vitesses pour optimiser votre procédé. Autre exemple, la température d'un four lorsque vous faites cuire un gâteau. Vous avez déjà dû constater qu'en dessous de 150 °C, le gâteau ne sera pas cuit et qu'à 200 °C, il sera brûlé. Vous pouvez donc définir vos limites. Mais que faire si vous n'avez jamais cuisiné de gâteau ? Que faire si vous avez acheté un nouveau four et que vous ne savez pas comment définir les limites ?

Solution 2 : l'analyse prédictive offre des visualisations pour vous aider à fixer des limites raisonnables.

Lors de l'exécution de l'analyse prédictive de Minitab, vous générez des visualisations qui démontrent l'effet d'une ou plusieurs variables sur le résultat prévu. En matière de prédiction des résultats, l'objectif de ces graphiques est de mettre en évidence si la relation entre la réponse et une variable est linéaire, monotone ou plus complexe. Ces visualisations sont d'ailleurs particulièrement utiles pour les plans d'expériences.

Dans l'exemple ci-dessus, supposons que vous essayiez d'effectuer une expérience en vue d'optimiser la force. Vous pourriez comprendre qu'il existe un lien entre la température du moule et la résistance, mais vous savez aussi que le simple fait de régler la machine sur la température la plus élevée pourrait avoir des conséquences préjudiciables, comme une surchauffe ou une augmentation inutile du coût de production. Vous savez également que des interactions avec d'autres variables de l'expérience (par exemple, la pression) sont susceptibles de se produire. En observant le graphique, vous pouvez constater qu'une température supérieure à 1 200 entraîne une légère augmentation de la résistance. Dans le cadre de votre plan d'expériences, vous pouvez définir les niveaux de température de votre moule à 1 000 et 1 200 pour exécuter une expérience dont l'objectif est d'optimiser la résistance. En revanche, si l'objectif est de diminuer la résistance, le graphique révèle qu'il serait plus raisonnable d'effectuer des tests à une plage inférieure de températures du moule.

L'analyse prédictive n'est qu'un des nombreux outils qui vont de pair avec les plans d'expériences.

Les plans d'expériences constituent des outils essentiels pour de nombreux praticiens et ne sont pas faits pour fonctionner en silos. Comme nous l'avons déjà dit, la planification joue un rôle clé dans la réussite d'un plan d'expérience. Voilà pourquoi Minitab a créé une feuille de travail consacrée à la planification des plans d'expériences, spécialement conçue pour faciliter le procédé de planification. Que vous soyez novice en matière de plans d'expériences ou que vous cherchiez simplement à améliorer vos compétences, Minitab vous offre l'assistance, les ressources ainsi que les solutions pour vous aider dans votre cheminement.

Vous voulez en savoir plus ? Connectez-vous avec nous aujourd'hui.