R EVUE DE STATISTIQUE APPLIQUÉE
E. J OBLET
E. D E L ARMINAT
Méthodologie Taguchi appliquée à une étude de surface de réponse
Revue de statistique appliquée, tome 37, n
o2 (1989), p. 103-116
<http://www.numdam.org/item?id=RSA_1989__37_2_103_0>
© Société française de statistique, 1989, tous droits réservés.
L’accès aux archives de la revue « Revue de statistique appliquée » (http://www.sfds.asso.fr/publicat/rsa.htm) implique l’accord avec les condi- tions générales d’utilisation (http://www.numdam.org/conditions). Toute uti- lisation commerciale ou impression systématique est constitutive d’une in- fraction pénale. Toute copie ou impression de ce fichier doit contenir la présente mention de copyright.
Article numérisé dans le cadre du programme Numérisation de documents anciens mathématiques
http://www.numdam.org/
MÉTHODOLOGIE TAGUCHI
APPLIQUÉE A UNE ÉTUDE DE SURFACE DE RÉPONSE
E. JOBLET
&
E. de LARMINAT
BBN
Software
France - 80, avenueMarceau
75008 PARISStatistique
RESUME
Cet
exemple d’optimisation
d’une réactionchimique
montre comment lelogiciel
RS/Discover permetd’appliquer
laphilosophie
TAGUCHI aux études de surface deréponse
et
généralise
la notion de"Statistique
de Performance".ABSTRACT
This
example
ofoptimisation
of a chemical reaction showshow, through
the RS/Discoversoftware,
the TAGUCHIphilosophy
can beapplied
to a response surfacemethodology study
and how the notion ofperformance
statistic can be extended.Introduction
Les
techniques
deplanification expérimentale permettent
d’obtenir une con- naissanceapprofondie
desphénomènes
ouprocédés
étudiés en réalisant desgains économiques grâce
à uneorganisation optimale
desexpériences
à effectuer.Depuis Fisher, l’expérimentateur
a à sadisposition
des outils tels que lesplans factoriels, qui
luipermettent d’organiser
ses essais defaçon
à obtenir des résultatsexpérimentaux
lesplus
"utiles"possibles,
à collecter des donnéesqui
vont contenirles informations
qu’il
recherche.Genichi
Taguchi
a fait progresser cestechniques
dans différentes directions : il a tout d’abord eu l’idée de s’intéresser non seulement à laréponse (variable
àexpliquer)
mais aussi à sa variabilité. Rien ne sert d’obtenir enphase pilote
unrendement de 99% s’il est difficile ou
coûteux,
enphase
deproduction industrielle,
de maintenir leprocédé
aupoint
de fonctionnement trouvé. Si depetites
variationsdes conditions
opératoires
et enparticulier
des "variablesd’environnement",
engénéral
noncontrôlées,
induisent des variations de rendementimportantes,
il vautsans doute mieux chercher un
optimum plus
stable même s’il est un peu moins bon.Par ce
type
deraisonnement, Taguchi
a su toucher lesingénieurs,
mettant lestechniques
deplanification expérimentale
au service de l’industrie alorsqu’elles
n’étaient utilisées que par les statisticiens. Cela ne s’est pas fait sans une
simplifi-
cation très
poussée
de laméthodologie
que certains luireprochent
de limiter à unensemble de "recettes de cuisine".
104 E. JOBLET, E. de LARMINAT
On peut sans doute aussi mettre à son actif la
généralisation
desplans
factoriels fractionnaires par les fameux
"orthogonal arrays"
dont certains permettentd’intégrer
des variablesqualitatives
àplus
de deux modalités. Là encore,cependant,
ses détracteurs diront
qu’il
les utilise à l’exclusion de tout autre type deplans,
mêmequand
ils ne sont pas lesplus appropriés.
Sa célébrité et l’intérêt
grandissant
dont fontl’objet
sesidées,
sont aussidûs au fait
qu’il
a su utiliser lelangage
de laqualité,
des financiers et des chefsd’entreprises :
pourlui,
tout écart autour de la valeur nominale d’unecaractéristique quelconque
se traduit par une baisse de laqualité
et donc par uneperte
subie non seulement parl’entreprise qui produit
mais aussi par la Société toute entière. La fonction deperte (ou
"lossfunction") qu’il
aime définir doit êtreexprimée
en unitésmonétaires !
L’exemple
que nous allonsdévelopper
montre comment lelogiciel RS/Disco-
ver
permet d’appliquer
les méthodes deTaguchi
à une étude de surface deréponse
et
généralise
la notion de"statistique
deperformance",
une despierres angulaires
de tout l’édifice. Il
s’agit
del’optimisation
d’unprocédé,
ici une réactionchimique,
c’est-à-dire de la recherche d’un
point
de fonctionnementoptimal
où la variabilité de laréponse
étudiée est minimale.1. Présentation du
problème
Le
procédé
étudiépermet
la fabrication industrielle d’unproduit chimique.
La
synthèse
de ceproduit
est obtenue par un mécanismechimique complexe qui,
à l’échelle industrielle s’effectue en deux
étapes :
une réaction de condensation et une réaction decyclisation.
Dans lapremière étape,
on introduit différentsréactifs en une seule fois en
présence
d’un solvant. Lemélange
réactionnel est soumis à un modeopératoire spécifique
à l’issueduquel
la réaction de condensation s’effectue. Dans la deuxièmeétape,
les conditionsopératoires
sont modifiées afin que lacyclisation
seproduise.
,On s’intéresse
plus particulièrement
au rendement final de la réaction c’est- à-dire à laquantité
deproduit
obtenuaprès
élimination desimpuretés.
Des étudespréliminaires
ontpermis
de montrer quel’étape
de condensation estprédominante.
Parmi tous les
paramètres susceptibles
d’avoir une influence sur le rendement de laréaction,
unplan d’expériences
detype screening
apermis
de sélectionner les facteursprincipaux.
Grâce aux résultatsobtenus,
des conditionsopératoires permettant
d’avoir un rendementacceptable
ont été trouvées.Cependant,
il s’avèrequ’en production,
la variabilité des rendements obtenus est trèsimportante.
Ceciest en
partie dû, semble-t-il,
à l’existence de facteurs non contrôlés à l’échelle industrielle.1.1
Objectifs
A ce niveau de
l’étude,
l’intérêt estporté plus particulièrement
sur laqualité
du rendement recherché. A
partir
des facteursprincipaux
et de ceux difficilementou non contrôlables
industriellement,
on cherche à trouver larégion optimale
dudomaine
expérimental
où les facteurs non contrôlés ont le moins d’influence afin de minimiser la variabilité du rendement final.APPLIQUÉE
1.2 Choix des
facteurs
et du domaineexpérimental
Trois
catégories
de facteurs sedistinguent
pour cetype
d’étude.- Les facteurs contrôlés
Ces facteurs sont totalement maîtrisés tout au
long
duprocédé.
Les valeursqui
leur sontimposées
ne subissent donc aucune modification.- Les facteurs difficilement contrôlables
Ces facteurs
jouent
un rôleimportant
et ne sont pas bien maîtrisés en fabrication. Il y atoujours
des fluctuations autour des valeursimposées.
Nousles nommons facteurs de "sensibilité"
(sensitivity).
- Les facteurs non contrôlables
Ces facteurs ne sont pas du tout maîtrisés en
fabrication ;
on nepeut
donc pas leurimposer
une valeur. On admetqu’ils
ont peu d’influence sur leprocédé
maisqu’ils peuvent
être source de variabilité. Ils sont considérés comme des ;acteurs de"bruit"
(noise).
Les facteurs suivants ont été retenus :
- le
rapport quantité
de réactifA/volume
de solvant- la durée de la réaction de condensation
-
température
de la condensation-
pureté
du réactif A-
pureté
du réactif BLes études antérieures ont montré que les trois
premiers
facteurs sont lesfacteurs les
plus
influents sur la formation duproduit.
Bien que d’autres réactifs interviennent dans lemélange
réactionnelinitial,
leur effet étant de moindreimportance,
il a été choisi de ne pas faire varier leur concentration.Industriellement,
on sait contrôler avec
précision
ces troispremiers
facteurs.Les réactifs A et B sont des
produits
dont lapureté
varie pour A de 98 à 100%et pour B de 95 à 100% . Ce sont les tolérances
acceptées
lors de l’achat de cesproduits.
Cespourcentages
sont donc totalement incontrôlables au niveau industrielet sont considérés comme des facteurs de bruit. On pense
qu’ils peuvent agir
sur lavariabilité du rendement en favorisant la formation de
produits
secondaires. Aussi souhaite-t-on trouver unpoint
de fonctionnement où le rendement est le moins sensiblepossible
à laprésence d’impuretés.
Dans cetteétude,
nous n’avons pas utilisé de facteur de sensibilité.Les domaines -de variation des facteurs contrôlés ont été choisis en tenant
compte
des résultats des essaispréalables.
Les limites des facteurs de bruitcorrespondent
aux tolérance annoncées par les fournisseurs.Avec
RS/Discover,
la définition des facteurs est lapremière opération
àréaliser. Les informations saisies sont
présentées
dans le tableau I.RS/Discover
utilise les éléments fournis au cours de cetteétape
pourguider
l’utilisateur dans lesétapes
suivantes.106 E. JOBlEI’, E. de LARMINAT
TABLEAU 1
Experiment
Factors2.
Stratégie adoptée
Rappelons qu’une stratégie expérimentale
detype Taguchi
est constituée de deux matricespermettant d’étudier,
enlaboratoire,
l’effet des facteurs contrôlés surla
réponse
ainsi que sur sa variabilité induite par les facteurs de bruit.La matrice
"principale" ("inner array")
est construite avec les facteurs contrôlés et les facteurs de sensibilité. Onrépète chaque expérience
de cette matricedans les conditions définies par une matrice "de bruit"
("outer array")
où l’on fait varier les facteurs sensibilité de la matriceprincipale
et les facteurs non contrôlés(facteurs bruit).
Pour ces deux types de
matrice, Taguchi
propose tout un ensemble de tablesorthogonales. L’originalité
dulogiciel RS/Discover
est d’autoriser aussil’emploi
detoutes les autres matrices
d’expériences classiques
ouD-optimales.
Enrespectant
la démarche
proposée
parTaguchi,
onpeut
en effetappliquer
d’autres matrices que les tablesorthogonales
dans un souci de choisir lastratégie
la mieuxadaptée
auproblème
étudié.Dans cette
étude,
les facteurs influents étant connus, on cherche àprédire
lesvaleurs du rendement et de sa variabilité en tout
point
du domaineexpérimental
choisi. C’est la raison pour
laquelle
on apréféré
unestratégie
detype
RSM(Response
SurfaceMethodology)
à une étude de SCREENING.L’utilisateur de
RS/Discover
doit fournir lesspécifications
duplan d’expé-
riences immédiatement
après
avoir défini son domaineexpérimental (cf.
tableauH).
Ni les matrices factorielles ni les tables de
Taguchi
ne sontadaptées
àune étude de surface de
réponse,
la matrice retenue est une matrice de BOX- BEHNKEN. Ellepermet
de modéliser laréponse (ici
lesstatistiques
deperfor- mance)
sous la forme d’un modèlequadratique.
Cette matricecorrespond
au "innerarray";
pour trois facteurs ellecomprend
12points
situés aux milieux des arêtes du cubequi
délimite le domaineexpérimental plus
despoints
au centre dont lenombre
dépend
despropriétés
recherchées(cf.
tableaum).
Dans le but de limiter le nombre d’essais à
réaliser,
laplus petite
matricepossible
a été retenue pour les matrices debruit,
c’est unplan
factoriel22
nécessitant 4
expériences (cf.
tableauIV).
APPLIQUÉE
TABLEAU Il
Experiment Specifications
TABLEAU 191
Experiment Design (BOX-BEHNKEN)
Le
plan complet comprend
donc 13 x 4 = 52expériences,
un nombrerelativement
important justifié
par laqualité
et laquantité
des informationsqui
seront obtenues
(cf. figure 1).
108 E. JOBLET, E. de LARMINAT TABLEAU IV
Outer array
design (FULL-FACTORIAL)
LES MATRICES D’EXPERIENCES
FIGURE 1
3. Choix des
statistiques
deperformance
L’analyse
d’unplan d’expériences Taguchi
passe par lecalcul,
pourchaque
matrice de
bruit,
d’un "ratiosignal/bruit" appelé
aussi"statistique
deperformance".
Ces valeurs sont traitées comme les
réponses
de la matriceprincipale
etpermettent,
selonTaguchi, d’optimiser
simultanément laréponse
et sa variabilité.L’autre
originalité
deRS/Discover,
est la diversitéparticulièrement grande
des
statistiques
deperformance qu’il
propose. Les "ratiossignal/bruit" ("smaller
isbetter", "larger
isbetter", "target
isbest")
deTaguchi
sontprésents
etcomplétés
par d’autres
plus simples
àinterpréter.
L’utilisateur a même lapossibilité
de définirses propres
statistiques
par des formulesmathématiques.
Pour cette
étude, quatre statistiques
deperformance
ont été retenues(cf.
tableau
V).
- MOY REND : la moyenne des rendements.
Le modèle
ajusté
sur cettegrandeur permet d’optimiser
le rendement de la réaction.- LOGS REND :
l’opposé
dulogarithme
décimal del’écart-type
des rende-ments.
Elle est utilisée comme une mesure de la variabilité du rendement et
prend
des valeurs élevées
quand
la variabilité est faible.- EFFET A : l’effet de la
pureté
du réactif A.- EFFET B : l’effet de la
pureté
du réactif B.Chaque
matrice de bruit est unplan
factorielqui permet
de calculer l’effet de chacun des facteurs bruit sur le rendement enchaque point
de la matriceprincipale.
RS/Discover permet
d’utiliser cettestatistique
deperformance, particulièrement simple
àinterpréter,
pouranalyser
la variabilité.TABLEAU V
Experiment
Performance Statistics4.
Analyse
des résultatsexpérimentaux
RS/Discover
fournit à l’utilisateur une feuilled’expériences (worksheet) qui
dans le cas d’un
plan Taguchi comporte
autant de tableauxqu’il
y a d’essais dans la matriceprincipale. Chaque
tableaureprésente
une matrice de bruit où les facteursfigurent
en valeurs naturelles et où les essaisapparaissent
dans un ordre aléatoire.L’utilisateur saisit la valeur du rendement pour
chaque
essai des matrices de bruit etRS/Discover
calculeautomatiquement
lesstatistiques
deperformance
pourchaque point
de la matriceprincipale (cf.
tableaux VI etVII).
4.1
Analyse statistique
Dans
l’étape d’analyse
desrésultats, RS/Discover calcule,
pourchaque statistique
deperformance,
les coefficients du modèlemathématique
par la méthode des moindres carrés. Les résultats obtenus sontexploités
ensuite dans un menu"interprétation" qui
fournit à l’utilisateur des outils de visualisationgraphique
110 E. JOBLET, E. de LARMINAT TABLEAU VI
Experiment
Inner array WorksheetTABLEAU VII Outer
Array
Worksheet(courbes
deniveaux, diagrammes
en troisdimensions),
et luipermet
de faire de laprévision
et del’optimisation.
Le modèle
quadratique
a étéajusté
pourchaque statistique
deperformance
de l’étude en cours. Les valeurs des coefficients pour MOY REND et LOGS REND sont montrés à titre
d’exemple
dans les tableaux VIII et IX. Dans une étudede surface de
réponse
on ne cherche engénéral
pas àinterpréter
les coefficientsindividuellement mais on utilise le modèle
globalement
pourexplorer
le domaineexpérimental.
TABLEAU Vm
Least
Squares Coefficients, Response
MYTABLEAU IX
Least
Squares Coefficients, Response
SY112 E. JOBLET, E. de LARMINAT
4.2
Analyse graphique
C’est en combinant
l’analyse
desgraphiques isoréponse
et le moduled’optimisation qu’on peut
trouver dans le domaine une ouplusieurs régions
d’intérêt.
La
figure
2représente
une coupe du domaineexpérimental
à latempérature
de 105
degrés.
Lepremier
facteur(rapport A/S)
varie de 1 à 1.5 sur l’axe desabscisses et le deuxième
(durée)
varie de 4 à 6 heures en ordonnée. Les deuxstatistiques,
MOY REND et LOGSREND,
sontreprésentées
sur legraphique.
MOY REND, LOGS_REND TEMPERATURE = 105
FIGURE 2
On remarque
qu’il
existe deux zones où le rendement moyen estsupérieur
à80%. La
première
zonecorrespond
à unrapport A/S
élevé(R supérieur
à1.4)
etune durée faible
(D
inférieure à4h30)
et l’autre à unrapport A/S
faible(R
inférieurà
1.08)
et une durée élevée(D supérieure
à5h).
Ce résultat n’estguère surprenant
étant donné la valeurparticulièrement importante
du terme d’interaction entre cesdeux facteurs
(R
x D =36.9)
parrapport
à l’ensemble des coefficients du modèle.L’examen de l’autre
statistique
deperformance
que l’on souhaite aussi maximale nous montre tout d’abord que les deuxgrandeurs
évoluent différemment dans le domaineexpérimental.
Il faut donc déterminer unerégion
pourlaquelle
lesvaleurs de ces deux
statistiques
deperformance
serapprochent
leplus possible
desobjectifs
fixés. Lafigure
2 montre que la seconde zoneoptimale précédemment
définie
permet
d’obtenir aussi un LOGS REND maximal. Parailleurs,
legraphique
met en évidence l’effet
important
de la durée sur LOGS REND.La
figure
3représente
la même coupe du domaineexpérimental.
L’effet deA,
l’effet de B et le rendement moyen y sontreprésentés.
Ilapparaît
clairement queAPPLIQUÉE
l’effet de A est
plus important
que l’effet de Bqui
n’estpeut-être
passignificatif.
Cela
permet
de conclure que, mise àpart
l’erreurexpérimentale,
la variabilité observée est due la teneur enimpuretés
du réactif A.EFFET_A, EFFET_B, MOY_REND TEMPERATURE = 105
FIGURE 3
4.3
Optimisation
L’étude des courbes de niveaux
permet
de situer larégion
du domaineexpérimental
où il est intéressant de travailler. Pour déterminer les coordonnées du meilleurpoint
defonctionnement,
uneoptimisation
du rendement moyen a été effectuée(cf.
tableauX). RS/Discover
offre lapossibilité
d’effectuer uneoptimisation
sous contraintes par unsimplex.
Dans le casprésent,
nous avonschoisi un
point
dedépart
situé dans la zone d’intérêt(R
=1.05,
D =5h20,
T =
105° C)
et une contrainteportant
sur la valeur de l’effet de A(Effet
A3).
Les résultats del’optimisation indiquent
la valeuroptimale
pourchaque
facteur(R
=1,
D =5h36,
T =110° C)
ainsi que la valeurprévue
pourchaque statistique
de
performance;
le rendement moyen ainsi obtenu estégal
à 99.5% !Les valeurs des
réponses qui apparaissent
dans les tracés de courbes de niveaux et les résultats obtenus à l’issue del’optimisation
sont des valeurs estimées àpartir
du modèlemathématique.
Achaque
estimation est associé un intervalle de confiancequi représente
laprécision
de la valeurprédite.
Pour
n’importe quel point
du domaineexpérimental, RS/Discover peut prédire
la valeur d’une ou
plusieurs réponses
et donne les limites de l’intervalle de confiance associé. Le tableau XI montre les estimations des rendements moyens obtenus pour les niveaux1,
1.25 et 1.5 du facteurrapport A/S (R),
les niveaux114 E. JOBLET, E. de LARMINAT
TABLEAU X
Optimisation
TABLEAU XI
Predictions and 95% non-simultaneous confidence intervals for mean responses of MOY REND T = 110
4, 5,
5.6 de la durée(D)
et latempérature (T)
de 110°C. Lafigure
4 visualisegraphiquement
les mêmes résultats. L’interaction entre les facteursrapport A/S
et durée yapparaît
clairement.APPLIQUÉE
Predictions and 95% non-simultaneous confidence intervals for mean responses of MOY_REND T = 110
FIGURE 4 Conclusion
Cette étude met en lumière l’idée fondamentale de
Taguchi :
la variabilité de laproduction
cause denon-qualité
et depertes économiques,
doit être limitée autant que faire sepeut
mais il n’est pastoujours
nécessaire de recourir à des solutions onéreusesqui
consisteraient à contrôler les facteurs d’environnement que sont ici lespuretés
des réactifsprincipaux.
La recherche d’unerégion opératoire
où les facteurs de bruit ont le
plus petit
effetpossible
sur laréponse
étudiéereprésente
une alternative nettementplus
intéressante. Lapossibilité
offerte par lelogiciel RS/Discover d’appliquer
les méthodes deTaguchi
à des matrices de surface deréponse
et d’utiliser des outilsstatistiques
etgraphiques puissants (dont
on a ici seulement unaperçu)
pour réaliser lesanalyses, permet d’acquérir
une connaissance
approfondie
duphénomène
étudié et de réaliserpleinement
cet
objectif.
Lesstatistiques
deperformance originales
mises à ladisposition
del’utilisateur en
complément
desclassiques
ratiossignal/bruit
deTaguchi
autorisentune
interprétation plus précise
et unecompréhension
enprofondeur
des variabilités observées.Bibliographie
BOX G.E.R et BEHNKEN D.W.
(1960). -
"Some New Three-LevelDesign
for theStudy
of
Quantitative
Variables". Technometrics, 2 : 455-475.BOX G.E.P. et DRAPER NORMAN R.
(1987). - Empirical Model-Building
andResponse
Surfaces.
New York,Wiley.
116 E. JOBLET, E. de LARMINAT
BOX
G.E.P.,
HUNTER W.G. et HUNTER J.S.(1978). - Statistics for Experimenters.
NewYork, Wiley.
BOX G.E.R
(1988). - "Signal-to-Noise
Ratios, Performance Criteria and Transformations".Technometrics,
30 : 1-40.FEDOROV V.V.
(1972). - Theory
ofOptimal Experiments.
New York : Academic Press.HUNTER J.S.
(1985). -
"StatisticalDesign Applied
to ProductDesign".
Journalof Quality Technology,
17 : 210-221.JONES B.A.
(1988). -
"A RobustApproach
toTaguchi
Methods".Proceedings
of the 12th AnnualRocky
MountainQuality Conference,
pp. 325-339.KACKAR R.N.
(1985). -
"Off-LineQuality
Control, ParameterDesign
and theTaguchi
Method". Journal
of Quality Technology,
17 : 176-188.LEON R.V., SHOEMAKER A.C. et KACKAR R.N.
(1987). -
"Performances MeasuresIndependent
ofAdjustment".
Technometrics, 29 : 253-286.PIGNATIELLO J.J. et RAMBERG J.S.
(1985). -
"Off-LineQuality
Control, ParameterDesign
and theTaguchi
Method. A Discussion". Journalof Quality Technology,
17 :198-206.
TAGUCHI G.
(1978). -
"PerformanceAnalysis Design".
International Journalof Production
Research, 16 : 521-530.TAGUCHI G.
(1985). - "Quality Engineering
inJapan".
Bull.Japan
Soc.of
Proc.Eng.,
19 : 237-242.
TAGUCHI G.
(1985). -
Introduction toQuality Engineering : Designing Quality
intoProducts and Processes. Asian
Productivity Organization,
UNIPUB, Kraus Intern.Public. White Plains, N-Y.
TAGUCHI G.
(1981). -
On-LineQuality
Controlduring
ProductionJapan
Stand. Ass.,Tokyo.
TAGUCHI G. et PHADKE M.S.
(1984). - "Quality Engineering throught Design Opti-
mization".
Conf.
Record vol. 3, IEEE GlobecomConference,
Atlanta, GA., 1984 :1106-1113.
TAGUCHI G. et WU Y.
(1985). -
"Introduction to Off-LineQuality
Control". CentralJapan Quality
Control Association.TAGUCHI G.
(1960). -
"Tables ofOrthogonal Arrays
and LinearGraphs". Rep.
Stat.Appl.
Res. JUSE,
6,
5 : 176-227.TAGUCHI G.
(1960). -
"LinearGraphs
forOrthogonal Arrays
and theirApplications
toExperimental Designs
with the Aid of VariousTechniques". Rep.
Stat.Appl.
Res.JUSE, 6, 4 :
134-175.Commission paritaire : 65621
IMPRIMERIE LOUIS-JEAN Dépôt légal : 543 - Juillet 1989