Université Hassan 1er

Universit Hassan 1er
Facult des Sciences et Techniques
Dpartement Techniques
Master Ingnierie et Modlisation des Systmes
Mcanique
PROJET DE FIN DETUDES

Thme
Fiabilit des Systmes non

Rparables
Encadr par : Ahmed MOUSRIJ
Prsent par : Aziz HRAIBA
Anne universitaire 2010/2011
Universit Hassan 1er 2

Fiabilit des Systmes non Rparables

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.
A Monsieur Ahmed MOUSRIJ

En acceptant de mencadrer Monsieur, vous mavez fait un grand honneur.
Vos prcieux conseils mont aid considrablement afin daccomplir mon projet.
Je vous prie de bien vouloir trouver dans ces pages le tmoignage de mon respect
et ma gratitude les plus sincres
A Messieurs Hassan GZIRI
Quil me soit permis Monsieur, de vous tmoigner mes sincres remerciements
pour lobligeance et de la grande gentillesse avec lesquelles vous avez accepts de
juger ce travail.
A tout le corps professoral du dpartement GE/GM
Mes remerciements les plus sincres tous les professeurs qui mont
accompagn tout au long de notre cursus scolaire au sein de la F.S.T.Settat.
Au terme de ce projet de fin dtude, ma gratitude et sincres remerciements

vont tous ceux dont lintervention au cours de ce projet, a favoris son
aboutissement.

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
3.6.2 Incertitude affectant la loi dfaillance............................................................... 53

3.6.3 Incertitude affectant les paramtres dune loi de fiabilit ................................. 55
3.6.4 Illustration et comparaison des mthodologies ................................................. 56
3.6.5 Conclusion ........................................................................................................ 57
3.7
Prsentation de lapplication FST-Fiabilitix ................................................ 57
3.8
Conclusion .......................................................................................................... 59
Conclusion et perspectives ................................................................................................ 60
Bibliographie ..................................................................................................................... 61

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.
La sret de fonctionnement englobe principalement la fiabilit, la disponibilit, la

maintenabilit et la scurit (qui forment le sigle FMDS ou parfois le sigle FDMS) mais aussi
d'autres aptitudes telles que la durabilit, la testabilit... ou encore des combinaisons de ces
aptitudes.
Remarque : daprs [wikipdia/lencyclopdie libre] le terme sret de fonctionnement et le
sigle FMDS sont gnralement utiliss de faon quivalente, le sigle FMDS (fiabilit,
maintenabilit, disponibilit et scurit) se traduit RAMS (reliability, availability, maintainability
and safety).
D'une manire gnrale, la maintenance a pour objet de garantir l'tat de bon fonctionnement
de l'outil de production et d'assurer ainsi sa disponibilit. Il va de soi que la maintenance sera
d'autant plus efficace qu'elle sera capable d'anticiper les dfaillances du systme. La figure 1.1
prsente trois mthodologies dveloppes dans ce but.
11
Figure 1.1 : Mthodes de prdiction des dfaillances

Une premire mthode, classiquement utilise en construction des machines, se base sur
les modles physiques de dfaillance. Cette mthodologie consiste appliquer des critres de
dimensionnement permettant de s'assurer que le systme ne dpasse pas, pendant sa dure de
vie, le seuil critique qui conduit la dfaillance.
Une seconde technique pour anticiper les dfaillances consiste surveiller le systme: il
s'agit de la maintenance conditionnelle. Les oprations de maintenance sont dclenches
lorsque des indicateurs de performances comme les vibrations, la pollution des lubrifiants, la
temprature, la puissance, ..., dpassent des seuils critiques prdtermins.
Une troisime technique consiste dfinir une stratgie de maintenance partir de
prdictions fiabilistes; c'est la maintenance base sur la fiabilit. En effet, la loi de fiabilit
permet non seulement d'estimer l'esprance de vie du systme mais galement de simuler des
scnarios possibles afin de juger par exemple de l'efficacit d'une stratgie de maintenance,
cette technique engendre lobjectif de cette recherche.
1.2 Objectif de la recherche

Cette recherche est lune des premiers travaux sur la fiabilit au sein du service de Gnie
Mcanique de la facult des sciences et techniques de Settat.
La fiabilit des donnes collectes reste un axe de recherche part entier. Dans de le
cadre de cette recherche on a fait 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.
La mmoire a pour objet de Prsenter les bases thorique de la fiabilit des systmes non
rparable et de donner les dtailles des mthodes pour estimer les paramtres des lois de
fiabilit par la mthode de rgression et la mthode du maximum de vraisemblance. Il est
vident que la prcision des estimations dpend de la taille de lchantillon. Cest pourquoi,

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.
1.3 Contenu du travaille

Le projet quon a men fiabilit des systmes non rparables est prsent en trois
chapitres :
Le deuxime chapitre prsente un aperu global sur les problmes de collecte des
donnes, on prsente les divers problmes qui conduisent des donnes non fiables, en raison
des contraintes spcifi dans le chapitre, ainsi les erreurs connu au cours de la collecte des
donnes par les observateurs.
Le troisime chapitre sintresse la thorie des systmes non rparables qui pose les
bases des thories fiabilistes. Il existe deux lois de fiabilit : les modles non paramtriques et
paramtriques. Tout dabord, nous montrons comment sont tablis les modles non
paramtriques et dtaillons les mthodes pour estimer les paramtres des lois : la mthode de
rgression et la mthode du maximum de vraisemblance. Les donnes peuvent tre compltes,
censures, ensuite, nous prsentons trois mthodes pour dterminer lincertitude affectant un
modle de fiabilit. Ce chapitre propose une comparaison des diffrentes mthodologies.
Apres, on prsente lapplication de FST_Fiabilitix et les outils implments. La validation a
t effectue sur base des rsultats des mthodes graphique ou par comparaison avec les
rsultats disponibles dans [2] la thse de Monsieur Olivier BASILE sous le thme (Pris en
compte de lincertitude dans les modles fiabilistes de maintenance industrielle. Extension
aux sollicitations variables.), ou par comparaison avec le logiciels MATLAB.
Les dveloppements mathmatiques quon a ralises et implments dans lapplication
sont dtailles dans lannexe A. les fonctions par les quelles on a cres lapplication sont
dveloppes dans lannexe B.
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).
2.2 Collecte des donnes de la fiabilit

La collecte de donnes de la fiabilit est une des composantes de l'valuation de la
fiabilit. Il dsigne un outil d'valuation qui intervient dans la dmarche de planification de
maintenance. Il permet loperateur d'identifier le ou les problmes rels ou potentiels dun
systme.
2.2.1 Principe et finalit

Les objectifs atteindre lors du recueil de donnes, cest que l'operateur value l'tat de
sant du systme dfaillant, collecte le maximum des informations qui vont contribuer
argumenter le plan de maintenance.
Avant le recueil de donnes, il convient dtablir chaque systme en fonction de son
handicap.

Aprs le recueil de donnes, loperateur dterminera les diagnostics en dcrivant les

dfaillances et dcider les objectifs atteindre pour que le systme retrouve ou renforce son
autonomie.
2.2.2 Donnes de fiabilit

Les donnes de fiabilit sont des taux de dfaillance et, pour dautres familles (systmes
non-rparables) des dures de vie. On a suppos que les taux de dfaillance sont constants soit
pendant une dure de fonctionnement illimite (cas gnral) soit pendant des dures limites :
dans ces cas particuliers on n'a donc pas retenu de lois d'apparition du taux de dfaillance en
fonction du temps, ceci dans un but de simplification. Sauf exceptions la priode d'usure n'est
jamais atteinte par les composants lectroniques et on a admis, sauf exceptions galement que
l'on pouvait ne pas tenir compte des risques accrus de dfaillance pendant les premiers mois
de fonctionnement.
Daprs [3] ZWINGELSTEIN a distingue les donnes de fiabilit qualitatives et
quantitatives.
Lapproche qualitative est rcente et concerne la description du systme du point de vue
matriel et fonctionnel.
Laspect matriel se caractrise par le recensement des composants et la description de
leurs connexions.
laspect fonctionnel, il sagit de modlisation de la logique du systme, de ses
conditions dutilisation et du comportement de ses composants laide de variables
dtat.
Lapproche quantitative est repose sur des donnes techniques humaines et
conomiques.
Les donnes conomiques sont importantes pour lvolution des couts de remise en
fonctionnement des composants (maintenance curative) et des couts de prvention des
dfaillances de ceux-ci (maintenance prventive). Cela met en jeu les couts en
personnels, matriels et de production.
Les donnes sur le facteur humain sont obtenues de plusieurs manires : retour
dexprience, simulateurs, jugement dexperts.
Les donnes techniques sont obtenues soit par ralisation dessais, soit par lutilisation
des rsultats en exploitation (retour dexprience) ou sur avis dexperts.
2.2.3 Collecte des donnes

Une collecte efficace des donnes de retour dexprience doit ncessairement inclure
deux grands volets :
1. Une collecte relative aux donnes de fiabilit des matriels.
2. Une collecte des donnes permettant ultrieurement de caractriser lefficacit des
quipes charges de la remise en marche des installations aprs dfaillance ou
maintenance prventive.
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 :
repre du matriel (fonctionnel ou matriel) ;

mode de fonctionnement du matriel (permanent, stand-by actif ou passif) ;
mode de dfaillance constat ;
mthode de dtection ;
nombre cumul dheures de fonctionnement ;
nombre cumul de sollicitations ;
consquence de la dfaillance sur les fonctions du systme et sur la fonction principale
du procd industriel ;
date dapparition de la dfaillance ;
date de remise en service ;
cause de la dfaillance ;
date du dbut des rparations (matriel au pied de lquipement) ;
date de fin des rparations ;
cots directs de la dfaillance (main-duvre) ;
cots indirects de la dfaillance ;
actions correctives (rparation ou changes standards, par exemple).
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 :
taux de dfaillance en fonctionnement

taux de dfaillance larrt
taux de dfaillance la sollicitation
taux de rparation
grandeurs moyennes (MTTF, MTTR, MTBF).
On peut galement procder des estimations statistiques des lois de fiabilit R (t ), de la

courbe de maintenabilit M (t ), de la disponibilit moyenne, des diagramme de Pareto ou des
courbes ABC. A chacun de ces paramtres, on associe un estimateur permettant son
valuation partir dexpriences ou dessais dans des conditions donnes.
2.3 Contraintes et fiabilit des donnes

Lanalyse des dfaillances a montr que la fiabilit dpend de contraintes diverses quil
est facile de rpartir en contraintes de fonctionnement, de mise en uvre, et denvironnement.
Cela explique que la fiabilit ne soit dfinie que dans des conditions de fonctionnement
et denvironnement donnes. Cest dailleurs dans le domaine des conditions denvironnement
et demploi que leffort damlioration de la fiabilit a t le plus payant vers 1960 et trs
souvent les dfaillances dun matriel ont encore comme origine une mauvaise utilisation. Les
contraintes denvironnement son seulement connus avec une certaine probabilit alors que les
contraintes de fonctionnement et de mise en uvre sont dterminer la conception et la
fabrication.

2.3.1 Contraintes dues lenvironnement

Les contraintes denvironnement peuvent exister pendant le fonctionnement mais aussi
pendant le stockage. Elles sont alors mal connues et leur effet est loin dtre ngligeable.
Daprs [4] Il y a plusieurs contraintes dont on peut distinguer :
Les contraintes mcaniques : chocs, vibration, acclrations.
Les contraintes thermiques : extrmes de temprature ambiante, condition de
refroidissement.
Les contraintes lectriques : surtensions, surintensits (pour les composants
lectriques), coups de foudre, champs lectrique ou magntiques.
Les contraintes climatiques : degr hygromtrique (connu par humidit), gaz
corrosifs, pression atmosphrique, pollution (poussires), prsence de liquides.
Les rayonnements ionisants (applications lespace notamment et certaines
industries) auxquels les semi-conducteurs sont sensibles (volution progressive des
caractristiques).
2.3.1.1 Solution pour les contraintes denvironnement

On peut rsolut les problmes dues lenvironnement par des prcautions suivant :
La protection contre les contraintes mcaniques soit par des suspensions (en faisant
attention ce pondant aux rsonances), soit par des enrobages dans le de pices
statistiques.
La protection contre les contraintes thermiques par des systmes de refroidissement ou
de rchauffage.
La protection contre les contraintes lectriques par des parafoudres, des fusibles, des
blindages, des diodes Zener, des varistances et par lemploi de composants robustes
(en gnral une protection comprend plusieurs tage avec parafoudres puis diodes ou
varistances, et enfin emploi de composants robustes capables de rsister aux
surcharges rsiduelles).
La protection contre les contraintes climatiques par enrobage ou graissage ltanchit
(pour les composants lectriques on utilise des enceintes tanches).
2.3.2 Contraintes de fonctionnement et de mise en uvre

La constitution interne dun systme volue soit par leffet des contraintes appliques
pendant le fonctionnement ou le stockage soit parce que les matriaux constitutifs ntant pas
dans leur tat le plus stable sont sensibles aux agents externes (oxydation, corrosion, etc.) et
doivent tre protgs par des dispositifs defficacit parfois insuffisante, ou bien dfectueux.
Ces mcanismes, parfois aboutissent soit la destruction totale dun lment du systme,
prcde ou non dune drive de caractristique, soit un nouvel tat dquilibre interne
(drive caractristique puis stabilisation).
17
Les contraintes lorigine des dgradations peuvent tre continues ou cycliques

(fonctionnement intermittent, fatigue par dilatations, contractions successives, etc.) : ce qui
suit sapplique aux contraintes cyclique en remplaant le temps par le nombre de cycles.
2.3.2.1 Exemple des contraintes de dgradation

La temprature est la contrainte la plus frquente pour un grand nombre de mcanismes
dvolution (diffusion, migration, etc.). Elle intervient presque toujours selon la loi
dArrhenius [4] :
= exp
(2.1)
Avec :
t
temps au bout duquel on observe un tat interne donn, par exemple une
dfaillance.
t0
constante homogne un temps.
1/n
exposant diffrent de 1 lorsque lvolution nest pas proportionnelle au temps.
charge de llectron.
nergie de la raction (dite dactivation).
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
temps au bout duquel il y a une coupure ( lendroit o il y a appauvrissement

de la mtallisation),
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.

2.3.2.2 Dfaillances dues une volution progressive

a. En labsence danomalies de fabrication de conception ou demploi, la vie dun
composant est limite par un mcanisme de dgradation.
La dure de vie est alors en gnral suffisamment grande pour chapper lobservation,
sauf si les contraintes de fonctionnement sont excessives. Une population de composants,
aussi parfaits, aurait une loi de survie normale ou log-normale par suite de la dispersion
statistique invitable sur les diffrents paramtres de fabrication. Le taux de dfaillance est
croissant, ce qui prcde est rpter pour les drives (les temps pour atteindre une drive
donne) : la perfection est alors plus facile obtenir car les pices aberrantes (anomalies)
peuvent tre limines de la statistique.
b. Dans la ralit, il arrive quun imprvu (erreur ou cart) se produise au cours de la
fabrication dune pice et abrge considrablement sa dure soit en dclenchant un
mcanisme de dgradation nouveau, soit en modifiant profondment lun des paramtres dun
mcanisme habituel, de mme, la mauvaise tanchit peut provoquer une corrosion interne.
Dans le cas dun mcanisme inhabituel, on observe plutt des dfaillances prcoces alors que
les mcanismes habituels donnent plutt un taux de dfaillance constant.
c. Avec les productions automatiques de composants, on observe plutt des erreurs
collectives qui dclenchent un mcanisme de dgradation en gnral inhabituel (nettoyage
insuffisant dun lot de rondelles de silicium, do corrosion rapide de tous les distributions du
lot), cest--dire des dfaillances prcoces gnralises un lot.
2.3.2.3 Dfaillances ne rsultant pas d'une volution progressive

Les systmes ont des dfaillances qui ne rsultant pas dune volution progressive sont
les composants considrablement fragiles la suite dune erreur de fabrication alatoire ou
collective (soudure interne dfectueuse) ou la suite dune imperfection naturelle dun
matriau.
Remarque :
Les dfaillances dcrites prcdemment sont plutt prcoces (les circonstances
qui vont rvler le dfaut se produisent forcment au dbut de la vie dun matriel, car
elles doivent se produire plusieurs dizaines de fois dans la vie du matriel, sinon elles
seraient trs rares).
On peut distinguer lerreur de conception proprement dite (tous les composants
ont un dfaut cach) et lerreur de fabrication dun lot.
Les dfaillances peuvent tre irrgulires et tre alors trs difficiles localiser.
Les erreurs ou carts de fabrication voqus aux paragraphes prcdents ont des
origines multiples [erreurs humaines, drglage de machine, phnomnes parasites
(comme les poussires, les impurets, imperfections localises des matriaux euxmmes)].
19
2.3.2.4 Dfaillances caractre systmatique

Le risque de dfaillances caractre systmatique, quelles soient dues une volution
ou un dfaut cach, doit tre considr avec beaucoup dattention. En effet, les productions
des systmes ont de plus en plus souvent un caractre collectif et un accident de fabrication
touche en gnral la totalit dun lot (alors que les taux de dfaillances alatoires deviennent
de plus en plus faibles par suite de lautomatisation de production). En effet, des dfaillances
systmatiques peuvent avoir des consquences graves (consquence conomiques sil y a
plusieurs dquipement rparer, consquence grave sur le service rendu ou la scurit, car
toute redondance active disparait avec des dfaillances systmatiques)
2.3.2.5 Autres motifs de dfaillances des matriels

Les dfaillances des matriels sont dabord dues aux dfaillances catalectiques
intrinsques des systmes ainsi quaux drives de composant : pour ces derniers, il nya pas
de relation directe entre une valeur quelconque de la drive dune caractristique dun
composant et la dfaillance dun matriel ds que celui-ci comprend plusieurs composants
identiques sujets aux drives : la relation relve des mthodes exposes par la suite
(paragraphe effets des drives ).
Mais il reste dautres origines aux dfaillances des matriels.
Les erreurs de conception se manifestent sur des matriels tudis depuis peu
(mauvaise utilisation de composants, contraintes trop fortes, limites de fonctionnement non
garanties en temprature, etc.) et cela malgr le soin apport ltude. Elles provoquent plutt
des dfaillances prcoces.
La mise en uvre des systmes sur les sous-ensembles donne parfois naissance des
contraintes abusives appliques aux lments des systmes (temprature excessive pendant le
soudage, incompatibilit entre produits de nettoyage et enrobage des lments). La mise en
uvre peut tre elle-mme imparfaite.
Les surcharges lectriques ou mcaniques (paragraphe contraintes denvironnement) et
plus gnralement les contraintes abusives, cest--dire auxquelles le composant nest pas
adapt, ce qui sapparente une erreur de conception.
La mise au point de systmes de plus en plus complexes donne une importance accrue
des motifs de dfaillances supplmentaires.
2.3.2.6 Effet des drives

Elle ne se traite pas comme pour les dfaillances catalectiques, car le franchissement
dune valeur limite par un paramtre dun composant particulier nempche pas forcment le
bon fonctionnement de lensemble : la valeur des paramtres de tous les composants peut
modifier le rsultat. Si p1, ...., pn sont les paramtres des lments dont la valeur dtermine p,
on a en gnral :
Supposons que lensemble soit dclar bon si (p p0) : la fiabilit (quant aux drives) de
lensemble linstant t est la probabilit pour que p soit suprieur ou gal p0 linstant t (la
fiabilit globale de lensemble sobtient alors en multipliant cette probabilit par les
probabilits de survie correspondant aux autres modes de dfaillance, dfaillances
catalectiques par exemple). Il y a plusieurs mthodes pour traiter la fiabilit par drives : les

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.
2.3.3 Limitation des contraintes

Les contraintes prcdentes doivent rester infrieures une valeur limite, au-del de
laquelle il apparait en gnral un nouveau type de dgt, le choix des mthodes de protection
doit tre fait au moment ou slabore le systme, les retouches de dernire heure tant souvent
des armes double tranchant, ainsi la principale difficult provient de ce que les contraintes
denvironnement sont souvent mal connues et quelles relvent en gnral de plusieurs
domaines de responsabilit. Elles risquent donc dtre ngliges : lutilisateur a-t-il prcis
clairement les risques de surcharge? Le constructeur de matriel a-t-il prvu les protections
efficaces et a-t-il spcifie au fabricant la tenue aux surcharges? Ainsi, sur les effets des
diffrents lments climatiques comment se combinent-les (taux dhumidit, gaz corrosifs,
temprature), sans oubliant le facteur humain.
Une erreur est souvent le rsultat dune situation ou un oprateur et/ou une quipe
nont pas pu mettre en uvre leurs comptences, pour des raisons lies la conception des
systmes, de linterface, lorganisation, la formation Issu de [5] page(59) chapitre
lerreur humaine : une explication insuffisante.
2.3.4 Le facteur humain

En raison de limportance de lintervention humaine dans les installations industrielles,
une tude de fiabilit doit tenir compte le facteur humain. Lvolution prvisionnelle de la
fiabilit humaine (EPFH) a t dveloppe partir des annes 60, suite de nombreux
travaux montrant son importance ds les annes 50. Les apports de lergonomie permettent de
mieux comprendre et maitriser ces facteurs.
2.3.4.1 Loprateur humain

Laccomplissement dune tache par oprateur humain peut se diviser en plusieurs
tapes :
21
Lacquisition des informations (activit sensorielle) ;

Le traitement de linformation (activit mental) : traitement logique des
informations (diagnostic par mthode algorithmique ou heuristique), valuation de
lvolution possible de la situation (calcul de paramtre laide de mthodes
mathmatique) ;
La prise de dcision : consquence directe du traitement dinformation (activit
mentale) ;
La rponse physique (activit physique) ;
Lanalyse des erreurs humaines a mise en vidence limportance de lactivit mentale

rflexe ou consciente [6]. Rasmussen a propos trois grandes classes de comportement
humain :
Le comportement machinal (skill-based behavior) : comportement

automatique de loperateur agissant comme une machine , lactivit mentale
consciente nest presque pas active ;
Le comportement procdural (rule-based behavior) : comportement faisant

appel une activit mentale consciente et consistant excuter des taches de manire
coordonne en suivant des rgles (ou procdures) apprises ou crites ;
Le comportement cognitif (knowledge-based behavior) : cas des situations

inhabituelles ou lactivit mentale consciente est complexe afin de rsoudre des
problmes et des planifications de taches.
Daprs [3] ZWINGELSTEIN a remarqu que lexcution des taches humaines prsente
certaines spcificits :
La variabilit (diffrence dexcution dune mme action dans des conditions
quivalentes) ;
Le besoin dinformation et la capacit de prvision (le manque dinformation
nest pas tolr par le cerveau, il cherche obtenir un maximum dinformation en
vue dune prvision) : aspect positif pour laccumulation dinformation, ngatif
pour lextrapolation pouvant tre errone ;
La capacit compenser les variations de difficult de tache par une augmentation
de charge de travail sans variation des performances peut devenir dangereuse pour
loprateur et altrer le processus de production, cet effet admettant un niveau
maximal qui, sil est dpass, conduit une brutale des capacits
daccomplissement dune tche ;
Le stress : ensemble des ractions physiologiques une situation stressante
(perception et ses possibilits), se rpercutant galement au niveau psychologique.
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.
2.3.4.2 Les mthodes

Une EPFH se dcompose de la manire suivante :
Recherche des erreurs humaines potentielles
Slection des erreurs pertinentes

Analyse dtaille des erreurs pertinentes

Intgration dans la modlisation du systme
Quantification
La procedure SHARP (systematic human action reliabity procedure) [7] de lEPRI
(Electric Power Research Institute permet en suivant ces diffrentes tapes de choisir les
mthodes adquates pour effectuer une EPFH. Citons quelques mthodes :
TESEO [3] [8]. Les techniques d'estimation des erreurs empirique des oprateurs
(Technica Empirica Stima Errori Operatori), due lENI(compagnie ptrolire italienne),
probabilit derreur exprimant la complexit de laction, le temps disponible, lexprience et
la formation de loperateur, son motion et linterface homme-machine.
THERP [3] [9] Technique de rduction de taux d'erreur de l'homme (Technique for
Human Error Rate Rediction) due SWAIN et GUTTMANN, probabilit derreur
lmentaire eguale au produit de trois termes exprimant une probabilit de base (suivant
opration et interface homme-machine), un coefficient correctif (stress) et une probabilit de
non-rcupration de lerreur.
HCR (Human Cognitive Reliability) Fiabilit cognitive de l'homme [3] [10],
probabilit dabsence de rponse un incident sous forme de trois fonctions possibles
(comportement machinal, procdural ou cognitif et laide de 5 paramtres exprimant le
temps disponible, le temps ncessaire, la comptence de loperateur, le stress et linterface
homme machine.
2.3.5 Erreur de collecte des donnes

Lorsque vous utilisez les humains comme une partie de votre procdure de collectes des
donnes, vous avez vous soucier de savoir si les rsultats que vous obtenez sont fiables ou
compatibles. Comme il est dcrit au paragraphe prcdent les gens sont connus pour leur
inconsquence. Nous sommes facilement distraits. Nous sommes fatigus de faire des tches
rptitives. Nous rverie. Nous interprtent mal.
Figure 2.1 : deux observateurs.

Alors, comment pouvons-nous dterminer si deux observateurs sont cohrents dans leurs
observations? Nous devrions probablement mettre en place des mthodes en de dehors du
contexte des collectes des donnes dans notre tude. Aprs tout, si nous utilisons des donnes
de notre tude pour tablir la fiabilit, et nous trouvons que la fiabilit est faible, nous
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:
Inter-valuateur ou de fiabilits inter-observatrices
Utilis pour valuer la mesure dans laquelle diffrents valuateurs / observateurs donnent
des estimations cohrentes du mme phnomne.
Test-retest
Utilis pour valuer la compatibilit d'une mesure d'une poque l'autre.
La fiabilit des formes parallles
Utilis pour valuer la cohrence des rsultats de deux essais construisent de la mme
manire partir du domaine mme contenu.
Fiabilit de cohrence interne
Utilis pour valuer la cohrence des rsultats entre les lments d'un test.
2.3.5.1 Comparaison des estimateurs de la fiabilit

Chacun des estimateurs de fiabilit a certains avantages et des inconvnients. Le
coefficient d'objectivit est l'une des meilleures faons d'estimer la fiabilit lors de la mesure
est une observation. Toutefois, il requiert plusieurs valuateurs ou observateurs. Comme
alternative, on peut regarder la corrlation des notes de l'observateur un seul et mme rpt
deux reprises diffrentes.
Chacun des estimateurs de fiabilit vous donnera une valeur diffrente pour la fiabilit.
En gnral, le test-retest et estimations de la fiabilit inter-valuateurs seront infrieurs en
valeur que les formes parallles et celles de cohrence interne, car ils consistent mesurer
des moments diffrents ou avec diffrents valuateurs. Le fait que les diffrentes estimations
peuvent diffrer considrablement rend l'analyse encore plus complexe.
2.3.5.2 La thorie du score vrai

Daprs [11] William MK Trochim La thorie du score vrai est un bon modle simple
pour la mesure, mais il ne peut pas toujours tre un reflet fidle de la ralit. En particulier,
elle suppose que toute observation est compose de la vraie valeur, plus une valeur d'erreur
alatoire. Mais est-ce raisonnable? Que faire si toutes les erreurs ne sont pas alatoires? N'estil pas possible que certaines erreurs sont systmatiques, qu'elles dtiennent dans la plupart ou
la totalit des membres d'un groupe? Une faon de traiter avec cette notion est de rviser le
modle de score simple vraie en divisant la composante d'erreur en deux sous-composantes,
erreur alatoire et erreur systmatique. Ici, on va examiner les diffrences entre ces deux
types d'erreurs et d'essayer de diagnostiquer leurs effets sur nos recherches.

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.
Figure 2.8 : Erreur alatoire

Remarque : que l'erreur alatoire n'affecte pas la moyenne, seulement la variabilit
autour de la moyenne.
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
Figure 2.9 : Erreur systmatique

Remarquer : l'erreur systmatique ne touchent que la moyenne (appelons cela un biais).
2.3.5.3 Rduire les erreurs

La question a pos comment pouvons-nous rduire les erreurs, systmatique ou alatoire?
Une chose quon peut faire est de mettre l'essai les dispositifs, obtenir des ractions don
rpondant concernant la faon dont il facile ou difficile la mesure a t et de l'information sur
la faon dont l'environnement de test affect leur rendement. Deuximement, si on collecte les
donnes l'aide des gens (comme observateurs), nous devrions assurer que nous les former
soigneusement afin qu'elles ne soient pas d'erreur par inattention. Troisimement, lorsquon
collecte les donnes, on devrait vrifier soigneusement ses dernires. La saisie des donnes
pour l'analyse de l'ordinateur doit tre vrifie. Cela signifie quon entre les donnes deux
fois, la seconde ayant loutil d'entre de donnes, en vrifiant quon tape exactement les
mmes donnes quon a fait la premire fois. Quatrimement, on peut utiliser les procdures
statistiques pour ajuster l'erreur de mesure. Elles vont de formules plutt simples, on peut
appliquer directement aux donnes pour la modlisation des procdures trs complexes pour
la modlisation de l'erreur et ses effets. Enfin, l'une des meilleures choses quon peut faire
pour faire face aux erreurs de mesure, les erreurs systmatiques en particulier, est d'utiliser
des mesures multiples du mme concept. Surtout si les diffrentes mesures ne partagent pas
les mmes erreurs systmatiques, on sera des mesures multiples et se faire une ide plus
prcise de ce qui se passe.
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.
3.2 Dfinition de la Fiabilit des systmes non

rparables
LUnion technique de l'lectricit (UTE), sur recommandation de la Commission
lectrotechnique internationale, a propos la dfinition suivante : la fiabilit est laptitude
dun dispositif accomplir une fonction requise dans des conditions donnes pour une priode
de temps donne (NF EN 13306) [1].
Cette dfinition a t tendue une entit quelconque : elle nest donc plus limite un
matriel (cela, pour prendre en compte la fiabilit des logiciels), ainsi peut dsigner des objets
de complexit variable : simples composants (bougie dallumage, arbre de transmission,
transistor, etc.) ; organes de complexit moyenne (moteur, boite de vitesse, amplificateur,
etc.) ; ensembles extrmement complexes (systmes darmes comprenant des missiles, des
radars de tir, des radars de dtection, etc.).
Nous admettrons par la suite que le temps est la variable principale dont dpond la
fiabilit. Pour certains appareils, il peut tre plus normal de prendre une autre variable :
nombre de cycles douverture-fermeture pour un relais, nombre de tours pour un moteur,
nombre de kilomtres pour une voiture, etc.
Par ailleurs, ltat de fonctionnement que lon trouve dans les dfinitions de la fiabilit
(accomplir une fonction) doit tre de plus en plus souvent interprt comme un

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)
Ou T est une variable alatoire continue reprsentant la dure de vie de lquipement.

Pour estimer la loi de fiabilit, il est plus simple de considrer son complment, la loi de
dfaillance : F(t)=1- R(t) (F pour Failure = dfaillance en anglais). La loi de dfaillance est
donc la fonction de rpartition des temps de dfaillance.
On constate que:
- pour t = 0, la fiabilit vaut toujours 1
- pour t tendant vers l'infini, la fiabilit tend vers 0.
Remarque : la baisse de la valeur de la fiabilit avec le temps ne doit pas tre confondue
avec un phnomne d'usure.
Quelle que soit la dure de bon fonctionnement dj accomplie, tout instant la
probabilit de panne d'un systme entre l'instant t et l'instant (t + dt) reste constante, et gale
dt / MTTF (proprit essentielle de la distribution exponentielle).
3.2.1 Systme non rparable

Un systme non rparable est un matriel que lon ne veut pas ou que lon ne peut pas
remettre en tat, il doit donc fonctionner une seule fois pour une mission particulire, pour un
tel systme, on sintresse donc aux chances de succs de la mission, cest--dire la
probabilit que le matriel fonctionne sans dfaillance jusqu un temps donn.
Gnralement, la fiabilit des systmes non rparables sintresse ltude de dure de
vie du systme, la fiabilit de dure de vie dun matriel, cest la dure entre deux pannes
dun matriel rparable.
Le champ dapplication des modles de dures de vie appliqu dans plusieurs domaines
on spcifie quelques un :
Dmographie, mdecine: dure de vie humaine, dure entre le dclenchement

dune maladie et la gurison, dure sparant deux naissances..
conomie, assurance : dure dun pisode de chmage, dure de vie dune
entreprise, dure sparant deux sinistres, instant dun dfaut de paiement,..
29
Dans tous les domaines ou lon cherche mesurer linstant darrive dun vnement
alatoire (panne, mort, maladie, chmage,.).
3.2.2 Les lois de fiabilit

Il ya une poigne de modles paramtriques qui ont russi ont servi de modles de
population pour temps de dfaillance rsultant d'une large gamme de produits et de
mcanismes de dfaillance. Parfois il ya des arguments probabilistes bases sur la physique
du mode de dfaillance qui tendent justifier le choix du modle. D'autres fois, le modle est
utilis uniquement en raison de son succs empirique dans les donnes d'chec rel.
Les lois de fiabilit ou de dure de vie les plus utiliss en fiabilit sont la loi
exponentielle, la loi de Weibull, la loi normale, la loi log-normale et la loi des valeurs
extrmes (voir annexe A.1.2).
3.2.2.1 La loi exponentielle

En statistiques et en probabilits, la distribution exponentielle est souvent utilise afin de
modliser le temps d'attente avant un vnement spcifi. Par exemple, la distribution
exponentielle pourrait tre utilise pour dcrire le temps coul entre deux dfaillances,
une loi exponentielle dpend dun seul paramtre.
La fonction densit de probabilit :
=
, 0
0
(3.2)
, < 0
La fonction de rpartition est donne par :

=1 =
1 , 0
0
, < 0
(3.3)
3.2.2.2 Loi de Weibull

En thorie des probabilits, la loi de Weibull, nomme d'aprs Waloddi Weibull, est
une loi de probabilit continue, son caractre simple et souple, elle est devenue la loi de
rfrence en fiabilit. Par exemple pour modliser la fiabilit des roulements [1]. La loi de
Weibull dpend de deux paramtres : paramtre de forme et paramtre dchelle.
La fonction densit de probabilit :

=

(3.4)
La fonction de rpartition :
=1 =1
(3.5)

3.2.2.3 La loi normale

La loi normale est une des principales distributions de probabilit. Elle a t introduite
par le mathmaticien Abraham de Moivre en 1733 et utilise par lui afin d'approcher des
probabilits associes des variables alatoires binomiales possdant un paramtre n trs
grand. Cette loi a t mise en vidence par Gauss au XIXe sicle et permet de modliser de
nombreuses tudes biomtriques. Sa densit de probabilit dessine une courbe dite courbe en
cloche ou courbe de Gauss.
En probabilit, on dit qu'une variable alatoire relle t suit une loi normale (ou loi
gaussienne, loi de Laplace-Gauss) d'esprance et d'cart type strictement positif (donc
de variance 2) si cette variable alatoire relle t admet pour densit de probabilit la
fonction f(x) dfinie, pour tout nombre rel t, par :
=
1
2
1 2
(3.6)
La fonction de rpartition :
=1
(3.7)
3.2.2.4 La loi log-normale

Cette loi est parfois galement appele loi de Galton est une second loi classiquement
utilise en fiabilit. Elle trouve une large application en fatigue. Les fonctions caractristiques
cette loi sont :
=
1
2
= 1
1 ln 2
1
2
1 ln 2
(3.8)
(3.9)
3.2.2.5 La loi des valeurs extrmes

La distribution des valeurs extrmes est la distribution limitant pour le minimum ou le
maximum d'une trs grande collection d'observations alatoires de la mme distribution
arbitraire. Gumbel (1958) a montr que pour toute distribution bien comports initiale (ie, F
(x) est continue et a un inverse), seuls quelques modles sont ncessaires, selon si vous tes
intress par le maximum ou le minimum, et aussi si les observations sont bornes dessus ou
en dessous.
Nous dfinissons la distribution des valeurs extrmes minimales partir de la variable
alatoire Z= (Y- )/. Les fonctions caractristiques de cette distribution ont pour expression :
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)
Ou sev est la fonction de rpartition de la distribution des valeurs extrmes minimales

(3.12), = ln () est le paramtre de localisation et = 1/ est le paramtre dchelle.
3.3 Types de donnes

Les donnes peuvent tre compltes, censures ( gauche ou droite) ou bien exactes ou
connues par intervalles. La figure 3.1 illustre les diffrents types de donnes.
Figure 3.1 : Donnes compltes et censures

Le premier type (A) correspond une donne complte cest--dire que le dbut et la fin
de la mission sont connus. Si la date de dfaillance est inconnue (B), la donne est dite
censure gauche. Enfin, si lquipement est enlev du systme avant dfaillance (C), la
donne est dite censure droite.
Un chantillon est dite complexe, sil comprend plusieurs types de censure et
ventuellement des multiples.
Beaucoup de mthodes statistiques peuvent tre utilises pour ajuster des modles et des
taux d'chec estim, mme avec des donnes censures. Dans les sections suivantes, nous
discuterons de la mthode de Kaplan-Meier, et Herd-Johnson, ajustement de rang.
3.3.1 Compresseur de Dow Corning

La difficult davoir des donnes de retour dexprience, on a eu lide dutilis Les
donnes de maintenance de la socit Dow Corning de Seneffe relative un compresseur qui
a prsent quelques problmes de fiabilit.

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
Tab. 3.2 : Temps de dfaillance du compresseur

Par ailleurs, une tude dtaille des rapports de maintenance a mise en vidence que les
composants critiques du point de vue de fiabilit sont : les o-rings des clapets daspiration, les
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.
Asp.Gauche Asp.Centre Asp.droite

TBF
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
Res. Cla. g Res. Cla. g Res.Cla. d

TBF
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
o-ring cyl. C o-ring cyl. D

TBF
TBF
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

3.4 Estimation non-paramtrique de la fiabilit

3.4.1 Estimateurs non-paramtriques pour un chantillon
simple et complet
Les estimateurs non-paramtriques dfinis pour des chantillons simples et complets sont
les estimateurs binomial, des rangs moyens et range mdians. Ils sont tablis partir de la
fonction en escalier Fn(t).
3.4.1.1 Fonction de rpartition

Considrons un chantillon un chantillon de temps de dfaillance ordonn (T1, T2,
T3,, Tn) extrait dune population de distribution absolument continue F(t) et construisons
la fonction de distribution Fn dfinie comme suit :
=
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
b. Estimateur des rangs moyens

Soit un chantillon de n temps de dfaillance t1<t2<<t n. lestimateur des rangs moyens
correspond la valeur moyenne de Fn(t). La probabilit que le nombre de rsultats soit
infrieur i linstant t est donne par :
i1
() [1 t ]nk
< =
(3.16)
=1
Gnralement, on utilise une expression approche de cet estimateur :

=
+1
= 1, ,
3.17
Lorsque = , la fonction de dfaillance = +1 < 1. Cela signifie que la

probabilit que la dure de vie de lquipement soit suprieure nest pas nulle.
c. Estimateur des rangs mdians

Soit un chantillon de n temps de dfaillance t1<t2<<t n. lestimateur des rangs
mdians correspond la valeur mdians de Fn(t) :
i1
() [1 t ]nk = 0.5
< =
(3.18)
=1
La va leur de , solution de cette quation, est lestimateur des rangs mdians

(thorique) :
ni+1
F ti = 1 +
F0.50,k,l
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.
d. Comparaison des estimateurs non-paramtriques

Le tableau 3.6 nous propose une comparaison des estimateurs binomials, des rangs
moyens, des rangs mdians approchs et des rangs mdians thoriques.

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
Tab. 3.6 : Comparaison des estimateurs non-paramtriques

Ces rsultats montre que :
1. Lestimateur des rangs mdians est plus proche de lestimateur binomial que
lestimateur des rangs moyens :
max . . = 6.73% max . = 9.09%
2. Pour des chantillons de petite taille lestimateur des rangs moyens est plus proche
de lestimateur binomial, mais pour des chantillons de grande taille cest
lestimateur des rangs mdians est plus proche de lestimateur des rangs moyens.
3.4.2 Estimateurs non-paramtriques pour un chantillon

comprenant des donnes censures et multiples
Lorsque lchantillon est complexe, la fonction de fiabilit doit tre calcule pas pas.
Lapproche par intervalles permet dtablir une expression de rcurrence pour la loi de
fiabilit.
3.4.2.1 Estimation de la fonction de fiabilit par rcurrence

Considrons un chantillon complexe de taille . Lintervalle [1 , [ est lIme
intervalle. On note , le nombre de dfaillances observes dans lintervalle et le nombre
dquipements censurs . Pr consquent, le nombre dquipements en fonction 1
(units dites risque au dbut de lintervalle) vaut :
1

=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)
On obtient par rcurrence :

= (1 )(1 ) = (1 )(1 1 )(2 )
(3.24)
( ) =
(3.25)
=1
Lestimateur non paramtrique de F devient donc :

( ) = 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)

b. Estimateur produit-limite (estimateur de Herd-Johnson)

Pour lintervalle , lestimateur non-paramtrique des rangs moyens est donn
par /( + 1). Si on injecte cette expression dans lquation (3.25), on obtient lestimateur
du produit-limite :
( ) =
=1
1
=
+ 1
=1
+ 1
+ 1
+ 1
(1 )
+ 1
(3.30)
Si chaque intervalle ne comprend quune dfaillance, alors di= 1, = + 1 et

lquation (3.30) devient :
+ 1 (1 )
=
(1 )
(3.31)
+ 2
Avec i=0 si ti correspond une dfaillance et i=1 si ti est censur droite.
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)
i est calcul par :
1
+ 1 1
1+
(3.34)
Si la premire donne nest pas censure, 1 = 1 1 = 1.
3.4.3 Illustration et comparaison des estimateurs

Exemple 1 : clapet daspiration central
Prenant les donnes relatives au ressort du clapet daspiration central sont spcifies dans
le tableau 3.4. Il sagit dun chantillon simple comprenant des donnes censures. Le tableau
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
Tab. 3.7 : Fonction de dfaillance du ressort du clapet daspiration central

partir de ces rsultats, on peut calculer la diffrence maximale entre les estimateurs :
Les mthodes de Kaplan-Meier et Herd-Johnson vaut 13,18%,
Les mthodes de Kaplan-Meier et dajustement de rangs 12,28%,
Les mthodes Herd-Johnson et dajustement de rangs 3,04%.
Pour cet exemple, on remarque que les estimateurs de Herd-Johnson et dajustement de
rangs conduisent des estimations trs proches. La mthode de Kaplan-Meier donne une
estimation lgrement plus leve de la fonction de dfaillance que les deux autres mthodes.
Exemple 2 : O-rings des clapets daspiration
Le tableau 3.3 reprsente les donnes relatives aux o-rings des clapets daspiration, si on
fait lhypothse que les joints sont identiques, on obtient un chantillon comprenant des
donnes multiples et censures. Le tableau 3.8nous permet de comparer les estimateurs nonparamtriques de Kaplan- Meier, Herd-Johnson.
i
1
2
3
4
5
6
7
8
9
10
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
Tab. 3.8 : fonction de dfaillance des o-rings des clapets daspiration

3.5 Estimation paramtrique de la loi de fiabilit

3.5.1 Mthode de rgression
La rgression linaire est une statistique permettant la recherche de lquation dune
droite (ou plus gnralement dune courbe) ajustant au mieux un nuage de points (srie de
X i, Y i).
Dans cette recherche, la mthode de rgression va nous aider estimer les paramtres du
modle paramtrique considrer partir dune estimation non paramtrique [ti, F (ti)] de la loi
de fiabilit.
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.
Figure 3.2 : Exemple de nuage de points
Figure 3.3 : Exemple dajustement de nuage de points
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
Mais il y a un problme si on prend cela comme il y a des points au dessus et en dessous

de la droite la somme fera zro, donc on va prendre la diffrence au carr (on pourrait prendre
la valeur absolue mais cest plus compliqu).
( ( + ))2
(3.36)
=0
Apres on cherche minimiser cette somme, do le nom de moindre carrs :
( ( + ))2
(3.37)
=0
Ensuite, pour trouver le minimum on drive, on fini par avoir la formule suivante :
= +
(3.38)
Pour calculer a et b on utilise les formules suivantes :

= (Cov (X, Y))/Var(X)
=
(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(
)2 les carts type des Xi et des Yi
Le coefficient de corrlation est toujours compris entre -1 et 1

Si r est proche de 1 ou de -1 alors lajustement est bon.
Si r est proche de 0 alors il ny a pas de corrlation entre les Xi et les Yi.
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.
Figure 3.4 : Exemple de graphe de probabilit (papier de Weibull).
Axe A : axe sur lequel on porte les valeurs des Xi

Axe B : axe sur lequel on porte les valeurs des Yi
Axe a : axe des valeurs en logarithme npriens : ln(x)
Axe b : axe qui permet lvaluation de (voir la suite)
43
a.1 Estimation graphique des paramtres dune loi de fiabilit

Estimation graphique des paramtres dune de fiabilit cest utilisez des tracs de
probabilit de voir vos donnes et vrifier visuellement les hypothses du modle Probabilit
parcelles sont simples moyens visuels de rsumer la fiabilit des donnes en traant CDF vs
temps estimations sur papier de probabilit spcialement construit, on prend le cas de la loi de
Weibull, on peut la rendre linaires en prenant deux fois le logarithme de la fonction de
dfaillance (ou la fonction de rpartition (3.5)) :
= 1
(3.44)
ln{ ln 1 } = ln
(3.45)
ln[ 1 ()] = (
ln ln
1
1
= ln ln
(3.46)
On pose = ln ln[1/(1 ] et = ln(), nous obtenons une quation linaire. En

suivant lenchainement des quations (3.38), (3.39), (3.40), et (3.41) nous trouvons que =a et
= exp (b/).
Daprs la relation (3.60) on voie que le point F(t)=1 ne peut pas tre dessin dans un
graphe de probabilits, ainsi que F(t)=1 on ne peut pas calculer ln(), enfin F(t)=1 signifier
en probabilit que R(t)=0 ce qui implique que t tendre vers linfini.
a.2 Exemple dapplication graphique :
Une mthode de calcul des paramtres de la distribution de Weibull est en utilisant la
probabilit de traage. Pour mieux illustrer cette procdure, considrons l'exemple suivant
Prenant le tableau 3.9 qui reprsente des temps de bon fonctionnement, ainsi la fonction de
rpartition estime par la mthode des rangs mdians :
I
1
2
3
4
5
6
TBF
165
330
515
740
915
1320
Fi
0,11
0,26
0,42
0,58
0,73
0,89
Tab. 3.9 : Exemple des donnes

Sur un papier de probabilit de Weibull, l'intrigue du temps et de leurs rangs
correspondants. La figure 3.4 montre un exemple d'un document de probabilit de Weibull (la
solution est donne dans la figure 3.5).

Dtermination des paramtres de la loi de Weibull :

1. Dessiner la ligne de meilleure droite travers les points tracs (comme le montre la
figure 3.5), le trac se fait sans difficult au jug .
2. Obtenir la pente de cette ligne en dessinant une ligne, parallle celle qui vient
d'obtenir, passant par lorigine coupe laxe b en un point =1,4. Cest la valeur du
paramtre de forme.
3. La droite D1 coupe laxe des temps t==770 heures. Cest le paramtre dchelle de la
loi de Weibull.
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.
Figure 3.5 : Traage du nuage de points
45
b. Illustration et comparaison des mthodes (graphique, analytique et

numrique)
Le tableau 3.10 nous permet dune comparaison des diffrentes mthodes analytique et
graphique ainsi la mthode numrique ( laide de lapplication). Lestimation des paramtres
est faite base des donnes illustres dans le tableau 3.9.
mthode
MTBF
graphique
1,4
770
700
Analytique
1,4
771
702,3810
numrique
1,4082
771,8797
703,1824
Tab. 3.10 : comparaison des mthodes

On remarque que les trois mthodes conduisent des rsultats lgrement diffrents,
notamment dans le cas ou il y a des chantillons de grande taille la mthode graphique et la
mthode analytique ncessitent plus de temps pour la rsolution, donc on conclut que la
mthode numrique reste la meilleures et la plus prcise et rapide.
Les points reprsents dans un graphe de probabilit vont dpendre de la nature de
lchantillon.les donnes peuvent tre connues par intervalles ou exactes, non censures ou
censures, simples ou multiples.
F(ti)
Pi
F(ti-1)
ti-1
ti
Figure 3.6 : Une dfaillance par intervalle

UNE DEFAILLANCE PAR INTERVALLE Dans le cas ou il ny a quune dfaillance par
intervalle, il est prfrable de reprsenter le point milieu de lintervalle ce qui correspond aux
points (ti, pi) avec pi= [F(ti-1) +F(ti)]/2 comme reprsent la figure 3.6.

F(ti)
F(ti-1)
ti-1
ti
Figure 3.7 : Plusieurs dfaillances par intervalle

PLUSIEURS DEFAILLANCES PAR I NTERVALLE Si chaque intervalle contient plusieurs
dfaillances, il est prfrable de reprsenter les points (ti, pi) avec p= F(t). Pour preuve,
considrons lintervalle (ti-1, ti) reprsent la figure 3.7. Il comporte quatre dfaillances qui
sont reprsentes par les croix. La fonction en escalier estime par intervalle est reprsente
en gras. Supposons que nous connaissions les temps exacts des dfaillances. Dans ce cas,
nous aurions la fonction en escalier en pointill. Cette fonction peut tre reprsente par les
points du dbut de chaque saut (voir paragraphe suivant). Nous constatons que ces points
tendent vers la droite passant par les points [ti-1, F(ti-1)], [ti, F(ti)], dans le cas ou on est des
donnes censure comme prsente prcdemment les [ F(ti )] censures ont la mme valeur de
[ F(ti-1 )] do en trouve plusieurs dfaillance par intervalle donc il vous mieux dappliquer se
qui prcdent.
Donnes exactes Pour collecter des donnes exactes, il faut suivre le systme en continu.
Cela revient faire tendre la largeur des intervalles dinspection vers zros. Dans ce cas, la
fonction F(t) est une fonction en escalier qui prsente des sauts chaque dfaillance.
Considrons la figure 3.8 : un premier intervalle dinspection a une largeur t et les
dfaillances sont reprsentes par les croix. La fonction en escalier prsente un saut ti-1 et ti.
Si nous divisons lintervalle par deux, entre ti-1 et t la fonction en escalier ne prsente aucun
saut car aucune dfaillance nest observe dans cet intervalle. Par contre, la fonction va
prsenter un saut au droit de chaque dfaillance. Par consquent, lorsque les donnes sont
exactes (compltes ou simplement censures), on porte les points [ti, pi =F (ti)] dans le graphe
de probabilits.
Dans le as de donnes censures multiples , comme de la fonction peuvent tre diffrents
de 1/n, on prfre porter en graphique les points (ti , pi ) avec pi =[ F(ti-1 )+ F(ti )]/2.
47
F(ti)
F(ti-1)
t/2
t
ti-1
ti
Figure 3.8 : Fonction en escalier donnes exactes
3.5.1.2 Application numrique de la mthode de rgression

A titre dexemple, nous considrons les temps de dfaillance figurant dans le tableau 3.2
et le modle paramtrique de Weibull. Lchantillon comprend une donne double (TBF = 68
h) et une donne censure (TBF = 54 h). Nous considrons donc lestimateur de KaplanMeier et de Herd-Johnson. Sous lhypothse que la loi de fiabilit est la loi de Weibull, nous
obtenons le graphique de la figure 3.9.
Les paramtres estims par lestimateur de Kaplan-Meier sont : = 1,3202 et =
94,4191 h avec 2 = 95,92%. Par lestimateur du produit-limite, nous obtenons = 1,2099 et
= 105,7587 h avec 2 = 95,19%. Les deux mthodes conduisent des rsultats lgrement
diffrents.
Le tableau 3.11 nous permet dune authentification des rsultats quon a trouvs
auparavant avec celle de Mr Basile ([1], p. 24).
On remarque que les deux estimations sont presque quivalentes.
(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
Tab. 3.11 : validation des rsultats
3.5.2 Mthode du maximum de vraisemblance (MLE)

La mthode du maximum de vraisemblance (Maximum Likelihood Estimator ou MLE)
est une mthode statistique courante utilise pour infrer les paramtres de la distribution de
probabilit d'un chantillon donn, cette mthode a t dveloppe par le statisticien et
gnticien Ronald Fisher entre 1912 et 1922 [13].
Il n'ya rien de visuel sur la mthode du maximum de vraisemblance - mais c'est une
mthode puissante et, au moins pour les grands chantillons, trs prcis L'estimation du
maximum de vraisemblance commence avec l'criture d'une expression mathmatique connue

comme la fonction de vraisemblance des donnes de l'chantillon. Grosso modo, la

probabilit d'un ensemble de donnes est la probabilit d'obtenir cet ensemble particulier de
donnes, tant donn le modle de probabilit choisie selon une distribution. Cette expression
contient les paramtres inconnus du modle. Les valeurs de ces paramtres qui maximisent la
vraisemblance de l'chantillon sont connues comme les estimations du maximum de
vraisemblance.
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)
Ou (ti ;) est la probabilit relative la valeur observe ti et est un paramtre.

Dans le cas dun vnement quelconque et si le modle dpend de plusieurs paramtres
= (1, 2, ), cette relation devient :
n
(; 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)
Donne censure gauche avant ti

donne censure gauche est :
la fonction de vraisemblance correspondant une
= 0 = ( )
(3.50)
49
Donne censure droite de ti

vraisemblance a pour quation :
Si une donne est censure droite de ti, la fonction de
= = 1
3.51
Fonction de vraisemblance totale

A partir des relations 3.49, 3.50 et 3.51, nous dduisons lexpression de la fonction de
vraisemblance totale :
[ ] [ 1 ] [1 ( )]
(3.52)
avec li le nombre de donnes censures gauche de ti, di le nombre de dfaillances dans

lintervalle [ti-1, ti[ et ri le nombre de donnes censures droite de ti.
Fonction de vraisemblance pour des donnes exactes
La fonction de vraisemblance relative des donnes exactes est obtenue en faisant tendre
la largeur des intervalles vers zro i = ti - ti-1 0. Dans ce cas, le terme F (ti) F (ti-1) peut
tre substitu par f (ti). En effet, par dfinition de la drive, nous avons :
= ()/ = lim 0 [ 1 ]/
(3.53)
Si i est trs petit, nous pouvons faire cette approximation :

1
(3.54)
Comme ne dpend pas de i, nous pouvons considrer la fonction de vraisemblance

[( )] [( )] [1 ( )]
3.55
Dans la suite de cette tude, nous considrons essentiellement des donnes compltes ou
censures droite.
3.5.2.2 Application de la mthode du maximum de vraisemblance

A titre dexemple, nous considrons les temps de dfaillance figurant dans le tableau 3.2.
Les paramtres de la loi de Weibull estims par la mthode MLE sont : =1,2702 et
=102,4583[h].
Les paramtres estims par la mthode du maximum de vraisemblance sont repris dans
Le tableau 3.12 pour les comparais avec les rsultats aperus a ([2], p. 26). Nous voyons que
les rsultats lgrement diffrents.

Basile/MLE
MLE
1,2790
1,2702
(h)
104,47
102,4583
Tab. 3.12 : validation des rsultats de la mthode MLE

Les paramtres estims par la mthode de rgression base sur lestimateur de KaplanMeier et de Herd-Johnson et par la mthode du maximum de vraisemblance sont repris dans
le tableau 3.13. La figure 3.9 compare les trois modles, nous voyons que les trois mthodes
conduisent des rsultats quivalents.
Figure 3.9 : Comparaison de la mthode de rgression et de la mthode MLE

Pour cet exemple, la loi dtermine sur base de lestimateur de Herd-Johnson et celle
calcule par la mthode MLE sont lgrement diffrents, nous remarquons que les intervalles
de confiance repris dans le tableau 3.13 ne permettent pas de favoriser une mthode par
rapport une autre.
Rgression/K-M
Rgression/H-J
MLE
0,99751,32021,9522
0,92011,20991,7671
0,92511,27021,7441
(h) 71,344294,4191139,629 80,4285105,7587154,4682 71,6716102,4583146,4693

Tab. 3.13 : comparaison des mthodes avec IC pour =0.05
51
3.5.3 Comparaison des mthodes (rgression et MLE)

On peut prfrer une mthode destimation une autre sauf si les rsultats quelle fournit
sont plus prcis.
3.5.3.1 Echantillon comprenant des donnes censures

Une tude ralise [2] a montr que, pour un chantillon comprenant des donnes
censures, la mthode du maximum de vraisemblance conduit en moyenne des rsultats plus
prcis que la mthode de rgression. Vrifions les carts entre les mthodes laide des
donnes relatives aux joints o-rings des clapets daspiration (Tab.3.3, aux ressorts des clapets
daspiration (Tab.3.4) et aux joints o-rings des cylindres (Tab.3.5).
Les estimations ralises sont regroupes dans le Tab.3.15. Nous voyons quil nya pas
une grande diffrence significatives entre la mthode de rgression utilisant lestimateur de
Kaplan-Meier et la mthode base sur lestimateur de Herd-Johnson. Nous remarquons aussi
que les deux mthodes donnent une estimation remarquablement diffrente pour les joints des
clapets daspiration. Ce rsultat semble physiquement incorrect car lorsque est infrieur
lunit, cela signifie que le systme samliore. Comme les joints sont soumis lusure, on
sattend une valeur de suprieure lunit.
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
Tab.3.15 : Loi de fiabilit des composants du compresseur
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.

3.6 Incertitude affectant un modle de fiabilit

3.6.1 Mthodologies
3.6.1.1 Intervalle de confiance dtermin partir dune distribution de
probabilits
Considrons un paramtre dont on possde un estimateur G. La mthode consiste
trouver les limites G1 et G2, de part et dautres de G, telles que lintervalle [G1, G2] ait une
forte probabilit de contenir . Pour ce faire, on se donne un degr de confiance 1- proche de
lunit ; les valeurs les plus courantes pour sont 0,05 ou 0,01 ou encore 0,001. Les limites de
confiance sont telles que :
1 2 = 1
(3.56)
est donc la probabilit que napparient pas lintervalle [G1, G2]. Par ailleurs, si
< 1 = > 2 =
(3.57)
Lintervalle de confiance est symtrique. Lestimation de lintervalle de confiance

ncessite donc de connaitre la distribution du paramtre .
3.6.1.2 Intervalle de confiance bas sur le rapport de vraisemblance

Une autre mthode pour estimer lincertitude affectant les paramtres de fiabilit se base
sur les tests de conformit [1]. Considrons le test relatif lhypothse nulle :
H0 : =
La valeur du maximum de la fonction de vraisemblance est
vraisemblance r() est dfini par :

(3.58)
= . le rapport de
(3.59)
Ce rapport mesure le degr de vraisemblance de valeur , par comparaison avec la valeur la

plus vraisemblable. Le rapport de vraisemblance est dautant plus faible que lchantillon est
moins compatible avec lhypothse nulle. En dautres termes, nous rejetons lhypothse nulle
quand r est infrieur ou gal une valeur thorique r :
( 0 ) =
Avec R la variable alatoire associe r.
(3.60)
53
Figure 3.10 : illustration de la mthode du ratio de vraisemblance

On peut dmontrer que la distribution asymptotique du paramtre estim par la
mthode du maximum de vraisemblance est la loi normale , (annexe B.2).dans ce
cas, nous pouvons montrer que la quantit 2 ln R()possde asymptotiquement une
distribution 2 un degr de libert. Le rejet de lhypothse se fait donc quand :
2
2 ln () 1;1
(3.61)
Le nombre de degrs de libert est gal au nombre de paramtres estimer.

Le principe de la mthode est illustr la figure 3.10 ou nous avons trac la fonction de
vraisemblance relative r() en fonction de . Lquation 3.61 permet de calculer r() en
fonction de . A une valeur de r() correspondent deux valeurs de : inf et sup qui sont les
limites de lintervalle de confiance recherch.
3.6.1.3 Intervalle de confiance dterminer par simulations

Le principe de cette mthode est de gnrer des nombres pseudo- alatoires
correspondant la population parent considre et de constituer des chantillons en simulant
la mthode dchantillonnage envisage. Ensuite, on calcule la valeur du paramtre considr
pour chaque chantillon simul. Finalement, on tudie la distribution des valeurs obtenues du
paramtre, Matlab utilise une fonction intgrer ou une mthode de simulation de type
bootstrap [14] qui permet de calculer lintervalle de confiance.
3.6.2 Incertitude affectant la loi dfaillance

Dans le paragraphe 3.4.1, nous avons dmontr que la variable alatoire nFn(t) suit une
loi binomiale B [n, F(t)]. Cette proprit permet de calculer lintervalle de confiance sur la
fonction F(t).

3.6.2.1 Intervalle de confiance normal

Le thorme de Moivre montre que si X est une variable alatoire binomiale B(n, p) :

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 .
De cette relation, nous pouvons dduire lintervalle de confiance relatif F(t) :

(1 ) + (1 )
2
(3.64)
avec z(1-/2) labscisse de la variable normale rduite telle que (z(1-/2))=1-/2.
3.6.2.2 Intervalle de confiance normal-donnes censures

Lorsque lchantillon comporte des donnes censures, lcart-type peut tre estim
en utilisant la formule de Greenwood :
= ( )
2
=1
(3.65)
avec = , est le nombre de composants dfaillants dans lintervalle i et ni le nombre

de composants risque au dbut de lintervalle i.
Un estimateur pour lcart-type de est donc :
=
( )
(3.66)
55
3.6.3 Incertitude affectant les paramtres dune loi de fiabilit

3.6.3.1 Intervalle de confiance normal
Considrons un paramtre , lintervalle de confiance normal repose sur lhypothse que
la distribution de la variable alatoire :

(3.67)
est la loi normale centre rduite NOR (0.1) (annexe A)

Dans ce cas, lintervalle de confiance est dtermin par la relation :
1/2 + 1/2
(3.68)
3.6.3.2 Dtermination de lcart-type par la matrice de Fisher

Gnralement calcul par la matrice de Fisher. Cette mthode est dtaille lannexe B .
La matrice de Fisher est calcule partir des drives secondes de la fonction de
vraisemblance. Linverse de cette matrice est la matrice de variance-covariance.
Illustration cette mthode avec le model exponentiel. Dans le cas dun chantillon noncensur, la fonction de vraisemblance de ce modle pour expression :
exp
3.69
ln
(3.70)
=1
ln =
=1
La drive premire a pour expression :

ln ()
=
(3.71)
=1
La drive second est donne par :

2 ln
= 2
2
(3.72)
Dans ce cas, la matrice de Fisher se rduit un terme : I = 2 Comme la matrice de

variance-covariance
= I
, la variance de vaut donc : 2 =

3.6.4 Illustration et comparaison des mthodologies

3.6.4.1 Fiabilit du compresseur de Dow Corning
Dterminons lincertitude affectant les paramtres de la loi de fiabilit de lquipement de
Dow Corning estims partir des donnes du tableau 3.2 pour ce faire nous considrons que
lchantillon nest pas censur (=1,2702 ; =102,4583h). la mthode destimation utilise
pour les paramtres est la mthode du maximum de vraisemblance (Tab.3.16).
IC Normal
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.
3.6.4.2 Fiabilit des composants du compresseur de Dow Corning

Afin dillustrer et de comparer les mthodes dincertitude dveloppes dans ce chapitre,
nous considrons les donnes relatives aux joints o-rings des clapets daspiration (Tab.3.3,
aux ressorts des clapets daspiration (Tab.3.4) et aux joints o-rings des cylindres (Tab.3.5). les
estimations des paramtres sont ralises par la mthode du maximum de vraisemblance
base sur la loi normale.
La loi normale
Joints asp.
Ressorts asp.
Joints cyl.
=102,1818
=29,1541
=302,10
=159,3511
=266,0714
=288,2959
Tab.3.17 : paramtres des lois de fiabilit du composant du compresseur

Les intervalles de confiance estims par la mthode base sur la mthode base sur la
matrice de Fisher et la mthode de simulation sont repris dans le tableau (Tab.3.17). Ces
rsultats mettent en vidence que :
1. Les deux mthodologies conduisent des estimations quivalentes.
2. Lincertitude sur les paramtres peut tre trs grande.
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
Tab.3.18 : IC de paramtres des lois de fiabilit des composants du compresseur
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.
3.7 Prsentation de lapplication FST-Fiabilitix

Linterface FST-Fiabilitix est reprsente la figure 3.11. Cet application a lavantage de
analyser les donnes qui peuvent tre des temps de dfaillance ou des temps de bonne
fonctionnement (TBF) sous format numrique (fichier *.xlsx). Dans le premier cas
(DataFailure times ou TBF), les donnes sont spcifies dans un fichier Excel format en
deux colonnes voire (TAB.3.19). Les temps sont spcifies dans la premier colonne et la
deuxime correspond lindicateur de censure.
Figure 3.11 : interface de FST-Fiabilitix

TBF
81
152
119,5
237,5
37
43
38
gamma
0
0
1
1
0
1
0
Tab.3.19 : exemple des donnes a analys

Les deux mthodes danalyse implmentes dans FST-Fiabilitix sont la mthode de
rgression et la mthode maximum de vraisemblance. Les modles de fiabilit proposs sont :
la loi exponentielle, la loi de Weibull, la loi normale, la loi log-normale, la distribution valeurs
extrmes minimales.
Il est galement possible de calculer les intervalles de confiance relatifs aux paramtres
estims, ces intervalle peuvent tre dtermins : partir de la mthode bas sur la loi normale
la matrice de Fisher, par le rapport de vraisemblance ou par simulations.
Les rsultats de lanalyse sont sauvegards dans un fichier format numrique (*.doc)
comme reprsent la figure 3.12. Ce module danalyse a t valid partir dexemples
graphique et par Simulatrix [2], et par comparaison avec le logiciel Matlab.
Figure 3.12 : Rsultats de lanalyse par FST-Fiabilitix
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]

Langue

Université Hassan 1er

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Université Hassan 1er

Transféré par

Droits d'auteur :

Formats disponibles

Universit Hassan 1er

Facult des Sciences et Techniques

PROJET DE FIN DETUDES

Fiabilit des Systmes non

Anne universitaire 2010/2011

Universit Hassan 1er 2

Universit Hassan 1er 4

A Monsieur Ahmed MOUSRIJ

Au terme de ce projet de fin dtude, ma gratitude et sincres remerciements

Universit Hassan 1er 6

Universit Hassan 1er 8

3.6.2 Incertitude affectant la loi dfaillance............................................................... 53

Universit Hassan 1er 10

La sret de fonctionnement englobe principalement la fiabilit, la disponibilit, la

Figure 1.1 : Mthodes de prdiction des dfaillances

1.2 Objectif de la recherche

Universit Hassan 1er 12

1.3 Contenu du travaille

2.2 Collecte des donnes de la fiabilit

2.2.1 Principe et finalit

Universit Hassan 1er 14

Aprs le recueil de donnes, loperateur dterminera les diagnostics en dcrivant les

2.2.2 Donnes de fiabilit

2.2.3 Collecte des donnes

repre du matriel (fonctionnel ou matriel) ;

taux de dfaillance en fonctionnement

On peut galement procder des estimations statistiques des lois de fiabilit R (t ), de la

2.3 Contraintes et fiabilit des donnes

Universit Hassan 1er 16

2.3.1 Contraintes dues lenvironnement

2.3.1.1 Solution pour les contraintes denvironnement

2.3.2 Contraintes de fonctionnement et de mise en uvre

Les contraintes lorigine des dgradations peuvent tre continues ou cycliques

2.3.2.1 Exemple des contraintes de dgradation

constante homogne un temps.

exposant diffrent de 1 lorsque lvolution nest pas proportionnelle au temps.

nergie de la raction (dite dactivation).

temps au bout duquel il y a une coupure ( lendroit o il y a appauvrissement

Universit Hassan 1er 18

2.3.2.2 Dfaillances dues une volution progressive

2.3.2.3 Dfaillances ne rsultant pas d'une volution progressive

2.3.2.4 Dfaillances caractre systmatique

2.3.2.5 Autres motifs de dfaillances des matriels

2.3.2.6 Effet des drives

Universit Hassan 1er 20

2.3.3 Limitation des contraintes

2.3.4 Le facteur humain

2.3.4.1 Loprateur humain

Lacquisition des informations (activit sensorielle) ;

Lanalyse des erreurs humaines a mise en vidence limportance de lactivit mentale

Le comportement machinal (skill-based behavior) : comportement

Le comportement procdural (rule-based behavior) : comportement faisant

Le comportement cognitif (knowledge-based behavior) : cas des situations

2.3.4.2 Les mthodes

Universit Hassan 1er 22

Analyse dtaille des erreurs pertinentes

2.3.5 Erreur de collecte des donnes

Figure 2.1 : deux observateurs.

Inter-valuateur ou de fiabilits inter-observatrices

Utilis pour valuer la compatibilit d'une mesure d'une poque l'autre.

La fiabilit des formes parallles

Fiabilit de cohrence interne

2.3.5.1 Comparaison des estimateurs de la fiabilit