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. Plans composites centrés - Méthodologie de surface de réponse (MSR). 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.
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. Plan composite centreé 3 facteurs pour. 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.
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. Plans composites [43, 53, 52, 57] - Méthodologie des surfaces de réponses. 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: () = [ ( ()).
Ils garantissent également que tous les facteurs ne sont jamais simultanément à leur niveau maximum.
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. Les-Mathematiques.net. 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.
Autrement dit, elles minimisent un certain nombre d'objectifs tout en dégradant les performances sur d'autres objectifs. La dominance Une multitude de solutions peuvent être trouvées dans la résolution d'un problème d'optimisation multiobjectif, une question qui se pose est comment choisir les solutions les plus intéressantes entre toutes ces solutions. Pour le faire il faut se baser sur le concept de dominance. Il faut donc qu'il existe une relation de dominance entre la solution considérée et les autres solutions: On dit que le vecteur domine le vecteur si: est au moins aussi bon que dans tous les objectifs, et, est strictement meilleur que dans au moins un objectif. Plan composite centreé 3 facteurs simple. Les solutions qui dominent les autres mais ne se dominent pas entre elles sont appelées solutions optimales au sens de Pareto (ou solutions non dominées). On dé nit comme suit l'optimalité locale et l'optimalité globale au sens de Pareto. Un vecteur est optimal localement au sens de Pareto s'il existe un réel > 0 tel qu'il n'y ait pas de vecteur qui domine le vecteur avec (, ), ù (, ) représente une boule de centre et de rayon.
Il est actuellement 20h33.