Explorer les Livres électroniques
Catégories
Explorer les Livres audio
Catégories
Explorer les Magazines
Catégories
Explorer les Documents
Catégories
Dpartement Techniques
Master Ingnierie et Modlisation des Systmes
Mcanique
Ddicace
A ma famille,
Aucune ddicace ne saurait exprimer toute laffection que vous mavez
porte. Ce travail est le rsultat de limmense sacrifice et la tendresse que vous
mavez toujours apporte, ainsi pour lamour et le support perptuel
Veuillez trouvez en ce travail la preuve de lamour, du respect et de lestime
que je vous porte.
Que dieu vous protge et vous procure une longue vie.
A tous mes amis,
Pour les moments quon a pass ensemble, veuillez trouver ici lexpression de
mes profondes amitis.
A tous les artisans de ma russite.
Que ceci puisse tre le meilleur prsent que je peux vous offrir.
Aziz
Remerciement
Je ne saurai commencer ce rapport sans remercier ALLAH le tout puissant, le
tout misricordieux, qui ma donn grce et bndiction pour terme ce projet.
Rsum
La fiabilit est la discipline qui tudie les risques de dfaillance dun dispositif
quelconque : cest un peu la science des dfaillances, qui fait appel la fois des
thories mathmatiques se perfectionnant sans cesse, des connaissances dordre
technologique et lexprience.
Les objectifs de cette recherche sont :
1. De prendre en compte les besoin davoir des donner fiable pour obtenir des
estimations fiable.
2. De jeter des ponts entre les approches fiabilits et les modles physiques de
dfaillance de manire pouvoir intgrer les sollicitations variables.
3. De prendre en compte l'incertitude dans les modles de fiabilit de maintenance
industrielle.
4. De contribuer au dveloppement d'outils de fiabilit : FSTS_Fiabilitix t
dvelopps par nos soins et exploits dans le cadre du projet.
La premire partie de cette recherche montre que la collecte de donnes de la
fiabilit est une des composantes de l'valuation de la fiabilit, ainsi les objectifs
atteindre lors du recueil de donnes, elle prsente aussi les problmes majeurs qui
conduisent des donnes non fiables.
La deuxime partie ce travaille s'est intresse la fiabilit des systmes non
rparable, ou on a dtaill les mthodes pour estimer les lois de fiabilit des systmes
non rparable (rgression, maximum de vraisemblance) ainsi que pour dterminer
lincertitude affectant ces modles (normale, matrice de Fisher, simulations).
Pour finaliser ce projet on labore une application sur MATLAB qui va nous
permettre par la suite destimer les lois de fiabilit.
Avant-propos
Les activits industrielles et humaines font presque quotidiennement les grands
titres des actualits avec leurs cortges dincidents, daccidents ou dvnements
catastrophiques.
En effet, le zro dfaut ou le risque zro nexiste malheureusement pas pour les
activits industrielles cause de loccurrence de dfaillances humaines ou matrielles.
Toutefois, pour tenter de rduire les risques un niveau le plus faible possible et
acceptable par lopinion publique, des mthodes, des techniques et des outils
scientifiques ont t dvelopps ds le dbut du 20 sicle pour valuer les risques
potentiels, prvoir loccurrence des dfaillances et tenter de minimiser les
consquences des situations catastrophiques lorsquelles se produisent.
Pour assurer la sret de fonctionnement des installations et grer au mieux les
risques, les industries et les communauts scientifiques sintressent particulirement
la fiabilit, do le service de gnie mcanique de la facult des sciences et
techniques de Settat a eu lide dlaborer une application sous MATLAB, permet
lestimation des paramtres des lois de fiabilit pour les systmes non rparable.
Sommaire
Rsum ................................................................................................................................ 6
Avant-propos ....................................................................................................................... 7
Chapitre 1 : ........................................................................................................................ 10
Introduction gnrale ........................................................................................................ 10
1.1
Cadre du projet ................................................................................................... 10
1.2
Objectif de la recherche ...................................................................................... 11
1.3
Contenu du travaille ........................................................................................... 12
Chapitre 2 : ....................................................................................................................... 13
Fiabilit des donnes ......................................................................................................... 13
2.1
Introduction ........................................................................................................ 13
2.2
Collecte des donnes de la fiabilit ................................................................... 13
2.2.1 Principe et finalit ............................................................................................. 13
2.2.2 Donnes de fiabilit .......................................................................................... 14
2.2.3 Collecte des donnes ........................................................................................ 14
2.2.4 Paramtres ......................................................................................................... 15
2.3
Contraintes et fiabilit des donnes .................................................................... 15
2.3.1 Contraintes dues lenvironnement.................................................................. 16
2.3.2 Contraintes de fonctionnement et de mise en uvre ........................................ 16
2.3.3 Limitation des contraintes ................................................................................. 20
2.3.4 Le facteur humain ............................................................................................. 20
2.3.5 Erreur de collecte des donnes .......................................................................... 22
2.4
Conclusion .......................................................................................................... 25
Chapitre 3 : ....................................................................................................................... 27
Fiabilit des systmes non rparables ............................................................................... 27
3.1
Introduction : ...................................................................................................... 27
3.2
Dfinition de la Fiabilit des systmes non rparables ..................................... 27
3.2.1 Systme non rparable ...................................................................................... 28
3.2.2 Les lois de fiabilit ............................................................................................ 29
3.3
Types de donnes ............................................................................................... 31
3.3.1 Compresseur de Dow Corning .......................................................................... 31
3.4
Estimation non-paramtrique de la fiabilit ....................................................... 34
3.4.1 Estimateurs non-paramtriques pour un chantillon simple et complet ........... 34
3.4.2 Estimateurs non-paramtriques pour un chantillon comprenant des donnes
censures et multiples ....................................................................................................... 36
3.4.3 Illustration et comparaison des estimateurs ...................................................... 38
3.5
Estimation paramtrique de la loi de fiabilit .................................................... 40
3.5.1 Mthode de rgression ...................................................................................... 40
3.5.2 Mthode du maximum de vraisemblance (MLE) ............................................. 47
3.5.3 Comparaison des mthodes (rgression et MLE) ............................................. 51
3.5.4 Conclusion ........................................................................................................ 51
3.6
Incertitude affectant un modle de fiabilit ........................................................ 52
3.6.1 Mthodologies................................................................................................... 52
Chapitre 1 :
Introduction gnrale
1.1 Cadre du projet
Cette recherche entre dans le cadre gnral de la sret de fonctionnement des systmes,
reconnus comme une discipline part entire qui retient la fois lintrt des communauts
scientifique et industrielles.
Selon la dfinition propose par Jean-Claude Laprie [1] la proprit qui permet aux
utilisateurs du systme de placer une confiance justifie dans le service qu'il leur dlivre .
Au sens large, la sret de fonctionnement est considre comme la science des dfaillances
et des pannes .
La suret de fonctionnement peut donc dsigner plusieurs choses :
Laptitude dune entit (organisation, produit, moyen, etc.) dune part, disposer de
ses performances fonctionnelles (fiabilit, maintenabilit, disponibilit) et dautre part,
ne pas engendrer de risques majeurs (humains, environnementaux, financiers, etc.).
Les activits dvaluation de cette aptitude (tudes de sret de fonctionnement).
Lensemble des personnels en charge de ces activits.
11
dans un second temps, on est intresss aux mthodes qui permettent de caractriser
lincertitude.
Cela tant dit, lobjectif principal du travail quon a men consiste dvelopper une
application sous MATLAB qui permet lestimation des paramtres des lois de fiabilit des
systmes non rparables. Le prsent mmoire prsente les dmarches embrasses de telle
manire apprhender les concepts thoriques relatifs la thmatique en question pour
ensuite le concrtiser dans ce projet.
13
Chapitre 2 :
Fiabilit des donnes
2.1 Introduction
Le paradoxe de l'analyse de la fiabilit cest quil est difficile d'obtenir des donnes
ncessaires l'chec "prouver" qu'il est fiable!
Nous entendons le terme fiabilit utilis beaucoup dans des contextes de recherche,
mais qu'est-ce que cela signifie vraiment? Si on pense la faon dont nous utilisons le mot
fiable dans le langage courant, vous risquez d'obtenir un indice. Par exemple, on parle
souvent d'une machine aussi fiable: "une voiture fiable". Ou alors, les gens Nouvelles parler
d'une "source habituellement fiable". Dans les deux cas, le mot signifie habituellement fiable
"fiable" ou "digne de confiance." Dans la recherche, le terme fiable signifie aussi fiable
dans un sens gnral, mais ce n'est pas une dfinition suffisamment prcise. Qu'est-ce que cela
signifie d'avoir une mesure fiable ou d'observation dans un contexte de recherche? La raison
"fiable" n'est pas une description assez bonne, c'est qu'il peut tre confondu trop facilement
avec l'ide d'une mesure valide. Certes, quand on parle d'une mesure fiable, nous voulons dire
celui qui est la fois fiables et valides. Donc, nous devons tre un peu plus prcis quand nous
essayons de dfinir la fiabilit.
Dans ce chapitre nous verrons que ce n'est pas possible de calculer la fiabilit
exactement. Au lieu de cela, nous devons lestimer, et c'est toujours une tentative imparfaite.
Ici, je veux vous prsenter les problmes majeurs qui conduisent des rsultats non fiables, en
raison des contraintes denvironnement, de fonctionnement, et limportance de lintervention
humaine, une tude de fiabilit doit tenir compte les facteurs (environnement, fonctionnement
et mise en uvre, humain).
15
La collecte des donnes de fiabilit concerne tous les lments dinformation relatifs
loccurrence des dfaillances, do une fiche de collecte des informations qui serait optimale
rendrait compte des informations suivantes :
2.2.4 Paramtres
Si les donnes du retour dexprience sont collectes avec prcaution, il est possible alors
de caractriser la Sret de fonctionnement dun composant (ou dune entit) par les
paramtres suivants :
17
= exp
(2.1)
Avec :
t
temps au bout duquel on observe un tat interne donn, par exemple une
dfaillance.
t0
1/n
charge de llectron.
constant de Boltzmann.
temprature absolue.
La temprature nest pas la seule contrainte possible et elle nagt pas forcment seule.
Dans le domaine lectronique par exemple llectro migration rsulte de leffet combin de la
temprature et de la densit de courant dans des conducteurs mtalliques : il y a dplacement
de mtal selon la loi :
t = A Jm exp (qE/kT)
(2.2)
Avec :
t
constante,
densits de courant, de lordre de 105 A/cm2 pour que cet effet soit observable,
ce qui est bien le cas des interconnexions des semi-conducteurs (sections de
lordre de 1 m 10 m),
de lordre de 3.
19
mthodes des valeurs moyennes et extrmes en donnent respectivement des valeurs par dfaut
et par excs.
a. Mthode des valeurs moyennes : on suppose que (n 1) des paramtres lmentaires
ont leur valeur moyenne linstant t et, connaissant la probabilit de rpartition, on calcule la
probabilit de (p p0). On recommence pour les n composants, et la fiabilit est le produit
des probabilits Rn.
b. Mthode des valeurs extrmes : on suppose au contraire que (n 1) des paramtres
lmentaires ont soit une valeur extrme spcifie. Connaissant la probabilit de rpartition,
on calcule comme en a la probabilit de (p p0), puis le produit de ces probabilits Rn.
c. Mthode de Monte Carlo (mthode empirique) : on tire au hasard un jeu de valeurs
p1k,..., pnk de chaque paramtre daprs leur rpartition statistique au temps t et on calcule
pour chaque exprience pk = (p1k, ..., pnk) La rpartition des valeurs pk est un estimateur de
la rpartition statistique de p do lon tire directement la probabilit pour (p p0), cest--dire
la fiabilit.
21
On distingue plusieurs types de tches qui permettent une premire approche des erreurs
humaines : tches simples, complexes, de vigilance, de contrle, et postincidentielles ou
postaccidentielles.
23
sommes un peu coincs. Probablement il est prfrable de faire cela comme une tude
secondaires ou d'tudes pilotes.
Daprs [11] William MK Trochim propose quatre classes gnrales d'estimations de
fiabilit, dont chacun estimations de la fiabilit d'une manire diffrente. Ils sont:
Utilis pour valuer la mesure dans laquelle diffrents valuateurs / observateurs donnent
des estimations cohrentes du mme phnomne.
Test-retest
Utilis pour valuer la cohrence des rsultats de deux essais construisent de la mme
manire partir du domaine mme contenu.
Utilis pour valuer la cohrence des rsultats entre les lments d'un test.
a. L'erreur alatoire
L'erreur alatoire est cause par des facteurs qui affectent de faon alatoire la mesure de
la variable dans l'chantillon. Par exemple, l'humeur de chaque personne peut gonfler ou
dgonfler leurs performances sur n'importe quelle occasion. Dans un test particulier, certains
operateurs peuvent se sentir dans une bonne humeur et d'autres peuvent tre dprims. Si
l'humeur affecte leurs performances sur la mesure, il peut gonfler artificiellement les scores
observs pour certains et de les dgonfler artificiellement pour les autres. La chose importante
propos d'erreur alatoire est qu'il n'a aucun effet uniforme dans tout l'chantillon. Au lieu de
cela, il pousse les scores observs haut ou le bas de faon alatoire. Cela signifie que si nous
pouvions voir de toutes les erreurs alatoires dans une distribution qu'ils auraient la somme
de 0 - il n'y aurait que de nombreuses erreurs ngatives que positives. La proprit importante
de l'erreur alatoire est qu'il ajoute la variabilit des donnes, mais n'affecte pas la
performance moyenne du groupe. Pour cette raison, l'erreur alatoire est parfois considre
comme du bruit.
b. Erreur systmatique
L'erreur systmatique est cause par des facteurs qui affectent systmatiquement la
mesure de la variable dans l'chantillon. Contrairement l'erreur alatoire, les erreurs
systmatiques ont tendance tre habituellement positive ou ngative, de ce fait, l'erreur
systmatique est parfois considre comme un biais de mesure.
25
2.4 Conclusion
Daprs tous ce qui prcde, on peut penser de fiabilit des donnes que la proportion de
vrit dans les donnes. Maintenant, on ne parle pas de la fiabilit d'une donne pour un
systme, mais de la fiabilit dune caractristique d'une mesure qui est prise.
Donc, pour se rapprocher d'une dfinition plus formelle, la meilleure faon de le faire est
de prendre un exemple mathmatique (la variance).
Rappelant que la variance en statistique et probabilit, est une mesure arbitraire servant
caractriser la dispersion d'une distribution ou d'un chantillon, donc, on arrive la partie
critique maintenant, si on observe un chenillant quelconque, on peut facilement dterminer
ou calculer la variance (C'est juste moyenne des carrs moins le carr des moyennes
1
= =1( )2 ). Mais comment pouvons-nous calculer la vraie variance
dun chenillant et nous ne pouvons pas connatre les vraies donnes, grasse aux contraintes
(environnement, fonctionnement et mise en uvre, humain) quon a dj signal. Seul Dieu
connat les donnes relles pour une observation spcifi. Et, si l'on ne peut pas aboutir des
donnes relles, on ne peut pas calculer la vraie variance de lchenillant, ce qui signifie que
nous ne pouvons pas calculer la fiabilit!
Alors, o cela nous mne? Si l'on ne peut pas calculer la fiabilit, peut-tre mieux quon
peut faire est de l'estimer.
Le prsent chapitre est une recherche bibliographique dont ses objectifs de prsenter les
problmes majeurs qui conduisent des rsultats non fiables, en raison des contraintes
denvironnement, de fonctionnement, mise en uvre, et limportance de lintervention
humaine.
Enfin, je ne trouve mieux que la phrase avec la quelle jai commenc ce chapitre cest
que Le paradoxe de l'analyse de la fiabilit cest quil est difficile d'obtenir des donnes
ncessaires l'chec "prouver" qu'il est fiable!
27
Chapitre 3 :
Fiabilit des systmes non rparables
3.1 Introduction :
La fiabilit est la discipline qui tudie les risques de dfaillance dun dispositif
quelconque : cest un peu la science des dfaillances, qui fait appel la fois des thories
mathmatiques se perfectionnant sans cesse, des connaissances dordre technologique et
lexprience.
En effet, il est certain que la fiabilit est ne de lintroduction, dans des tudes de pannes
autrefois menes de faon trop empirique, des thories de statistiques et de probabilits, mais
on ne doit pas perdre de vue que la fiabilit est fonde sur lexprience et quelle doit toujours
sappuyer sur la technologie.
Le prsent chapitre est consacr la fiabilit des systmes non rparables et traite la
fois les lois de survie, et les mthodes destimation non paramtrique et paramtrique de la
loi de fiabilit.
Nous verrons au cours de ce chapitre que la fiabilit des systmes fait appel aussi de
nombreuses autres disciplines.
fonctionnement correct, comme lexcution correcte des tches : autrement dit une excution
errone de tches est aussi grave (souvent plus) que larrt total de fonctionnement.
Une note de cette norme prcise que la fiabilit est la probabilit pour quun bien
accomplisse une fonction requise, dans des conditions donnes pendant un intervalle de temps
donn. Dans ce travail, les biens considrs sont les quipements mcaniques. La loi de
fiabilit R(t) (R pour Reliability = fiabilit en anglais) reprsente lvolution de cette
probabilit au cours du temps :
= ( )
(3.1)
29
Dans tous les domaines ou lon cherche mesurer linstant darrive dun vnement
alatoire (panne, mort, maladie, chmage,.).
, 0
0
(3.2)
, < 0
1 , 0
0
, < 0
(3.3)
(3.4)
La fonction de rpartition :
=1 =1
(3.5)
1
2
1 2
(3.6)
La fonction de rpartition :
=1
(3.7)
1
2
= 1
1 ln 2
1
2
1 ln 2
(3.8)
(3.9)
31
=1
=
()
(3.10)
()
(3.11)
Pour des raisons pratiques, il est utile dexprimer cette la loi distribution Weibull partir
de la distribution des valeurs extrmes minimales [Matlab] :
; , =
ln
(3.12)
Les donnes sont issu de [2] les lments constitutifs de cet quipement sont les suivant :
Trios cylindres (gauche, central, droit)
Un o-ring par cylindre
Deux clapets par cylindre (aspiration/refoulement). Un clapet est compos de :
une bille, un sige de bille, un guide de bille, un ressort, une bute de ressort, trois
o-rings (sige/bti ; sige/guide ; guide/bti)
1 soupape de scurit
2 ttes dhomognisateur
Les dates des arrts de maintenance qua subie set quipement sont donnes dans le
tableau 3.1. De plus, cet quipement a t instrument dun compteur qui permet de connaitre
prcisment les dures de vie de ses composants.
Date
Compteur[h] Maintenance
Date
Compteur[h] Maintenance
05/08/2004
15228
Corrective
06/01/2005
15902
Corrective
22/08/2004
15296
Corrective
19/01/2005
15960
Corrective
02/09/2004
15364
Corrective
21/01/2005
15976
Corrective
06/09/2004
15380
Corrective
17/02/2005
16088
Corrective
27/09/2004
15499,5
Corrective
11/03/2005
16212
Corrective
13/10/2004
15580
Corrective
11/04/2005
16383
Corrective
23/10/2004
15647
Corrective
20/05/2005
16600
Corrective
04/11/2004
15702
Corrective
08/07/2005
16842
Corrective
16/11/2004
15737
Corrective
19/07/2005
16896
prventive
22/11/2004
15774
Corrective
27/07/2005
16926
Corrective
07/12/2004
15817
Corrective
29/09/2005
17263
Corrective
16/12/2004
15855
Corrective
Tab. 3.1 : Interventions de maintenance sur le compresseur
A cet historique, on peut dduire les temps de bon fonctionnement du systme TBF (Tab.
3.2) en faisant lhypothse que la maintenance remet le systme neuf. Lindicateur = 0 si
la maintenance est corrective et = 1 si la maintenance est prventive (censure droite).
TBF
68
68
16
119,5
80,5
67
0
0
0
0
0
0
TBF
55
35
37
43
38
47
0
0
0
0
0
0
TBF
58
16
112
124
171
217
0
0
0
0
0
0
TBF
242
54
30
337
0
1
0
0
33
ressorts des clapets daspiration et les o-rings des cylindres. Les temps de bon fonctionnement
TBF pour chacun de ces lments sont repris dans les tableaux 3.3, 3.4 et 3.5.
TBF
TBF
68
0
68
1
68
1
68
0
68
0
68
0
135,5 1
135,5 1 135,5 1
202,5 1
202,5 1 202,5 1
153
1
153
0
153
1
118
0
118
0
118
0
115
0
115
0
115
0
808
1
808
1
808
1
818
1
818
1
818
1
Tab.3.3: TBF des o-rings des clapets
d'aspiration
o-ring cyl. G
TBF
81
1
152
1
43
1
38
1
252
1
30
1
37
1
788
1
119,5
1
105
1
237,5
1
TBF
TBF
474
0
474
0 474 0
153
1
153
0 153 1
118
1
118
1 118 1
115
0
115
0 115 0
808
1
808
1 808 1
367
0
367
0 367 0
451
1
451
1 451 1
Tab. 3.4 : TBF des ressorts des clapets
d'aspiration
81
1
81
1
152
0
152
1
43
1
43
1
38
1
38
1
252
1
252
1
30
1
30
1
37
1
37
1
788
1
788
1
119,5
1
47
0
105
1
199,5
1
684
0
684
0
147,5
0
58
0
90
0
Tab. 3.5 : TBF des o-rings des cylindres
0
(1)
/ < +1
1
>
= 1, , 1
(3.13)
Il sen suit que pour un chantillon (T1, T2,, Tn) donn, si on fixe t, la fonction Fn(t)
est une variable alatoire.
[nFn(t)=i] est la probabilit que le nombre de dfaillances survenant avant t, parmi les n
dfaillances de lchantillon, soit gal i.
Appelons succs lvnement Et avoir une dfaillance avant t . Le caractre simple
de lchantillon permet daffirmer que nFn(t) suit un schma binomial. Le thorme des
grands nombres montre que Fn(t) F(t) quand n ; nFn(t) est donc une variable binomiale
B [n, Fn(t)] :
= = () [1 t ]ni
(3.14)
a. Estimateur binomial
Soit un chantillon de n temps de dfaillance t1<t2<<t n. lestimateur binomial est
directement dduit de la fonction en escalier Fn(t) :
=
= 1, ,
(3.15)
Set estimateur prsente linconvnient que lorsque t=tn, la fonction de dfaillance est
unitaire = 1. En pratique, cela signifie que la dure de vie dun quipement ne peut pas
tre suprieure . Cette proprit nest vrifie que pour une population complte. De plus,
nous verrons dans la suite quil est impossible de porter ce point dans un graphe de
probabilits.
35
() [1 t ]nk
< =
(3.16)
=1
+1
= 1, ,
3.17
() [1 t ]nk = 0.5
< =
(3.18)
=1
3.19
Une mthode plus simple et facile destimer les rangs mdiane est dappliquer deux
transformations dquation. (3.19), dabord pour la distribution bta, puis de la distribution F,
rsultant en [13], Ou F0.50,k,l est la distribution de Fisher-Snedecor = 2( + 1) et
= 2 degrs de libert.
Gnralement, on utilise une expression approche de cet estimateur :
=
0.3
+ 0.4
= 1, . ,
3.20
La diffrence entre les rangs mdians thorique et les rangs mdians approchs est de
lordre du dixime de pour cent.
i
1
2
3
4
5
6
7
8
9
10
i/n
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
i / (n+1)
0.0909
0.1818
0.2727
0.3636
0.4545
0.5455
0.6364
0.7273
0.8182
0.9091
(i - 0.3)/ (n + 0.4)
0.0673
0.1635
0.1623
0.2586
0.3551
0.4517
0.6449
0.7414
0.8377
0.9330
=0
= 1, . .
(3.21)
=0
La probabilit quun quipement soit dfaillant dans le intervalle est une probabilit
conditionnelle telle que :
= 1 < 1 = ( (1 )/1 (1 )
(3.22)
37
Do :
1 =
1 ( )
( )
=
1 (1 ) (1 )
(3.23)
(3.24)
( ) =
(3.25)
=1
= 1, ,
(3.26)
( ) = 1
(3.27)
=1
Cette mthode peut tre particularise dans le cas ou les donnes sont exactes. Il suffit
alors de faire tendre la largeur des intervalles zro.
Dans le cas particulier ou il nya quune dfaillance par intervalle, la relation de
rcurrence (3.25) nous montre que, si la donne est censure droite, la fonction de fiabilit
reste inchange : = 0 et ( ) = (1 ). Dans ce cas de figure, cette relation de
rcurrence peut scrire :
= 1 ) 1 (1
(3.28)
a. Estimateur de Kaplan-Meier
La procdure de Kaplan-Meier donne des estimations du CDF (cumulative distribution
function ou fonction de rpartition) pour les donnes de l'chantillon complet ou censur sans
assumer un modle de distribution en particulier Le Kaplan-Meier (KM) procdure Limite
produit fournit rapidement des estimations simples de la fonction de fiabilit ou de la CDF
bases sur des donnes de dfaillance.
Dune manier gnrale, pour lintervalle i, lestimateur binomial non-paramtrique est
donn par / . Dans ce cas, la relation de rcurrence (3.25) devient :
( ) =
1 =
=1
=1
1
=
=1
(3.29)
( ) =
=1
1
=
+ 1
=1
+ 1
+ 1
+ 1
(1 )
+ 1
(3.30)
c. Ajustement de rangs
La mthode dajustement de rangs, dveloppe par Johnson et prsente dans [1], estime
la loi de dfaillance pour un chantillon simple et censur :
0,3
+ 0,4
= 1, . ,
(3.32)
Avec :
=
1
1 +
(3.33)
1
+ 1 1
1+
(3.34)
39
3.7 nous permet de comparer les estimateurs non-paramtriques de Kaplan- Meier, HerdJohnson et dajustement de rangs.
i
1
2
3
4
5
6
7
ti
115
118
153
367
451
474
808
i
0
1
0
0
1
0
1
K-M
0,1429
0,1429
0,3143
0,4857
0,4857
0,7429
0,7429
H-J
0,1250
0,1250
0,2708
0,4167
0,4167
0,6111
0,6111
Ajustement de rangs
0,0946
0,0946
0,2523
0,4099
0,4099
0,6201
0,6201
ti
i ni di
68
0 27 4
68
1
115 0 21 3
118 0 18 3
135,5 1 15
153 0 12 1
153 1
202,5 1 9
808 1 6
818 1 3
ri
K-M
0,1481
H-J
0,1429
0,2698
0,3915
0,2597
0,3766
0,4422
0,4246
3
2
3
3
3
3.5.1.1 Principe :
La figure 3.2 reprsente un nuage de points quon veut trouver la meilleur droite qui relie
les x et les y (les points) donc le meilleur ajustement.
41
La figure 3.3 nous montre quil faut minimiser la distance (yi (mxi+p)) pour tous les
points donc faire la somme, avec n est le nombre de points.
( ( + ))
(3.35)
=0
( ( + ))2
(3.36)
=0
( ( + ))2
(3.37)
=0
Ensuite, pour trouver le minimum on drive, on fini par avoir la formule suivante :
= +
(3.38)
(3.39)
(3.40)
La covariance :
1
, =
=1(
) =
(3.41)
La variance :
1
=
( )2
(3.42)
=1
Avec :
X la moyenne des Xi ;
Y la moyenne des Yi ;
La corrlation :
aprs avoir ajust une courbe au nuage de point il faudrait pouvoir juger de la qualit de
cet ajustement, ce que lon fait en mesurant le degr de corrlation existant entre les variables
(Xi, Yi), on va donc utiliser le coefficient de corrlation r :
Ou =
=1(
(, )
)2 et =
(3.43)
1
=1(
a. Graphes de probabilits
Un graphe de probabilit peut tre dfini comme un graphe chelles fonctionnelles
c'est--dire que les chelles des axes sont choisies de telle sorte que le modle soit linaire.
43
(3.44)
ln{ ln 1 } = ln
(3.45)
ln[ 1 ()] = (
ln ln
1
1
= ln ln
(3.46)
TBF
165
330
515
740
915
1320
Fi
0,11
0,26
0,42
0,58
0,73
0,89
1,4
770
Equations de la loi : =
Dtermination de la MTBF et cart type:
Les tables annexes donnent les valeurs de A et B pour =1,4 : A=0,911 et B=0,660.
On en dduit
= + = 0,911770 = 700
= B* = 0,660x770 = 508 heures.
45
MTBF
graphique
1,4
770
700
Analytique
1,4
771
702,3810
numrique
1,4082
771,8797
703,1824
F(ti)
Pi
F(ti-1)
ti-1
ti
F(ti)
F(ti-1)
ti-1
ti
47
F(ti)
F(ti-1)
t/2
t
ti-1
ti
(h)
Rgression/K-M
1.3202
94.4191
Basile/Rgression/K-M
1,3777
94.30
Rgression/H-J
1,2099
105,7587
Basile/Rgression/H-J
1,2741
105,73
3.5.2.1 Gnralits
La mthode de maximum de vraisemblance (Maximum Likelihood Estimator ou MLE)
est dtaille lannexe A. lintrt de cette mthode est quelle fournit toujours des
estimateurs de variance minimum ou asymptotiquement de variance minimum. De plus, la
distribution dchantillonnage de ces estimateurs est toujours asymptotiquement normale.
Malheureusement, ces estimateurs sont parfois biaiss.
En toute gnralit, lexpression de la fonction de vraisemblance a pour quation :
= 1 ; 2 ; ;
(3.47)
(; datai )
(3.48)
=1
Ou Li( ;datai) est la probabilit dobserver lvnement i, datai sont les donnes relatives cet
vnement et est le vecteur des paramtres estimer.
Pour tablir la fonction de vraisemblance en fonction du type de donnes, nous considrons
lintervalle [ti-1, ti]. Celui- ci peut contenir des dfaillances ou des donnes censures.
Lintervalle comprend une dfaillance Si lIme intervalle comprend une dfaillance,
lexpression de la fonction de vraisemblance devient :
= (1 )
(3.49)
= 0 = ( )
(3.50)
49
= = 1
3.51
(3.52)
(3.53)
(3.54)
3.55
Dans la suite de cette tude, nous considrons essentiellement des donnes compltes ou
censures droite.
Basile/MLE
MLE
1,2790
1,2702
(h)
104,47
102,4583
Rgression/K-M
Rgression/H-J
MLE
0,99751,32021,9522
0,92011,20991,7671
0,92511,27021,7441
51
Joints asp.
K-M
0.402863
H-J
0.3976
MLE
0.7751
Ressorts asp.
1595.14
1.0914
1861.8
1.0411
793.9473
1.4619
Joints cyl.
626.01
1.216745
707.9204
0.7379
646.4980
1.1432
283.430668
820.5559
863.7819
3.5.4 Conclusion
En conclusion, les mthodes de rgression et maximum de vraisemblance conduisent
des estimations quivalentes lorsque lchantillon est simple et non-censur. Par contre,
lorsquil comporte des donnes multiples et censures, elles peuvent donner des rsultats
sensiblement diffrents.
(3.56)
est donc la probabilit que napparient pas lintervalle [G1, G2]. Par ailleurs, si
< 1 = > 2 =
(3.57)
(3.58)
= . le rapport de
(3.59)
(3.60)
53
(3.61)
0,1
3.62
Lapproximation dune binomiale centre rduite par une N (0, 1) peut tre considre comme
suffisamment prcise si > 5 avec 1/2.
Si nous appliquons le thorme de Moivre la variable alatoire (), nous obtenons :
( ()(1 () ))/
Ou est lestimation de Fn(t) et =
0,1
(3.63)
1 / est lcart-type de .
(3.64)
= ( )
2
=1
(3.65)
( )
(3.66)
55
(3.67)
(3.68)
exp
3.69
ln
(3.70)
=1
ln =
=1
(3.71)
=1
= 2
2
(3.72)
= I
0,94071,7404
71,1863142,4195
0,92511,7441
IC M. Fisher
71,6716146,4693
Tab.3.16 : IC et du compresseur
Le tableau montre les intervalles de confiance relatifs la fonction de dfaillance F pour
cette machine. Ces intervalles sont estims avec la mthode base sur la loi la distribution
normale et la mthode base sur la matrice de Fisher. Pour cet exemple, les incertitudes
calcules par les trois mthodes sont concordantes.
=102,1818
=29,1541
=302,10
=159,3511
=266,0714
=288,2959
57
Joints asp.
Ressorts asp.
Joints cyl.
IC Fisher
84,9531119,4105
18,596145,7066
203,3350400,865
99,06256,331
52,5027479,6401
159,6583520,5775
IC Simulation
83,7264143,4191
19,469563,7424
135,1893426,5959
110,7844296,1983
20,99370,651
77,3124510,055
3.6.5 Conclusion
Ces deux applications ont montr que les mthodes destimation des intervalles de
confiance des paramtres des modles de fiabilit sont quivalentes. Les rsultats obtenus ont
galement mis en vidence que les incertitudes pouvaient tre trs grandes, ce qui montre
lintrt de les dterminer.
TBF
81
152
119,5
237,5
37
43
38
gamma
0
0
1
1
0
1
0
59
3.8 Conclusion
Ce chapitre fait tat des techniques dveloppes dans la littrature pour estimer une loi de
fiabilit. Les estimateurs non-paramtriques de base sont lestimateur binomial, lestimateur
des rangs moyens et lestimateur des rangs mdians, les estimateurs non- paramtriques
trouve essentiellement leur application dans la mthode de rgression qui est bas sur les
graphes de probabilits, est utilise pour estimer les paramtres des modles de fiabilit, ainsi
on a montr que lestimation des dune loi par la mthode de rgression est peu sensible
lestimateur non-paramtriques considr. La prcision de lestimation dpend
essentiellement de la taille de lchantillon.
La mthode du maximum de vraisemblance est une second mthode utilis dans les
tudes de fiabilit qui a lavantage de traiter naturellement le donnes censures, ce chapitre a
montr galement que la mthode du maximum de vraisemblance surestimer les paramtres
du modle que la mthode de rgression les sous-estime. Ce chapitre a galement montr que
estimation des intervalles de confiance par les deux mthodes ne permettent pas de privilgier
une mthode par rapport une autre.
Les mthodes prsentes dans ce chapitre ont t mises en uvre dans lapplication FSTFiabilitix ralis sous Matlab et dvelopp dans le Dpartement Technique de la Facult des
Sciences et Techniques de Settat.
Conclusion et perspectives
Lobjectif principal de cette recherche se limite dans le domaine de la fiabilit des
systmes non-rparables, le projet est prsent en deux chapitres diffrents :
1. La fiabilit des donnes
2. La fiabilit des systmes non-rparables
Nous avons galement dvelopp FST-Fiabilitix un outil informatiques sous MATLAB
qui permet de danalyser la fiabilit des systmes non-rparables, ainsi pour dterminer
lincertitude affectant un modle de fiabilit.
En conclusion, la qualit de lestimation dune loi de fiabilit dpend fortement des
donnes. Do La premire difficult est la collecte des donnes et lanalyse des donnes de
retour dexprience partir lesquelles la loi de fiabilit peut tre estime. Nous avons vu que
nous ne pouvons pas connatre les vraies donnes, grasse aux contraintes (environnement,
fonctionnement et mise en uvre et le facteur humain), donc en premier lieu, il est important
de prouver que les donnes lchec sont fiable!
La seconde difficult la quelle se heurte le fiabiliste est que la prcision des estimations
dpend du nombre de donnes rellement exploitables et du type de donnes (complte ou
censure). Nous avons galement vu que la mthode de rgression et du maximum de
vraisemblance conduisent des estimations lgrement diffrentes essentiellement quand
lchantillon analys contient des donnes censure.
Enfin, lexprience acquise durant ce travail a montr que, quels que soient les outils
fiabilistes utiliss, lanalyse dun problme industriel reste primordiale et ncessite une
comprhension relativement profonde des quipements et des contraintes mis en cause.
61
Bibliographie
[1]
fr.wikipedia.org
[2]
la thse dOlivier BASILE Pris en compte de lincertitude dans les modles fiabilistes
de maintenance industrielle. Extension aux sollicitations variables 2007.
Sret de fonctionnement des systmes industriels complexes par Gilles
ZWINGELSTEIN.
fiabilit par Paul Blanquart et Jean-Claude Roncin.
les cahiers de la scurit industrielle, facteurs humains et organisation de la scurit
industrielle un tat de lart, Franois DANIELLOU/Marcel SIMARD/Ivan
BOISSIRES.
RASMUSSEN (J.). Human reliability in risk analysis in high risk safety technology,
Ed. A.E. Green, Wiley (1982).
HANNAMAN (T.) ET SPURGIN (A.). Systematic human action reliability
procedure (SHARP). Electric Power Research Institute, EPRI NP-3583 (juin 1984).
COLOMBARI (B.). The human operator failures in petrochemical facilities: an
historical investigation and a tentative simulation model TESEO. 6th Advances in
Reliability Technology Symposium, UKAEA-NCSR-523 (1980).
SWAIN (A.-D.) et GUTTMANN (H.-E.). Handbook of human reliability analysis
with emphasis on nuclear power plan application. US-NRC-NUREG/CR-1278 (aot
1983).
NAMAN (T.), SPURGIN (A.) et LUKIC (B.). A model for assessing human
cognitive reliability in PRA studies. Third IEEE conference on Human Reliability,
Monterey, USA (1985).
www.socialresearchmethods.net
Hald, A., Statistical Tables and Formulas, John Wiley & Sons, Inc., New York, 97 pp.,
1952.
www.weibull.com
www.MathWorks.com
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]