Académique Documents
Professionnel Documents
Culture Documents
UNIVERSITE DE NANTES
COLE D OCTORALE
S CIENCES ET T ECHNOLOGIES
M ATRIAUX
DE L I NFORMATION ET DES
Anne : 2008
Estelle DELOUX
Le 7 octobre 2008
lcole Nationale Suprieure des Techniques
Industrielles et des Mines de Nantes
Examinateurs
Examinateur (absent)
Philippe CASTAGLIOLA
Laurent BORDES
Joel NACHLAS
Daniel NOYES
Christophe BERENGUER
Bruno CASTANIER
Rommert DEKKER
NED 503-005
Remerciements
Il ma t trs difficile dcrire cette page par souci de noublier les nombreuses
personnes quil me faut citer pour leur aide, leur accueil, leur soutien... ! Quelles
soient toutes assures de ma plus profonde reconnaissance mme si leur nom ny
figure pas !
Je tiens, tout dabord, remercier Bruno Castanier et Christophe Brenguer pour
la qualit de leur encadrement et leur disponibilit. Bruno, merci, pour mavoir fait
confiance, guid, encourag, conseill et fait beaucoup voyager pendant ces trois
annes. Christophe, merci, pour avoir accept la direction de cette thse, pour tes
encouragements (sans faille depuis mon master), pour tes nombreuses relectures et
ton suivi malgr lloignement.
Je remercie Laurent Bordes, Joel Nachlas et Daniel Noyes pour lintrt quils
ont manifest pour mon travail, pour leurs questions constructives et leurs prcieux
conseils. Je vous suis trs reconnaissante davoir accept dtre les rapporteurs de
cette thse. Je tiens galement remercier Philippe Castagliola, pour sa minutieuse
relecture et pour avoir endoss le rle de prsident du jury et Rommert Dekker pour
avoir accept dtre membre du jury.
Ces trois annes passes dans le dpartement automatique et productique ont t
ponctues de goters vietnamiens de Nga, de goters bordelais de Denis, de ths
dans le bureau den face (merci Odile). . . Merci lensemble des membres et exmembres de lquipe SLP et du personnel du dpartement et plus particulirement
Nga pour mavoir supporte pendant trois ans comme collgue de bureau et pour
avoir endoss le rle de coach sportif (natation, footing), Denis et ses msaventures
et Emilie.
Tout ceci ne serait rien sans ma famille et mes amis. Un norme merci mes
parents pour mavoir toujours laiss libre de faire ce qui me plaisait et pour mavoir
encourag dans mes choix. Merci Stphane pour mavoir appris me dpasser et
faire toutes choses fond.
Mes derniers remerciements sont pour Guillaume, pour avoir su mener une part
essentielle laboutissement de ce travail : me remonter le moral, me supporter et
mencourager. Je tenais ce que les derniers mots de cette page soient pour lui.
i
Remerciements
iii
Notations
ix
Introduction gnrale
1 Modlisation de la maintenance
1.1 Introduction . . . . . . . . . . . . . . . . . . . .
1.2 Prsentation de la maintenance . . . . . . . . .
1.2.1 Dfinition et objectifs de la maintenance
1.2.2 Les types de maintenance . . . . . . . .
1.2.3 Les approches industrielles . . . . . . . .
1.3 Modlisation et valuation de la maintenance . .
1.3.1 Modles de maintenance . . . . . . . . .
1.3.2 Optimisation de la maintenance . . . . .
1.4 Conclusion et problmes poss . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
7
7
8
8
9
11
13
13
14
15
17
17
18
18
19
19
20
23
26
27
27
28
iv
2.5
2.6
2.7
.
.
.
.
.
.
.
.
.
29
30
32
33
34
35
38
42
43
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
51
51
51
52
52
53
53
54
.
.
.
.
.
.
.
.
.
.
55
56
57
58
58
64
65
65
67
69
.
.
.
.
.
71
71
71
72
73
74
5.3
5.4
5.5
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
78
79
79
80
82
83
84
84
85
85
86
87
87
89
89
89
91
91
91
92
94
96
96
97
99
103
vi
133
Bibliographie
vii
137
4
5
6
7
8
9
III-2
III-2
III-3
III-3
III-3
III-3
II-3
Localisation
II-2 ; III-1
II-3
II-3
Politique
Politique
Politique
Politique
Politique
Politique
Politique 3
Politiques
Politique 0
Politique 1
Politique 2
politique de maintenance
uniquement base
sur la surveillance du stress
politique de maintenance
base sur lge du systme
viii
Tableau rcapitulatif
Notations
Caractristiques du systme
(Z(t))t0 : processus dcrivant ltat du systme
f :
densit de probabilit dun incrment alatoire de dgradation
(k)
f :
loi de dgradation cumule aprs k priodes de temps
R(t) :
fiabilit du systme non maintenu
Rm (t) :
fiabilit du systme maintenu
F (t) :
probabilit de dfaillance du systme
:
vecteur des caractristiques du systme
Dgradation
(X(t))t0 :
L:
:
:
0 :
:
:
t = tk tk1
:
processus de dgradation
seuil de dfaillance
paramtre de la loi exponentielle lorsque X est
une variable alatoire exponentielle
paramtre de forme de la loi Gamma lorsque X suit
un processus Gamma
paramtre de forme de la loi Gamma lorsque X suit
un processus Gamma et que le systme nest pas stress
accroissement de la vitesse de dgradation lie au stress
paramtre dchelle de la loi Gamma lorsque X suit
un processus Gamma
: priode lmentaire. On prendra t = 1
influence du stress sur la dgradation
ix
Notations
Stress
(Y (t))t0 : processus de stress
a:
paramtre dchelle
b:
sensibilit au stress
FA :
facteur dacclration
m:
niveau nominal de stress
:
coefficient de drive
:
seuil de stress
:
cart type du niveau nominal du stress
0 :
paramtre de la loi exponentielle qui modlise la dure
dans ltat non stress
1 :
paramtre de la loi exponentielle qui modlise la dure
dans ltat stress
r(t) :
proportion de temps pass dans ltat stress
depuis le dernier remplacement t
r :
proportion moyenne de temps pass dans ltat stress
Politique de maintenance
Cots de maintenance
C :
C(t) :
Nix (t) :
CIN SP X (t) :
cix :
Niz (t) :
CIN SP Z (t) :
ciz :
Np (t) :
CP REV (t) :
cp :
Nc (t) :
CCORR (t) :
cc :
Du (t) :
CIN DISP (t) :
cu :
cm :
S:
E:
Notations
xi
Rgle de dcision
:
seuil de remplacement prventif
U CL : limite de contrle suprieure
:
priode entre deux X-inspections conscutifs
:
priodes entre deux actions de maintenance systmatique successives
Introduction gnrale
Introduction gnrale
Introduction gnrale
Introduction gnrale
La troisime partie a pour objectif de proposer de nouvelles stratgies de maintenance en fonction de nouvelles hypothses sur linformation disponible et limpact
de lenvironnement sur les conditions de fonctionnement du systme.
Dans le chapitre 7, une discussion sur la disponibilit de la mesure de leffet du
stress en ligne et sur la nature de limpact de celui-ci sur les caractristiques de
dgradation du systme permet de mettre en vidence trois cas dtude particuliers.
Pour le premier de ces modles nous considrons que le stress na pas dimpact sur
le processus de dgradation ou que son impact nest pas mesurable. Pour le second
cas, on suppose que le processus de dgradation est modifi seulement lorsque le
systme est stress et devient normal ds son retour dans ltat nominal. Enfin,
pour le dernier cas, le processus de dgradation est impact de manire irrversible
chaque survenue dun stress. Nous dveloppons et valuons une structure de maintenance adapte un tel systme. Les rgles de dcision restent inchanges quel que
soit le cas considr, seuls les paramtres de dcision optimiss nont pas les mmes
valeurs en fonction de limpact pris en compte. Afin dillustrer limportance de la
dtermination de la nature du stress, une tude des performances de la politique de
maintenance en fonction de lhypothse de dpart concernant limpact du stress sur
le processus de dgradation compar son impact rel est propose.
Dans le chapitre 8, on cherche amliorer les performances conomiques des
structures proposes dans le chapitre prcdent en dveloppant un schma adaptatif
dinspections pour prendre en compte les effets ponctuels (et non moyens comme
prcdemment) du stress. Trois nouveaux schmas sont alors proposs et leurs performances compares celles de la structure de maintenance qui repose uniquement
sur la connaissance a priori du stress (structure propose dans le chapitre 7).
Enfin, dans le dernier chapitre, nous proposons une modlisation du stress en
temps continu (dans tous les autres chapitres nous le considrons toujours en temps
discret). En effet, la plupart des systmes rels rgis par des lois physiques voluent par nature continment dans le temps et lidentification directe de modles
temps continu prsente de nombreux avantages. Dans ce chapitre nous proposons
de construire diffrents modles de maintenance bass sur le niveau dinformation
disponible sur le systme et plus particulirement sur le niveau de connaissance
concernant le processus de stress. Nous proposons de prendre en compte dans le
processus de dcision le temps pass dans ltat stress.
Un tableau rcapitulant lensemble des politiques de maintenance dveloppes est
propos au dbut de ce manuscrit (cf. tableau 1 p. 5).
Les travaux prsents dans ce mmoire de thse ont fait lobjet de plusieurs publications dans 2 revues [35, 37], 5 confrences internationales avec actes [28, 3032, 36]
et 5 confrences sans actes, sminaires et workshops [27, 29, 33, 34, 38].
Premire partie
Chapitre 1
Modlisation de la maintenance
1.1
Introduction
Les activits de maintenance, au sens de dpannage dun quipement, ont toujours exist. Mais ces activits taient au dpart peu ou pas formalises : elles
ntaient pas ncessairement assures par du personnel spcialis, ni encadres par
des mthodes spcifiques. De plus, elles consistaient essentiellement rparer un
quipement une fois que celui-ci tait dfaillant, mais nintgraient que peu la notion de prventif, cest--dire des interventions visant prvenir la panne.
La notion formalise de maintenance est relativement rcente. Elle est apparue
avec lautomatisation des systmes de production, les enjeux conomiques et industriels croissants, les rglementations strictes pour la protection de lindividu et de
lenvironnement.
La fonction de maintenance ne peut se rduire la seule activit dentretenir un
parc de machine mais a vocation intervenir dans tout le cycle de lexploitation du
systme (choix et conception du matriel, mise en service, dtermination des plans
de maintenance, organisation et logistique des activits de maintenance, suivi de
lvolution du systme, etc.).
Dans ce mmoire nous allons nous focaliser sur les politiques de maintenance
qui ont pour objectif de prvenir, dviter ou de corriger les dysfonctionnements de
systmes trs divers et souvent complexes (systmes industriels, systmes lectroniques, rseaux, . . . ). Dans le but de rduire les cots dintervention et de maximiser
la dure de fonctionnement, de nombreux travaux sintressent loptimisation de
ces politiques de maintenance : il sagit de prvoir les dates et la nature des interventions (rparation complte, rparation minimale, inspection, . . . ) en minimisant un
critre de cot fix a priori (cot dintervention, cot d une panne gnrale, cot
de surveillance, . . . ). Pour rpondre ce genre de problme, il est souvent ncessaire
de sappuyer sur une modlisation mathmatique de la ralit capable de capturer
la complexit des problmes abords, complexit engendre par la diversit des scnarios dvolution du systme soumis la stratgie de maintenance mais aussi aux
incertitudes. Ces incertitudes peuvent tre de deux sources : le caractre alatoire
des modes de fonctionnement du systme et le manque de connaissance de celui-ci
qui peut aussi dpendre de lenvironnement incertain dans lequel il volue. Si on
dispose de tels modles, il est alors possible de quantifier les cots et les gains engendrs par diverses actions de maintenance, et donc de dterminer la plus rentable.
Loptimisation de politiques de maintenance partir des modles stochastiques a
7
1.2
1.2.1
Prsentation de la maintenance
Dfinition et objectifs de la maintenance
Daprs la norme franaise NF EN 13306 X 60-319 [80], la dfinition de la maintenance est "lensemble de toutes les actions techniques, administratives et de management durant le cycle de vie dun bien, destines le maintenir ou le rtablir
dans un tat dans lequel il peut accomplir la fonction requise.
Le management de la maintenance concerne toutes les activits des instances de
direction qui, dune part, dterminent les objectifs, la stratgie et les responsabilits concernant la maintenance et, dautre part, les mettent en application par des
moyens tels que la planification, la matrise et le contrle de la maintenance, lamlioration des mthodes dans lentreprise (y compris dans les aspects conomiques).
Lactivit actuelle de la maintenance sinscrit dans un cadre de participation
la ralisation des objectifs de productivit, de rentabilit et de croissance de lentreprise. Il est important de sassurer donc du bon fonctionnement de la fonction
maintenance. Toutes les activits dun cycle dexploitation doivent tre ralises au
mieux de faon maximiser les effets positifs de la maintenance, tout en minimisant
les cots. La ralisation des tches de maintenance requiert la fois des comptences
mtiers (mcanique, hydraulique, lectricit, . . . ) et des comptences organisationnelles (planification des tches, gestion des ressources, soutien logistique intgr,
. . . ). Le choix et la mise en oeuvre dune stratgie de maintenance dpendent donc
de nombreux paramtres. Il est ncessaire de pouvoir mesurer a priori les consquences de cette stratgie sur les performances globales du systme qui peuvent
napparatre qu long terme. En pratique, cependant, il est difficile dvaluer et
de comparer les gains et cots de dcisions de maintenance. Ainsi dfinir une approche rationnelle pour la maintenance reprsente un rel bnfice. La modlisation
des processus de maintenance peut constituer un support intressant pour lvaluation et la rationalisation des pratiques de maintenance. Dans la mesure o les
activits de maintenance font intervenir une grande diversit de processus (depuis
la conception du systme jusqu la gestion des pices dtaches), une approche de
modlisation doit ncessairement tre limite un sous-ensemble de ces processus.
Dans ce mmoire, on sintresse uniquement aux stratgies de maintenance permettant de prvenir, viter ou corriger les dysfonctionnements de systmes trs divers
et souvent complexes (systmes industriels, systmes lectroniques, rseaux,. . . ). Il
sagit de prvoir les dates et la nature des interventions sur ces systmes. On saffran-
1.2.2
Les stratgies de maintenance peuvent tre rpertories en deux grandes catgories : la maintenance corrective et la maintenance prventive.
La maintenance corrective est la maintenance qui intervient suite la dfaillance
du systme alors que la maintenance prventive est ralise lorsque le systme est
encore en fonctionnement. Le recours lune ou lautre de ces stratgies diffre
suivant llment considr mais aussi le type de structure, la politique dexploitation et de suivi, les cots, la disponibilit de linformation, etc.
Dans la figure 1.1, nous prsentons les diffrentes stratgies suivant le type de
maintenance tudie. Alors que la mise en place doprations correctives ne dpend
que de loccurrence dune panne, les maintenances prventives peuvent tre programmes en fonction de diffrents paramtres.
MAINTENANCE
Concept de
Maintenance
CORRECTIVE
Palliative
Curative
M
I
X
T
E
PREVENTIVE
Systmatique
Prvisionnelle
Conditionnelle
Evnement
Opration de
Maintenance
Dfaillance
Remplacement
Echancier
Seuils de
dcision
Evolution des
paramtres
Rparation
Remplacement
Rparation Inspection
Inspection
Visite
10
La maintenance corrective
La maintenance corrective est lensemble des activits ralises aprs la panne du
systme pouvant tre lie sa dfaillance ou la dgradation de sa fonction, elle a
alors pour but de le remettre en tat de marche. La maintenance corrective peut tre :
palliative : des rparations ou des remises en tat caractre provisoire sont
effectues.
curative : des rparations, des modifications ou des remises en tat caractre
permanent sont effectues.
Cette maintenance est utilise lorsque lindisponibilit du systme na pas de consquences majeures ou quand les contraintes de scurit sont faibles.
La maintenance prventive
La maintenance prventive a pour objet de rduire la probabilit de dfaillance.
Par ailleurs, une maintenance prventive est intressante, en considrant le cot
comme critre dvaluation, si les cots induits par la perte de performance sont levs et si les cots de rparation et dinspection sont relativement faibles par rapport
aux premiers. La maintenance prventive peut tre systmatique, conditionnelle ou
prvisionnelle.
Une synthse des politiques de maintenance prventive est donne par [8] et plus
rcemment par [88]. Il existe trois groupes de maintenance prventive :
maintenance systmatique : lorsque la maintenance prventive est ralise des
intervalles prdtermins, on parle de maintenance systmatique. Lopration
de maintenance est effectue conformment un chancier, un calendrier dtermin a priori. Aucune intervention na lieu avant lchance prdtermine.
Loptimisation dune maintenance prventive systmatique consiste dterminer au mieux la priodicit des oprations de maintenance sur la base du
temps, du nombre de cycles de fonctionnement, du nombre de pices produites,
etc.
maintenance conditionnelle : lorsque lopration de maintenance prventive est
subordonne lanalyse de lvolution surveille de paramtres significatifs de
la dgradation ou de la baisse de performance dune entit, on parle de maintenance conditionnelle. Les paramtres significatifs de la dgradation peuvent
tre soit des mesures de caractristiques physiques du systme (paisseur dun
matriau, degr drosion, temprature, pression, ...), soit des informations sur
la dure de vie rsiduelle (on parle alors de maintenance prdictive).
La planification des interventions repose sur lexistence et la dtermination de
seuils critiques pour ces paramtres de dgradation. On parle alors de seuils
de dcision.
11
1.2.3
La gestion de la maintenance est traditionnellement un domaine rserv lingnieur et le processus de dcision est fortement influenc par la formation technique
de ces ingnieurs ainsi que par leur exprience industrielle. Dans la majeure partie
des cas, la dcision de maintenance repose essentiellement sur une contrainte budgtaire. En effet, la dcision de maintenance prend en considration un grand nombre
de critres et elle est la rponse amenant au meilleur compromis (cot/disponibilit
par exemple). Le cot de mise en place dune politique de maintenance est alors
important. Le choix dune opration de maintenance devient trs rapidement complexe (ne dpendant pas uniquement de lexploitation technique du systme) et les
consquences issues de ce choix sur lexploitation future du systme ne sont pas
directement observables ou connues.
En pratique, les valuations prvisionnelles et les dmonstrations dobjectifs de
maintenance et de fiabilit sappuient sur des donnes quantitatives. Ces donnes
proviennent de banques labores par des utilisateurs, des fabricants, des organismes
qui ont en commun des connaissances de bases utilisables pour tous. En gnral,
dans ces banques de donnes, plusieurs indications sont disponibles comme, par
exemple, la dnomination du matriel ou du composant, la moyenne des temps de
bon fonctionnement, le taux de dfaillance moyen, etc. Il faut souligner que les
lments fournis par les banques de donnes lectroniques ont une dure de vie
courte (3 6 ans). Compte tenu de la rapidit de lvolution technologique dans ce
domaine, cela ncessite de les ractualiser rgulirement. Les donnes mcaniques
ont une dure de vie plus longue (30 40 ans). Notons galement lhypothse faite
en mcanique dun taux de dfaillance constant correspond une simplification
qui nest pas toujours justifie. De plus, les patrimoines statistiques sont souvent
plus faibles et moins prcis quen lectronique. Nous pouvons citer, par exemple, les
banques de donnes suivantes :
12
FIDES est une base de donnes franaise qui propose une mthodologie de
calculs des taux de dfaillance de cartes lectroniques, partir de contributeur
denvironnement, de conception et de procd rsultant dun groupe de travail.
HDBK 217F est une banque de donnes militaire dorigine amricaine, relativement labore, utilise aussi dans le domaine civil. Elle concerne pour sa
partie la plus importante des quipements lectroniques et lectrotechniques
(moteurs lectriques, actionneurs, capteurs incrmentaux). Elle propose une
valuation du taux de dfaillance partir de paramtres de fonctionnement et
dutilisation.
La banque de donnes europenne EIReDA concerne les quipements mcaniques et lectriques. Elle est destine aux professionnels du secteur nuclaire.
Pour avoir une synthse des diffrentes banques de donnes existantes, le lecteur
pourra se rfrer [71].
Par ailleurs, les industriels disposent de progiciels plus ou moins performants de
type ERP (Entreprise Ressource Planning) ou GMAO (Gestion de Maintenance Assiste par Ordinateur) pour les accompagner dans lorganisation de leur plan de
maintenance. Lavantage de ces progiciels est de pouvoir intgrer les informations
propres lentreprise. Il faut toutefois noter que les rsultats dlivrs sont uniquement des informations statistiques. Ils ne donnent pas directement les actions
raliser. Il est alors ncessaire lentreprise de disposer doprateurs qui puissent
interprter les rsultats afin de prendre des dcisions pertinentes.
Une approche qui semble prometteuse mais encore trop peu dveloppe dans le
secteur industriel est la construction de modles de maintenance permettant destimer limpact dune dcision de maintenance sur lexploitation future du systme
[18]. Il est alors possible de simuler des stratgies de maintenance et de noter les
effets et les cots de la maintenance afin de dterminer au mieux la politique
mettre en oeuvre sur le systme. La modlisation de la maintenance offre un bon
compromis pour lvaluation, la validation ou la comparaison des performances de
politiques de maintenance diffrentes qui ne sont pas toujours aises mettre en
oeuvre en situation relle : ncessit de donnes de retour dexprience et risques
industriels ou financiers lis des politiques exprimentales inadquates.
Pour rester pertinent dans lanalyse des gains apports ou la pr-validation
dune politique, le modle de maintenance doit intgrer un maximum dinformation
sur le systme ainsi que lexprience technique accumule au cours de son exploitation. Toutefois, on souligne quune modlisation mathmatique peut caractriser une
solution idale un problme de maintenance (pour des conditions idales) et les
rsultats et les analyses issues de cette modlisation ne doivent tre quun support,
une aide la dcision [26].
De plus, il faut noter que dans un grand nombre de domaines (aronautique,
nuclaire par exemple), il est ncessaire de prouver en amont la performance de la
politique de maintenance do la ncessit de disposer dun modle de maintenance
13
permettant destimer limpact dune dcision de maintenance sur lexploitation future du systme.
1.3
1.3.1
14
1.3.2
Optimisation de la maintenance
15
cots
cot
total
cot
prventif
Trop de correctif
Zone optimale
Trop de prventif
cot
correctif
Frquence des
interventions
1.4
Dans ce chapitre nous avons soulign la ncessit de bien organiser les tches
de maintenance dans le temps pour rpondre au mieux des exigences dutilisation
dun systme prdfinies. Nous nous sommes affranchis de certaines hypothses telles
que le management des comptences, la disponibilit des ressources lies lactivit
de maintenance, les aspects techniques, la mutualisation des ressources, etc., et nous
16
nous sommes focaliss sur un unique systme pour lequel nous avons cherch dterminer les dates et les actions de maintenance effectuer afin de minimiser un
critre choisi. Nous avons ax notre discussion aux vues de la principale difficult
lie cette organisation qui est la caractrisation du comportement de maintenance
entre laugmentation de la disponibilit dun matriel et la rduction des cots de
maintenance. En effet, cette caractrisation requiert la connaissance et donc lvaluation de limpact dune dcision de maintenance sur lexploitation du systme
long terme.
Pour obtenir des rponses satisfaisantes aux questions initialement poses sur les
instants de ralisations dinspections et des actions de maintenance, il est ncessaire dlaborer des modles qui prennent en considration les caractristiques des
systmes industriels examiner. Cependant il faut bien distinguer les modles qui
prennent en compte la dgradation, qui ont donc une signification physique du
mcanisme de dfaillance, des modles purement statistiques qui, dune part, ncessitent un trs grand nombre de donnes et, dautre part, ne sont pas forcment
compris par loprateur de maintenance qui doit interprter les rsultats pour pouvoir prendre une dcision.
Chapitre 2
Modlisation mathmatique de la
maintenance : analyse
bibliographique
2.1
Introduction
Aprs avoir soulign lintrt de considrer des modles mathmatiques pour valuer et optimiser la maintenance dun systme industriel, nous proposons de faire
une tude bibliographique de ces modles. Cette tude permettra notamment den
proposer des classifications et den identifier les points marquants ainsi que les limites actuelles.
De nombreux travaux existent sur la modlisation et loptimisation de la maintenance [26, 72, 86, 93, 101, 107]. Notre tude bibliographique se limitera la prsentation des modles les plus reprsentatifs traduisant les courants de recherche
actuels.
Afin de pouvoir modliser une politique de maintenance, nous avons vu quil tait
ncessaire de disposer dun modle mathmatique qui rende compte de lvolution
du comportement du systme. Dans ce but, la section 2.2 est consacre la prsentation des comportements possibles pouvant mener la dfaillance dun systme. Dans
la section 2.3, nous allons prsenter les problmes existants lis la modlisation du
comportement du systme. Ce comportement est gnralement modlis au travers
de caractristiques de dgradation du systme et peut tre traduit stochastiquement
en fonction de la dure de fonctionnement (temps coul depuis la mise en service
du systme) ou/et dune variable stochastique reprsentant un niveau cumul de dgradation. Une hypothse classique est de considrer que le systme volue dans un
environnement statique ou que cet environnement na aucun impact sur le systme.
Cette hypothse tant peu raliste dans nombre de cas, dans la section 2.4 nous
allons prsenter les modles permettant la prise en compte du contexte oprationnel
dans lequel volue le systme dans la modlisation de son comportement. Dans la
section 2.5, nous proposerons une synthse des modles en fonction des modes de
dfaillance pris en compte. Dans la section 2.6, nous chercherons caractriser les
modles de maintenance en fonction des modles de dfaillance considrs.
17
18
2.2
Classification de la dfaillance
2.2.1
La classification par cause distingue les dfaillances dites alatoires des dfaillances
dites systmatiques (cf. figure 2.1) :
1. Dfaillances alatoires : les dfaillances alatoires sont des dfaillances physiques pour lesquelles les performances du systme diminuent cause dune
dgradation physique. Dans les dfaillances alatoires, on distingue :
(a) Les dfaillances lies la dgradation du systme : ces dfaillances sont
lies au vieillissement du systme.
(b) Les dfaillances lies au stress : les dfaillances sont lies des stress excessifs sur le systme. Ces stress peuvent tre dus des causes extrieures
ou des erreurs humaines durant la phase dopration ou de maintenance.
2. Dfaillances systmatiques : les dfaillances systmatiques ne sont pas physiques. Les performances du systme diminuent alors que ce dernier nest physiquement pas dgrad. Ces dfaillances peuvent tre limines uniquement
par une modification de sa conception ou du processus de fabrication, des
procdures dopration ou la documentation. On distingue :
(a) Les dfaillances lies la conception : qui sont inities lors des tudes prliminaires, de la fabrication ou des installations et peuvent tre latentes
depuis la mise en service du systme.
(b) Les dfaillances lies aux interactions : ces dfaillances sont inities par
des erreurs humaines durant les phases doprations et de maintenance
ou de test.
Dfaillance
Alatoire
Dgradation
Systmatique
Stress
Conception
Interaction
2.2.2
19
On peut galement classer les dfaillances en fonction de leurs impacts sur les
performances du systme (cf. figure 2.2) :
1. Dfaillances intermittentes : ces dfaillances rsultent dune perte de certaines
des fonctions pour une trs courte dure dans le temps. Le bloc fonctionnel
retrouve ses performances dopration tout de suite aprs la dfaillance.
2. Dfaillances tendues : ces dfaillances rsultent dune perte de certaines des
fonctions qui perdure dans le temps jusqu ce que le bloc fonctionnel soit
remplac ou rpar. On trouve les dfaillances suivantes pour les dfaillances
tendues :
dfaillances compltes : dfaillances qui causent la perte totale de la fonction
principale,
dfaillances partielles : dfaillances qui conduisent la perte de certaines
fonctions mais ne causent pas la perte complte de la fonction principale.
Ces deux dfaillances (dfaillances compltes et dfaillances partielles) peuvent
elles mmes tre divises en deux types :
(a) dfaillances soudaines : ces dfaillances ne peuvent pas tre prdites par
des tests,
(b) dfaillances graduelles : ces dfaillances peuvent tre prdites par des
tests ou des inspections. Une dfaillance graduelle reprsente une perte
graduelle des performances du systme.
Enfin, les dfaillances catastrophiques correspondent aux dfaillances soudaines et
compltes, alors que les dfaillances dgrades correspondent aux dfaillances partielles et graduelles.
On sintressera par la suite des dfaillances compltes soudaines catastrophiques.
2.3
Lvaluation dun critre de performance dune politique de maintenance requiert la connaissance du processus de dfaillance du systme soumis la maintenance considre. Le processus de dfaillance est gnralement li des caractristiques physiques des diffrents constituants du systme. Leurs lois de comportement
peuvent tre difficiles extraire ou bien tellement complexes quelles ne permettent
pas le dveloppement dexpressions analytiques pour dcrire cette dfaillance. Des
hypothses fortement restrictives doivent tre poses pour aboutir une modlisation suffisamment simple qui doit cependant conserver une ralit oprationnelle.
Nous proposons de classer les phnomnes de dfaillance dun systme donn en
fonction du niveau de connaissance du niveau de fonctionnement :
le systme est soit considr en fonctionnement, soit en panne. Il est ncessaire
de dterminer une loi de comportement de linstant de panne qui peut tre
directement fonction de la dure de fonctionnement du systme ;
20
le systme se dgrade graduellement au cours de son fonctionnement. Cette dgradation peut seffectuer de manire discrte et le processus peut tre assimil
un modle de type sauts, ou bien de manire continue.
Dfaillance
Dfaillance
tendue
Dfaillance
intermittente
Dfaillance
complte
Dfaillance
soudaine
Dfaillance
partielle
Dfaillance
graduelle
Dfaillance
soudaine
Dfaillance
graduelle
Dfaillance
catastrophique
Dfaillance
dgrade
2.3.1
On appelle modle de dure de vie, le cas o lensemble des tats que peut parcourir le systme se rduit ltat de panne et ltat de marche (cf. figure 2.3).
On peut classer ces modles en trois catgories :
1. les modles paramtriques ;
2. les modles semi-paramtriques ;
3. les modles non-paramtriques.
On sintressera aux modles de dure de vie qui permettent de modliser un
systme ds que le(ou les) phnomne(s) dintrt se modlise laide dune variable
alatoire positive. Il sagit, en gnral, destimer et de modliser les lois dcrivant le
temps qui scoule entre deux vnements : dure de vie dun systme, dure avant
la rparation, etc.
Ces modles ont t particulirement utiliss en biologie, en mdecine (biostatistiques, pidmiologie) et en dmographie (esprance de vie aux divers ges, ge au
21
Etat du systme
Dfaillance
Panne
1
Dure de vie
Temps
Fonctionnement
Fig. 2.3. Schmatisation dun modle de dure de vie dun systme deux tats
Lorsquun composant est modlis par une loi de dure de vie, on est souvent
amen dans les calculs de fiabilit ou doptimisation dune politique de maintenance
valuer son taux de dfaillance (t) :
P (t < T t + t|T > t)
.
t&0
t
(t) = lim
(2.1)
(2.2)
22
On trouve dans le cadre des modles de dure de vie de grandes distinctions entre
infrence paramtrique, semi-paramtrique et non-paramtrique [9, 15].
Lapproche paramtrique stipule lappartenance de la loi de probabilit relle
des observations une classe particulire de lois, qui dpendent dun certain
nombre (fini) de paramtres. Lavantage de cette approche est la facilitation
attendue de la phase destimation des paramtres ainsi que de lobtention dintervalles de confiance et de la construction de tests. De nombreuses mthodes
destimation paramtrique existent pour valuer les lois de dure de vie des
composants en fonction de donnes statistiques [15, 77]. Linconvnient de la
mthode paramtrique est linadquation pouvant exister entre le phnomne
tudi et le modle retenu. On distingue deux grandes classes de lois :
1. le modle markovien ou exponentiel
La caractristique principale de ce modle est dtre sans mmoire. Le
temps de survie dun composant un instant t ne dpend pas du temps
dj pass dans ltat de marche. Ce modle est caractristique des composants qui ne vieillissent pas et qui tombent en panne indpendamment
du temps de fonctionnement dj coul. Il est souvent utilis pour les
composants lectroniques et les systmes lectriques. On peut montrer
que la seule distribution qui a cette proprit de "non mmoire" est la
distribution exponentielle pour laquelle le taux de dfaillance dune variable alatoire continue X est constante [8] :
(t) =
La fonction de survie est alors :
Z t
R(t) = exp
(s)ds = et ,
t 0.
(2.3)
23
2.3.2
De nombreux travaux ont port sur la modlisation de la dgradation. Les analyses dont les hypothses de fiabilit sont bases sur des donnes de dgradation,
lorsque cela est possible, donnent de meilleurs rsultats que celles bases sur les
donnes de dure de vie censures et/ou tronques [97]. La cause de la dfaillance
dans ce cas est un mcanisme de dgradation tel que la progression dune raction
24
25
Etat du systme
Dfaillance
Fonctionnement
Panne
Temps
0
Choc 1
Choc 2
Choc 3 Choc 4
x (t) = lim
(2.5)
26
Dfaillance
X(t)
Fonctionnement
Panne
2.4
On appelle stress lensemble des conditions et facteurs extrieurs variables, gnralement imprvus, susceptibles daffecter le bon fonctionnement dun systme.
Sous lhypothse de lexistence de stress, on considre que les dfaillances dun systme peuvent tre imputes deux types de causes :
causes internes qui tiennent la nature propre du composant (matriaux,
fabrication, conception, . . . ).
causes externes qui tiennent lenvironnement extrieur dans lequel le composant est plong.
27
Des modles prenant en compte le stress ont t dvelopps dans le domaine biomdical. Dans les applications mdicales, les stress, appels variables explicatives, sont
parfois indiqus comme tant des marqueurs (markers en anglais) et des maladies
chroniques comme linfection par le VIH (virus de limmunodficience humaine) ont
t des stimulants pour la mthodologie (voir par exemple, [95]). La prise en compte
du stress dans les modles prvisionnels de fiabilit est modlise de diverses manires
en fonction de la nature du stress (climatique, mcanique, radiatif, lectrique,. . . )
et de sa dure de manifestation (ponctuel, constant, en crneaux, progressifs, diffus,
. . . ).
Le problme reste de dterminer linfluence des stress sur la dfaillance ou le
niveau de dgradation des systmes et destimer les lois associes.
2.4.1
Ces modles consistent traduire un phnomne physique en un modle mathmatique. Ils sont souvent utiliss en fiabilit des systmes mcaniques. Le modle
le plus connu et le plus simple est celui qui consiste considrer quun composant
devient dfectueux ds que lintensit de la contrainte (stress dans notre cas) auquel il est soumis est suprieur sa capacit y rsister [41, 57, 77]. Les approches
proposes se situent dans le cadre de la mcanique fiabiliste ou de la fiabilit structurelle [66]. Les calculs et techniques utilises en rsistance/contrainte sont parfois
complexes mettre en oeuvre par rapport une simple valuation dterministe.
Pour ces raisons, lors de la mise en oeuvre de ces mthodes, il semble impratif
davoir explor le problme de rsistance, identifi les modes de dfaillance et valu
correctement et exhaustivement les variables qui participent cette dtermination.
Il faut galement souligner que les probabilits de dfaillance dterminer sont en
gnral trs faibles ; cest aussi une difficult supplmentaire.
2.4.2
28
k
X
(1 )(n1) = 1 (1 )k
(2.6)
n=1
2.4.3
(2.8)
2.4.4
29
Ces modles de stress se distinguent des prcdents car ils peuvent inclure deux
effets possibles du stress sur la dfaillance dun systme, leffet ngatif du stress
perturbateur ou leffet positif du stress utile.
Dans le modle propos par Lindley et Singpurwalla [68], le taux de dfaillance dun
composant dans un environnement alatoire stressant est de la forme :
t 0, (t) = p (t)
(2.9)
o p (t) est le taux de dfaillance lorsque le systme nest pas stress et le facteur
reprsente linfluence du stress. Pour un facteur > 1 les stress seront perturbateurs, pour < 1 ils seront utiles et pour = 1 ils nauront aucun effet. Le facteur
peut tre indpendant du temps ou dpendant du temps. Quand est une fonction
dun stress, (s), on retrouve le modle hasard proportionnel de Cox [24].
Il est important de noter que pratiquement tous les modles multiplicatifs pour
un systme supposent que conditionnellement au stress, les dures de vie de n composants sont indpendantes.
Un cas particulier des modles risques multiplicatifs sont les modles hasard
proportionnel pour lesquels on cherche valuer leffet de certaines variables (les
covariables) sur la dure de survie. Lhypothse de risques proportionnels signifie
que le rapport des risques entre un individu qui possde une caractristique donne et un autre ne possdant pas cette caractristique est constant quel que soit
linstant t auquel on se situe. En dautres termes, le risque dun individu possdant
une caractristique donne est multipli par une constante, en comparaison avec les
individus qui ne possdent pas cette caractristique. Cette hypothse est gnralisable lensemble des caractristiques possdes par les individus. Dans ce but, on
introduit une fonction de hasard dite "risque instantan de base" 0 (t), qui donne
la forme gnrale du hasard. Cette forme sera valable pour tous les individus. Le
modle de hasard proportionnel se caractrise alors par la relation suivante, valable
pour tout t 0, et pour tout z :
1
P (t < X t + t|T > t, Z = z)
t0 t
(t|z) = 0 (t)c( T z)
(t|z) =
lim
(2.10)
(2.11)
30
propos par Cox en 1972 [24] qui spcifie pour c la fonction exponentielle :
(t|z) = 0 (t)e
Tz
(2.12)
exp ( T z)
Z t
0 (u)du
= exp
0
= R(t|z = 0)exp(
T z)
(2.13)
(2.14)
2.4.5
Supposons que des units sont trs fiables et il ny a pas de possibilit dobtenir
des dfaillances pendant le temps t0 donn par exprience. Dans ce cas, on effectue
des expriences sous des stress qui sont suprieurs au stress usuel. On appelle ces
expriences expriences acclres. Lapplication des stress acclrs raccourcit la
dure de vie des units et des dfaillances peuvent alors tre observes sur un horizon
de temps "raisonnable" t. Les stress peuvent tre par exemple, la temprature, la
voltage, le poids etc.
Le modle de vie acclre signifie que la vitesse dutilisation de la ressource au
moment t ne dpend que de la valeur du stress appliqu au moment t. Dans le cas
gnral, les stress y peuvent varier en temps y(t) et peuvent tre multidimensionnels.
31
Si r[y(u)] = e
Tz
T
Ry(.) (t) = Ry0 e z t
(2.17)
(2.18)
(2.19)
2. le modle dArrhenius
Le modle dArrhenius est utilis lorsque le systme est sensible la temprature et subit donc un stress thermique. La vitesse moyenne de dgradation
dun tel systme est donne par la loi :
r(y) = 1 e1 /y
(2.20)
(2.21)
4. le modle de Eyring
Ce modle dEyring est utilis lorsque le systme est sensible la temprature
et autre stress (en particulier : composants lectriques, conducteur aluminium
et composants mcaniques soumis la rupture).
r(y) = 1 xe2 /y
(2.22)
32
Ici les modles de vie acclre ont t prsents comme des modles semiparamtriques car gnralement ils sont apprhends semi-paramtriquement. Mais
ils peuvent bien sr tre galement considrs comme des modles paramtriques ou
non-paramtriques [99].
Lestimation paramtrique consiste alors estimer les paramtres par des mthodes
classiques telle que la mthode du maximum de vraisemblance. Le modle dun test
de vie acclre est dit paramtrique si on connat la fois la distribution de probabilit de la variable alatoire dure de vie du produit, pour chaque niveau de stress
et lquation dacclration, qui relie un des paramtres de cette distribution et les
contraintes dacclration (choix de certaines classes de fonctions pour la vitesse de
dgradation r). Les modles paramtriques utiliss dans les tests de vie acclre
ont t largement tudis dans plusieurs domaines en particulier en lectronique,
voir par exemple Neslon [78, 99].
Le modle de vie acclre est considr comme non-paramtrique si la fonction
de survie est inconnue et aucune forme paramtrique du modle analytique nest
suppose. Ainsi, lestimation non-paramtrique vise dterminer une ou plusieurs
des diffrentes fonctions caractrisant la distribution de base observes (fonction
de rpartition ou taux de dfaillance le plus souvent) sans faire dhypothses sur
celle-ci. Elle suppose une relation fonctionnelle entre la distribution de dure de vie
et les niveaux de stress sans mettre dhypothses sur la forme paramtrique de
cette distribution. Les modles non-paramtriques sont utiliss pour des donnes
biomdicales et rarement dans le domaine de lingnierie [99].
2.4.6
Nous venons de voir diverses faons de modliser les effets dun stress sur la dure
de fonctionnement dun systme et, notamment, sur loccurrence de la dfaillance
en soi. Lorsque le systme est soumis dgradation, le stress peut ici directement
influencer les caractristiques de dgradation (taux de dgradation, par exemple)
dune manire ponctuelle (restreinte la dure du stress) ou bien dune manire
irrversible.
Diffrents processus de dgradation permettant la prise en compte de covariables
ont t modliss.
En parallle aux modles de dure de vie acclre qui permettent dintgrer linfluence de stress sur la dure de vie, il existe des modles de dgradation acclre
[73]. Nous pouvons, par exemple, citer Doksum et Hoyland [42] qui modlisent la
dgradation dun systme par un processus de Wiener et sont les premiers proposer
la transformation du temps dans sa forme gnrale. Le temps rel t est transform
de la manire suivante : = (t), o est non dcroissante. Cette transformation
du temps est utilise de faon modliser les niveaux de variables de stress. Whitmore et Schenkelberg [110] considrent une transformation exponentielle de temps
= 1 exp(t ) et une transformation puissance du temps = tq pour modliser
la dgradation de cbles chauffant auto-rgulant.
33
En supposant que les covariables sont constantes au cours du temps, on peut alors
montrer que :
T
X~y(.) (t) = 2 (e ~y t)
(2.25)
Lawless et Crowder [62] tendent les travaux proposs par Bagdonavicius et Nikulin [5], en intgrant les covariables non pas au niveau du paramtre de forme mais
au niveau du paramtre dchelle. Ils ne considrent aucun modle de rgression spcifique pour le paramtre dchelle mais ne prennent en compte que des covariables
fixes.
2.5
Synthse
Finalement, une synthse des diffrents modles de dfaillance est prsente dans
le tableau 2.1. La prise en compte du stress dans les modles prvisionnels de fiabilit
est modlise de diverses manires en fonction de la nature du stress considr :
un stress peut tre ponctuel ou un phnomne continu dans le temps,
et en fonction de son impact sur les performances du systme :
leffet de ce stress peut tre ponctuel, permanent ou cumulatif.
Les modles les plus souvent tudis considrent un effet du stress constant dans
le temps et sassimilent au modle hasard proportionnel. Ce modle nest pas
appropri pour des systmes vieillissants [6]. Il est noter que la dmonstration
propose pourrait tre reprise pour nombre de modles dvelopps dans le cadre
des tests de dure de vie acclre [73] qui considrent des facteurs dacclration
dpendant du niveau de sollicitation de stress spcifiques sur des intervalles de temps
bien spcifis. Ces facteurs sont dtermins sur la base des fonctions de vraisemblance
ou de normes industrielles spcifiques prenant en compte des profils de mission
des systmes fixs a priori alors quils restent fortement incertains. Peu de travaux
34
sont proposs pour la prise en compte des environnements incertains, [83, 96]. Ils
reposent gnralement sur des modlisations de la dgradation laide de processus
stochastiques particuliers, notamment les processus Gamma [5, 62, 82], pour lesquels
les paramtres sont eux-mmes dcrits par des processus stochastiques modlisant
les variations de lenvironnement.
Dfaillance
Stress
Dgradation
Dfaillance
Stress
Variables de
dgradation
Variables
d'environnement
Dgradation
Dfaillance
Stress
Variables de
dgradation
Variables
d'environnement
Dgradation
Dfaillance
Stress
Tableau 2.1. Tableau rsumant les diffrents modes de dfaillance et les mthodes
permettant de les modliser
2.6
Modles de maintenance
35
rcemment [26, 93, 107]. Wang [107] rsume, classifie et compare les principales politiques de maintenance existantes pour des systmes un ou plusieurs composants.
En revanche, il considre quon connat ltat du systme en continu. On constate
ainsi que la plupart des travaux en modlisation et optimisation de la maintenance
font lhypothse que ltat du systme est connu en permanence et que la maintenance des systmes dont ltat nest connu quau travers dinspections priodiques
a fait lobjet de beaucoup moins dattention.
Llaboration dun modle pour une politique de maintenance conduit la formulation dun problme de dcision. En thorie, les problmes de dcision mis en jeu
dans ces modles peuvent tre formaliss en utilisant des outils de programmation
dynamique. Les politiques optimales peuvent ainsi tre dtermines laide dalgorithmes classiques doptimisation de politiques : Policy Iteraction Algorithm (PIA),
[100]. Plusieurs travaux ont privilgi cette approche, [25], qui peut cependant poser
deux principaux problmes :
dun point de vue thorique, pour des politiques de maintenance gnrales, il
devient trs difficile de formaliser le problme de dcision et de le rsoudre,
mme numriquement.
dun point de vue pratique, la structure de la politique optimale peut savrer
trs complexe et trs mal se prter une mise en oeuvre oprationnelle.
Pour ces raisons, nous avons prfr imposer a priori la politique de maintenance
une structure de dcision paramtrique.
Dans cette section, nous prsentons les modles de maintenance paramtriques
en fonction des modles de dfaillance pris en compte.
2.6.1
Il existe des modles de maintenance pour lesquels la dtermination de linstant de remplacement repose sur la seule connaissance du temps de fonctionnement
du systme. Les interventions de maintenance sont alors dcides et planifies en
fonction du temps (time based preventive maintenance). Il sagit de modles de
remplacements purs, cest dire que la seule rgle de dcision est la rgle de remplacement prventif du systme. Le problme doptimisation de la politique se limite
trouver la date de remplacement optimal.
On diffrencie deux grandes familles de politiques de maintenance bases sur la seule
connaissance du temps de fonctionnement du systme : les politiques bases sur lge
et les politiques de blocs. Ces politiques se distinguent par la prise en compte de
lhistoire des dfaillances du systme dans la dtermination des instants pour les
actions de maintenance.
Modles bass sur lge
Rappelons dabord ce quest lge dun systme. Supposons que le systme soit en
bon tat de fonctionnement, son ge est le temps qui sest coul depuis le dernier
36
(2.27)
C (T ) = lim
(2.28)
(2.29)
(2.33)
(2.34)
37
Modles de blocs
Les politiques de remplacement par blocs [8] sopposent aux politiques de remplacement bases sur lge car la rgle de dcision pour un remplacement nest pas
rinitialise aprs un remplacement. La rgle de remplacement pour une politique
de remplacement par bloc est de remplacer le systme par un systme neuf priodiquement, suivant un schma fix T , 2T , . . . . Si on observe une dfaillance, on
remplace immdiatement le systme mais le programme de remplacement prventif
reste inchang. Ainsi, on remplace toujours prventivement le systme lors dinstants prdfinis sans regarder lge du systme. Les politiques de type bloc trouvent
leur intrt dans ltude de la maintenance pour des systmes forms de plusieurs
composants ou bien dans la mesure o la maintenance doit tre intgre dans un
schma de type ligne de production, gestion des stocks, . . . .
La structure de maintenance est voisine de celle du modle de remplacement suivant lge. Le paramtre optimiser est la priode de remplacement T , en utilisant
les arguments de stationnarit et, plus gnralement, de renouvellement lors dun
remplacement lidentique, le cot moyen par unit de temps scrit :
C(T ) =
c + kE[N2 (T )]
T
(2.35)
Finalement, la politique de remplacement par blocs est plus simple grer quune
politique de remplacement base sur lge (mais, en thorie, la politique base sur
lge est meilleure en termes de cot). En effet, elle engendre un risque de remplacer
des systmes presque neufs. Par contre, cette politique offre la possibilit de prendre
en compte des niveaux intermdiaires de rparation (rparation minimale, complte,
imparfaite, . . . ). Elle permet galement la prise en compte de problmes dindisponibilit des pices de rechange. Loptimisation de cette politique peut se faire selon
un critre de cot et/ou de disponibilit [88].
38
Modles de dtection
De nombreuses techniques de surveillance des systmes ont t dveloppes ces
dernires annes permettant loprateur de connatre ltat du systme afin de
dtecter une dfaillance le plus rapidement possible. Une approche classique est
lutilisation des mthodes statistiques qui ont dabord t dveloppes pour valuer
les performances des procds de production avant dtre utilises en maintenance.
Ces mthodes, en principe, ont t utilises pour des procds industriels travers
lapplication de cartes de contrle et, plus gnralement, de la Matrise Statistique
des Procds (MSP).
La MSP peut tre utilise comme politique de maintenance corrective seule, de
manire dtecter la dfaillance au plus tt afin de diminuer les cots engendrs
par lindisponibilit du systme ou couple avec une politique de maintenance prventive. De nombreux travaux ont port sur chacun des axes sparment, MSP et
maintenance prventive mais ils sont rarement considrs de manire conjointe. Cassady et al. [14] partent de lhypothse quil existe une relation entre la politique de
maintenance mise en place et la qualit de la production dun systme. Ils proposent
une mthode permettant de prendre en compte cette relation afin damliorer la
productivit du systme. Une politique de maintenance base sur lge et une carte
de contrle classique, de Shewart, sur la qualit du produit, sont mises en place. Si
une drive est dtecte par la carte de contrle, une analyse est faite pour savoir sil
sagit dune fausse alarme (le systme est toujours en fonctionnement) ou dune vraie
alarme (le systme est dfaillant). Dans le cas dune vraie alarme, une rparation du
systme est effectue, cette rparation impactant la date du prochain remplacement
prventif. Cassady et al. [14] ainsi que Yeung et al.[114] montrent lavantage conomique de combiner ces deux domaines. Linderman et al. [67] dveloppent un modle
analytique pour prouver le bnfice conomique de cette intgration. Outre lintrt
conomique, on peut aussi souligner les objectifs communs des approches, savoir
la minimisation des consquences dune dfaillance soit en amliorant sa dtection
et son diagnostic (MSP) [48], soit en les prvenant (Maintenance Prventive).
2.6.2
La majorit des travaux effectus depuis les annes 60 sont ddis loptimisation
de la maintenance prventive systmatique (cf. section 2.6.1) mais peu dentre eux
sintressent la maintenance prventive conditionnelle. Or, lorsque les systmes
sont sujets au vieillissement ou lusure et quune ou des informations, correspondant des variables corrles ltat de dgradation (par exemple, des variables
physiques : paisseur dun matriau, pourcentage de corrosion, pression, temprature, etc., des indicateurs de performances : qualit des produits, taux de rebut,
etc.), sont disponibles sur le niveau de dgradation du systme et il est alors intressant de se baser sur ces informations pour prendre des dcisions de maintenance.
Dans ce cas, lapproche conditionnelle semble la mieux adapte [101]. En effet, cette
39
dernire est plus efficace car elle permet dintgrer dans le processus de dcision des
informations sur ltat courant du systme. Les actions de maintenance conditionnelle sadaptent donc mieux au comportement rel du systme et offrent un ventail
de choix plus large [51].
Une partie des modes de dfaillance mettent des signaux prcurseurs indiquant
quune dfaillance est en train de se produire ou que la dfaillance arrivera de faon imminente [76]. Des modles ont t proposs pour considrer la capacit de
prdiction de la dfaillance dun quipement dans la mise en oeuvre dune politique
dinspection et de maintenance dun systme.
Dans les modles de maintenance conditionnelle, la dgradation est souvent modlise par un processus stochastique : processus de Wiener, processus Gamma,
processus markovien de sauts (cf. section 2.3.2) . . . Par ailleurs, dans la majorit
des modles de maintenance pour des systmes se dgradant, le processus de dgradation est considr comme stationnaire. Certains travaux rcents sintressent
des processus de dgradation non stationnaire. En gnral, ltat de dgradation
du systme est connu soit en continu soit lors dinspections priodiques ou non.
Nous classons les stratgies de maintenance en fonction des hypothses faites sur la
dgradation du systme.
Modles de maintenance pour des systmes dgradation discrte de
type sauts
Les premiers travaux portant sur la modlisation de politiques de maintenance
font lhypothse que la dgradation suit un processus semi markovien de type sauts
[45, 58]. Ils considrent que la distribution des instants doccurrence des chocs peut
dpendre du niveau de dgradation courant contrlant ainsi les temps de sjour
dans un tat. Les dates de sauts du processus forment un processus de poisson
non homogne et la dfaillance est observable ds que le niveau de dgradation est
suprieur un seuil donn.
Lam et Yeh [61] considrent aussi que la dgradation suit un processus semi markovien de type sauts. Les occurrences des sauts forment un processus de poisson
homogne ou non homogne. Ils supposent, par ailleurs, que linstant de dfaillance
obit une loi de probabilit qui est fonction du niveau de dgradation courant du
systme, linstant de dfaillance nest alors pas dfini par un seuil comme le proposent [45, 58]. De plus, ils considrent que les inspections sont continues dans le
sens o on connat chaque instant le niveau de dgradation et de fonctionnement
du systme.
Le modle de maintenance gnralement rencontr lorsque la dfaillance du systme obit une loi de probabilit dpendant la fois du niveau de dgradation
et du temps de sjour dans cet tat [58, 61] et est dcrit de la faon suivante :
chaque tat i correspond une rgle de dcision (i) qui spcifie la dure maximale
40
permise dans cet tat. Si, pour un tat i, (i) = 0, on effectue un remplacement ds
que le systme entre en i. Si pour un autre tat j, (j) = , on ne donne aucune
contrainte de remplacement sur cet tat. On crit la rgle de maintenance de type
multi-seuils de la faon suivante :
t si h i < k ,
on prvoit une date de remplacement ;
(i) =
i
0 si k i n + 1, on effectue un remplacement immdiatement.
Sous certaines conditions de rgularit du processus de dgradation, la caractrisation de la politique optimale revient rechercher les valeurs des seuils h et
k (paramtres dpendants du niveau de dgradation) et les instants optimaux ti de
remplacements prventifs dans chaque tat (paramtre temporel).
Le modle prsent ci-dessus peut tre vu comme une extension du modle de
Christer et Waller [20] qui a fait lobjet de beaucoup dtudes, sur le temps dlai
(delay time). Un concept central de ce modle est le temps dlai dun dfaut, qui
est la priode entre le premier instant o le dfaut peut tre diagnostiqu et linstant
o la rparation ne peut plus tre repousse sous peine que le dfaut ne se transforme
en dfaillance. Ce modle permet ainsi dobtenir une loi pour la priode alatoire
entre lapparition dun signal de dfaillance et la dfaillance elle-mme. Cette notion
est reprise dans les approches OMF par lexpression dfaillance potentielle et son
intervalle associ.
41
i.P(remplacement prventif i)
i=1
i=1
(2.36)
o cr , ci , cu correspondent respectivement aux cots unitaire dun remplacement,
dune inspection et au cot dindisponibilit par unit de temps.
Les inspections priodiques sont particulirement bien adaptes aux systmes
complexes [77], comme, par exemple, les pompes des centrales nuclaires, les avions,
. . . , qui ne peuvent tre inspects nimporte quel moment. Leurs inspections ncessitent du matriel appropri, des techniciens forms et doivent tre planifies
longtemps lavance. Cependant, dautres systmes moins complexes peuvent tre
inspects plus facilement et permettent une plus grande libert pour la planification
des inspections.
Par ailleurs, lhypothse de remplacement parfait de cette politique nest pas toujours raliste, les rparations/remplacements ne conduisent pas forcment une
remise neuf du systme. Par exemple, prenons le cas dun systme en srie plusieurs composants, si la rparation se limite au remplacement dun seul composant,
ltat du systme ne peut tre considr comme aussi bon que neuf.
Rcemment, le modle prsent ci-dessus a t tendu avec lintroduction de rparation imparfaite et dinspections non priodiques [7, 16, 39, 53].
Une stratgie dinspections non priodiques est particulirement efficace pour des
systmes se dgradant. En effet, lorsque le taux de dfaillance est croissant il peut
savrer avantageux de dfinir linstant de la prochaine inspection en fonction de
ltat de dgradation du systme. Il est plus intressant de surveiller rgulirement
un systme lorsque celui-ci commence se dgrader de manire importante et de
surveiller moins souvent un systme qui est neuf. Lam et Yeh [61] comparent cinq
stratgies de maintenance : une politique de remplacement correctif, une politique
de remplacement base sur lge, une politique de remplacement prventif et une politique conditionnelle dinspection/remplacement pour laquelle linspection est priodique ou squentielle. La conclusion principale de leur tude est que la politique
squentielle est la meilleure parmi ces politiques pour le modle de dgradation
considr.
Castanier et al. [16], Dieulle et al. [39] et Grall et al. [52] proposent un calendrier
dinspection construit squentiellement afin de sadapter ltat de dgradation du
systme et les inspections sont dautant plus frquentes que le systme est dgrad.
Aprs chaque inspection, lintervalle inter-inspection (laps de temps jusqu linspection suivante) est dtermin en fonction de ltat du systme laide dune fonction
dinspection. Deux fonctions dinspections ont t envisages : une fonction seuils
pour les problmes temps discret (lorsquon peut intervenir sur le systme qu
42
des instants particuliers, quirpartis) et une fonction continue pour les problmes
temps continu. Ces deux fonctions sont dcroissantes de faon augmenter la
frquence dinspection lorsque le systme se dgrade. Les structures envisages appartiennent la classe des politiques markoviennes et stationnaires.
Cependant lhypothse dune dgradation stationnaire nest pas toujours raliste.
Mais encore peu de travaux prennent en compte une dgradation non stationnaire.
2.6.3
43
o ci , cp , cc et cu sont respectivement les cots unitaires dinspection, de remplacement prventif, de remplacement correctif et le cot dindisponibilit par unit de
temps.
Les modles prsents ci-dessous permettent de prendre en compte lvolution
de lenvironnement stressant dans le modle de dgradation. Cependant, lenvironnement stressant nest pas modlis, linstant de changement de mode est considr
alatoire.
Stratgies de maintenance pour des modles risques concurrents
Bunea et Bedford [11, 12] proposent une politique de maintenance pour un systme soumis un risque concurrent. Ils proposent une politique de maintenance
base sur lge du systme et cherchent optimiser le cot moyen de maintenance
long terme par unit de temps. Le cot moyen sur un intervalle de temps [0, t] est
donn par :
E(C(t)) = cc E(N1 (t)) + cp E(N2 (t))
(2.38)
N1 (t) correspond au nombre de dfaillances sur [0, t], N2 (t) reprsente le nombre de
remplacement prventif sur [0, t], cc correspond au cot unitaire dune dfaillance
critique et cp au cot unitaire dun remplacement prventif.
Dans leurs travaux, ils soulignent limportance darriver dterminer avant le modle
de dfaillance afin de pouvoir rellement optimiser la politique de maintenance. Cette
tape de la modlisation du modle de dfaillance est cruciale mais peut savrer
difficile, surtout, lorsque les donnes sont censures.
Il faut noter quune hypothse classique des modles risques concurrents est
lindpendance des risques. Cette hypothse semble raisonnable lorsque les risques
concurrents sont diffrents modes de dfaillance mais elle est peu raliste, les risques
concurrents pouvant interagir entre eux [40]. Dijoux et Gaudoin [40] dveloppent le
modle de maintenance de Bunea et Bedford [12] en permettant la prise en compte
de risques concurrents dpendants.
Cependant, ce modle ne prend pas en compte les interactions qui peuvent exister
entre les stress et le processus de dgradation.
2.7
Conclusion
Un problme doptimisation de maintenance doit, avant de choisir une stratgie, bien tudier les caractristiques du systme considr et le type de donnes de
dgradation disponibles. Nous avons, dans un premier temps, dgag des donnes
de type ge (temps de fonctionnement, dure de sjour) et des donnes de type
fatigue (mesure physique de vieillissement dun systme, de dgradation, dusure,
drosion,etc.). Dans un second temps, nous avons prsent des modles permettant
de prendre en compte lenvironnement alatoire stressant dans lequel volue le systme. Nous avons vu que de nombreux modles existent en fiabilit permettant de
prendre en compte les stress (environnement alatoire stressant) pouvant impacter
44
Chapitre 3
Dans les chapitres prcdents, nous avons prsent le contexte gnral de cette
thse et les travaux existants pour la modlisation de la maintenance.
Dans ce chapitre nous proposons :
de rsumer les principales proprits et limites des modles de maintenance
rencontrs,
de dfinir les hypothses de dpart et les choix effectus pour la dtermination
du champ dinvestigation de nos travaux,
de prciser les grandes lignes et les objectifs que lon cherchera atteindre.
3.1
Le sujet auquel nous nous intressons dans ce mmoire est lvaluation et loptimisation de la maintenance. Nous avons vu que les dcisions de maintenance sont
souvent bases sur le niveau de fonctionnement du systme, do limportance de
disposer dun modle qui rend compte de lvolution du systme. Lors de notre tude
bibliographique, nous avons rencontr de nombreux modles illustrant la diversit
des hypothses qui peuvent tre poses sur le systme, son mode de dfaillance, de
dgradation, les exigences et les objectifs de la maintenance mettre en place ou
encore les oprations de maintenance disponibles, etc.
Nous avons propos la classification des politiques de maintenance suivant les
modles de dfaillance quelles prennent en considration. Dans chaque classe, nous
avons pu mettre en vidence les approches utilises pour la modlisation de la maintenance ainsi que les structures paramtriques mises en place pour la dtermination
des rgles de dcision.
La comparaison des rsultats obtenus fait ressortir les points suivants.
Lvolution de systmes soumis une politique de maintenance est souvent
modlise par des modles markoviens et semi-markoviens.
Lorsque lvolution du systme peut tre dcrite par un processus stochastique,
la construction de la politique de maintenance peut se ramener la caractrisation dune structure paramtrique de maintenance. Si la seule information
disponible sur le systme est sa dure de vie, une politique de maintenance base sur la dure de fonctionnement maximale (type ge) est particulirement
bien adapte. Par contre, si le niveau de dgradation peut tre modlis, une
45
46
3.2
3.3
47
Deuxime partie
49
Chapitre 4
Construction du modle de
dfaillance
4.1
Objectifs
4.2
52
par deux processus diffrents. Le premier processus rsulte dun niveau excessif de
dgradation cumule qui entrane alors soit un arrt complet du systme, soit un
niveau de performance non acceptable. Le second processus est assimilable un
processus de type choc caractris par un vnement, un stress, dont loccurrence
entrane la perte immdiate de la fonction principale du systme.
Lenvironnement alatoire stressant est non seulement une cause de dfaillance mais
il peut aussi tre considr comme un indicateur de dfaillance. Par exemple, laugmentation de lamplitude des vibrations internes dun roulement bille peut tre lie
la prsence dclats pouvant bloquer ce dernier. On considre que deux quantits
mesurables sont disponibles, le niveau de dgradation X(t) (taille dune fissure par
exemple) et lvolution de la variable denvironnement, appele par la suite variable
de stress, Y (t) (volution de la temprature par exemple). Ces variables nous permettent de connatre, compltement ou en partie, ltat du systme. On note Z(t)
le niveau de fonctionnement du systme, Z(t) valant 0 sil fonctionne et 1 sinon.
4.3
4.3.1
f (x) = ex
(4.1)
Le choix dune telle modlisation est motiv par le fait que ce modle est gnralement bien adapt la modlisation de lusure, la fatigue, la propagation de
fissures, la corrosion, etc., lorsque peu dinformation sur le processus de dgradation
est disponible [16].
Cependant lutilisation de ce processus repose sur des hypothses assez strictes
mais assez naturelles :
linterchangeabilit des incrments de dgradation qui est une notion plus gnrale que lhypothse usuelle dindpendance des incrments. Lordre des incrments nimporte pas mais leur somme est la caractristique de dgradation
importante ;
53
4.3.2
4.3.3
(4.2)
54
4.3.4
k1
Y
(4.3)
i=1
55
4.3.5
ymt
T def
2
(4.5)
56
Xk
Temps
Zone de fonctionnement
Temps
Etat de panne
Zone de fonctionnement
Etat de panne
Yk
Yk
niveau
nominal
dfaillance lie
la dgradation
niveau
nominal
Dfaillance lie au
stress
Temps
Zone de fonctionnement
Temps
Etat de panne
Zone de fonctionnement
Zk
Etat de panne
Zk
Temps
0
Zone de fonctionnement
Etat de panne
Temps
0
Zone de fonctionnement
Etat de panne
4.4
Illustration de la modlisation
Description du systme
Chaque essieu supporte deux roues pneumatiques et un systme de guidage sur
rail central compos de deux couples galets (avant et arrire) qui enserrent le rail
en V (cf. figures 4.3(a) et 4.3(b)). Pour limiter les nuisances sonores, les galets sont
recouverts dun bandage composite susceptible lapparition dusures (caillage,
57
trous, clatement, . . . ) (cf. 4.3(c)) causes par lexistence de cailloux, pices mtalliques sur le rail, frquence de roulement et de freinage (normal ou brusque). Lusure
du bandage induit un changement dans le comportement du systme de guidage qui
gnre ainsi des vibrations indsirables et peut entraner dautres complications au
niveau du systme de roulement.
Description des processus de dfaillance
Nous considrons uniquement les dfaillances lies lcaillage et aux vibrations,
le problme dans ce cas rsulte dans la difficult inspecter les galets pour dtecter
et mesurer lcaillage. Ce dernier ne peut tre mesur que lors dinspections. Priodiquement, les tramway sont examins au-dessus dune fosse. La mesure dune autre
covariable permet galement dobtenir une information sur ltat du systme, cest
le cas de lamplitude des vibrations. En effet, une augmentation de lamplitude des
vibrations peut tre associe un tat dgrad ; une dtection dune drive dans
lamplitude des vibrations peut alors permettre la dtection dune dfaillance. Un
acclromtre fix sur chaque essieu peut tre utilis pour mesurer lamplitude des
vibrations.
Dans le modle propos ci-dessus le processus de dgradation (Xk )kN reprsente
la propagation de lcaillage et le processus (Yk )kN lamplitude des vibrations.
(c) Bandage us
Fig. 4.3. Illustration des galets du systme de guidage dun tramway sur pneumatiques
4.5
Lobjectif de cette section est de prsenter les diffrentes caractristiques fiabilistes du systme. La densit de probabilit conjointe de ltat nous permet de
dterminer linfluence du temps et du niveau de dgradation. Ensuite, la fiabilit
et les diffrentes probabilits de dfaillance sont dveloppes. Cela nous permet de
58
4.5.1
(4.6)
P(Z1 =0)
2 x
e (1 eax )
a
(4.7)
la loi normale. Nous avons constat que cette densit de probabilit pouvait scrire
sous une forme gnrale :
k1
k ex ((1 p).FA + p)(1 eax )
e(k1)(k2)b/2
fXk (x) =
(k)
a
(4.8)
La densit de probabilit de ltat de marche du systme sexprime alors de la
manire suivante :
f (tk , x) = fXk (x)(FA (1 p) + p)eax
k ex (FA (1 p) + p)k eax (1 eax )k1 k(k1)b/2
=
e
(k)
ak1
(4.9)
La figure 4.4 reprsente cette densit de probabilit. Cette dernire diminue avec le
temps et le niveau de dgradation.
4.5.2
Fiabilit
En labsence de maintenance, la fiabilit du systme peut tre obtenue directement laide des convolutions successives de la probabilit dtre en tat de fonctionnement chaque instant ; Xj < L, j k et aucun choc jusqu tk :
Z L
R(tk ) =
f (tk , x)dx
0
Z L k x
(FA (1 p) + p)k eax (1 eax )k1 k(k1)b/2
e
=
e
dx (4.10)
(k)
ak1
0
o :
59
ax k1
5
4
3
2
1
10
0.6
20
0.0
0.2
0.4
0.8
30
40
1.0
k Z L
X
i=1 0
k1
X
i=1
i
Y
j=1
ebj
Z
0
i (1 eax )i1 x
e
dx
(i 1)!
ai1
(4.11)
60
(4.12)
Les courbes de la figure 4.5 reprsentent la fiabilit (cf. quation (4.10)), et les
probabilits de dfaillance associes dues aux diffrents modes de dfaillance (choc
et niveau de dgradation excessif) et la fiabilit du systme sans stress (avec une
probabilit de dfaillance d au stress gale 0). Cette figure permet dillustrer limpact du processus de dfaillance lie au stress sur la fiabilit du systme. Lorsque le
systme volue dans un environnement stressant pouvant entraner des dfaillances
de type choc, sa dfaillance diminue compare celle dun systme non stress.
0.0
0.2
0.4
0.6
0.8
1.0
Fiabilit
Probabilit de dfaillance
lie X(t)
Probabilit de dfaillance
lie au choc
Fiabilit sans stress
10
20
30
40
Limpact des diffrentes caractristiques du systme sur la fiabilit et des diffrentes probabilits de dfaillance est illustr dans les figures 4.6 4.9. On constate
sur la figure 4.6 que plus le facteur dacclration diminue, plus la probabilit de
dfaillance lie au stress augmente entranant une diminution de la fiabilit. La probabilit de dfaillance lie un niveau excessif de dgradation nest pas impacte
par FA , par contre les quatre courbes ne se superposent pas car limpact de FA sur la
probabilit de dfaillance lie au choc entrane un changement dans les proportions
de dfaillance lie aux deux modes.
0.4
0.6
0.8
FA=1
FA=0.96
FA=0.8
FA=0.5
0.0
0.0
0.2
0.4
fiabilit
0.6
0.8
FA=1
FA=0.96
FA=0.8
FA=0.5
61
0.2
1.0
10
15
20
25
30
10
15
20
25
30
0.2
0.4
0.6
0.8
FA=1
FA=0.96
FA=0.8
FA=0.5
0.0
10
15
20
25
30
Un changement de la valeur du paramtre, , de la loi exponentielle qui modlise les incrments de dgradation, a un impact aussi bien sur la probabilit de
dfaillance lie un niveau excessif de dgradation que sur la dfaillance lie au choc.
En effet, la vitesse de dgradation du systme est directement lie ce paramtre,
laccroissement moyen de dgradation par unit de temps, sur une priode lmentaire, est constant et vaut E(X) = 1/. En labsence de stress, le produit L
caractrise le temps moyen de fonctionnement du systme. Lorsque diminue, les
62
0.4
0.6
alpha=40
alpha=20
alpha=10
0.0
0.0
0.2
0.4
fiabilit
0.6
0.8
0.8
alpha=40
alpha=20
alpha=10
0.2
1.0
20
40
60
80
100
20
40
60
80
100
0.6
0.4
0.2
0.0
0.8
alpha=40
alpha=20
alpha=10
20
40
60
80
100
63
0.4
0.2
0.3
a=0.05
a=0.005
a=0.0005
0.0
0.0
0.2
0.4
fiabilit
0.6
0.8
a=0.05
a=0.005
a=0.0005
0.1
1.0
20
40
60
80
20
40
60
80
0.2
0.4
0.6
0.8
a=0.05
a=0.005
a=0.0005
0.0
1.0
20
40
60
80
0.6
0.2
0.3
0.4
0.5
b=0.001
b=0.01
b=0.1
0.0
0.0
0.2
0.4
fiabilit
0.6
0.8
b=0.001
b=0.01
b=0.1
0.1
1.0
64
10
20
30
10
15
20
25
30
0.8
0.6
0.4
0.2
b=0.001
b=0.01
b=0.1
0.0
1.0
10
15
20
25
30
4.5.3
Dures de vie
R(t)dt
0
(4.13)
65
Mais vu que nous nous trouvons dans le cas discret, le MTTF sexprime ainsi :
MTTF =
R(ti ).t
(4.14)
i=0
R(ti |x).t
(4.16)
i=0
4.6
Dans cette partie nous proposons des mthodes permettant lestimation des caractristiques du systme =(a,b,FA ,,m,,,,L).
4.6.1
Estimation de
Le processus de dgradation est modlis par une loi exponentielle de paramtre
qui peut tre estim partir de donnes de dgradation par la mthode du maximum
de vraisemblance [73].
La vraisemblance de la loi exponentielle scrit :
L(x, ) =
n
Y
i=1
exi
(4.17)
66
10
5
MRL
15
20
FA=1
FA=0.96
FA=0.8
FA=0.5
0.0
0.2
0.4
0.6
0.8
1.0
n
X
xi
(4.18)
i=1
n
n X
xi = 0
i=1
n
= Pn
i=1 xi
(4.19)
(4.20)
(4.21)
Lestimation par la mthode du maximum de vraisemblance prsente plusieurs avantages ; deux proprits attrayantes majeures sont sa convergence et sa normalit
asymptotique. De plus, une des qualits les plus apprciables de cet estimateur est
son valuation : les estimateurs aussi bien que les carts types estims peuvent gnralement tre calculs de manire directe grce cette mthode. Une cinquime proprit souhaitable de cet estimateur est linvariance, terme par lequel nous signifions
linvariance la reparamtrisation du modle. Mais les proprits du maximum de
67
Estimation de L
La dtermination du seuil de dfaillance L repose sur un niveau dexpertise et
des donnes de production lies aux pannes ou non conformits (par exemple si lon
considre que le seuil de dfaillance L reprsente le niveau minimal de performance
du systme pour obtenir des systmes conformes aux exigences). Dans le cadre de
la sret, L est une tolrance qui peut tre impose directement par une rglementation, par exemple, un seuil dusure pour des pneus ou des plaquettes de freins.
Par ailleurs, une estimation de L pourrait tre obtenue par une estimation par intervalles [92] qui permet de fournir un intervalle dans lequel se trouve le seuil de
dfaillance : Xk < L < Xk+1 pour un intervalle de confiance donn.
4.6.2
Estimation de m et
A partir dun chantillon de taille n, les paramtres de la loi normale m et
peuvent facilement tre obtenus de la manire suivante :
Pn
m
=
i=1
yi
v
u n
u1 X
=t
(yi m)
2
n i=1
(4.22)
(4.23)
Estimation de
Lorsque le systme est dfaillant, le processus de stress suit un processus gaussien
de moyenne tT def + m et de variation . Les grandeurs m et correspondent aux
paramtres du processus gaussien dans le cas dun systme non dfaillant, ils sont
estims partir de donnes de retour dexprience de systmes en fonctionnement. Il
reste alors estimer , la drive qui apparat suite une dfaillance, son estimation
peut tre obtenue grce la mthode du maximum de vraisemblance de la manire
68
suivante :
2
1 yk mtT def
1
e2
(4.24)
2
2
yi mtT def
n
1
i
Y
1
2
e
L(y; m; ; ) =
2
i=1
n
1 Pn
2
1
=
e 22 i=1 (yi mtT defi )
(4.25)
2
n
n
1 X
log(L(y; m; ; )) = n log() log(2) + 2
(yi m tT defi )2
2
2 i=1
f (yk ) =
(4.26)
n
log(L(y; m; ; ))
1X
=
tT defi (yi m tT defi )
i=1
(4.27)
1X
=
n i=1
yi m
tT defi
(4.28)
Estimation de
Le seuil de stress pourrait tre estim par des tests de vie acclre. La
contrainte serait alors applique par paliers (step-stress), le but tant didentifier les zones dans lesquelles on observe des comportements similaires. Le jugement
dexpert peut aussi tre intgr pour dterminer ce seuil.
Estimation de FA
Le facteur dacclration, FA est obtenu en comparant la fiabilit du systme
dans des conditions non stresses et stresses. Grce des donnes de retour dexprience non censures donnant la date de dfaillance de systme voluant dans un
environnement stressant et dans un environnement non stressant, on peut obtenir
un estimateur de FA . Notons R1 (ti ) (resp. R2 (ti )) la fiabilit estime du systme
linstant ti dans un environnement non stress, cest--dire que la valeur du stress
est toujours infrieure au seuil , dans ce cas p = 1 (resp. stress, dans ce cas p = 0).
En reprenant lquation (4.10), R1 (ti ) et R2 (ti ) sexpriment de la manire suivante :
R1 (ti ) =
i
Y
bj
R2 (ti ) =
i
Y
j=1
j=1
FAi
bj
(4.29)
(4.30)
69
!(1/i)
n
X
1
R2 (ti )
(4.31)
FA =
n
R1 (ti )
i=1
4.7
Conclusion
Chapitre 5
Construction et valuation de la
politique de maintenance
5.1
Objectifs
5.2
72
sans le modifier.
une Z-inspection : elle permet de connatre uniquement ltat du systme, sans
le modifier.
un remplacement : le systme est remplac par un systme quivalent neuf.
Selon ltat et le niveau de dgradation du systme, il peut sagir dun remplacement prventif ou correctif. Dans tous les cas, le remplacement est suppos
instantan.
une action de maintenance systmatique : cette action de maintenance nest
pas une rparation minimale dans le sens classique [8, 10]. Elle permet de
renforcer temporairement la rsistance du systme au stress. On mesure son
efficacit par une rduction du taux de dfaillance. Cette action est suppose
instantane.
5.2.1
Inspections
73
Z-Inspection
La Z-inspection, contrairement la X-inspection, permet de connatre uniquement ltat du systme, Zk = 0 ou 1 (aucune information sur le niveau de dgradation nest obtenue lors de cette inspection). Cette inspection est galement non
destructive. Elle peut tre assimile une inspection visuelle dun systme cach
indispensable pour savoir si le systme nest pas dfaillant. Le cot unitaire de cette
inspection est ciz . Compare une X-inspection, la Z-inspection apporte moins dinformation sur le systme, on peut supposer quelle est plus facile mettre en place
et plus rapide et, de ce fait moins, coteuse, ciz < cix .
Le niveau de stress pouvant tre un indicateur de ltat du systme (cf. Chapitre 4),
la Z-inspection est dclenche en fonction de cette information. On considre que la
variable de stress Yk est continuellement surveille. Une carte de contrle pour des
observations individuelles [13] est utilise pour dtecter une dfaillance potentielle
par lobservation dune drive de Yk . Si la valeur de Yk est suprieure une limite de
contrle U CL, une Z-inspection est effectue. U CL doit tre optimise de manire
quilibrer les cots engags par la dure dindisponibilit et les fausses alarmes
(inspection de ltat du systme alors que celui-ci est encore en fonctionnement).
Si, lors dune Z-inspection, le systme est dfaillant, un remplacement correctif est
effectu et la prochaine X-inspection est planifie priodes plus tard (cf. figure
5.2).
5.2.2
Remplacements
Le systme peut tre remplac par un systme quivalent neuf. Selon le niveau
de dgradation du systme, il peut sagir dun remplacement prventif ou correctif.
Dans tous les cas, le remplacement est instantan. On suppose ici le remplacement
parfait dans le sens o, aprs un remplacement, le systme est aussi bon que neuf
(as good as new).
Un remplacement peut tre effectu suite la dtection dune dfaillance ou pour
la prvenir. Un remplacement correctif est effectu ds la premire inspection (Xinspection ou Z-inspection) rvlant une dfaillance. On suppose que le cot unitaire
dun remplacement correctif est cc et comprend tous les cots indirects et directs
engendrs par cette action de maintenance. Seul, le cot dindisponibilit par unit
de temps cu doit tre ajout cc , lindisponibilit tant dfinie par la dure pendant
laquelle le systme est dfaillant.
Pour une politique prventive, un remplacement du systme est permis mme si son
tat de fonctionnement nest pas critique. La rgle de remplacement prventif est
dfinie ainsi : si le niveau de fonctionnement du systme inspect appartient une
zone fixe a priori, on remplace le systme par un systme neuf et identique. La rgle
de remplacement prventif est gnralement lie un seuil critique de dgradation
du systme [19]. Notons cp le cot dun remplacement prventif (cp < cc ). Soit
le seuil de remplacement prventif, un remplacement prventif est effectu si, lors
dune X-inspection, le systme est en fonctionnement et le niveau de dgradation
Xk est suprieur (i.e. un remplacement prventif si Xk [, L[).
74
5.2.3
Laction de maintenance systmatique permet de rduire temporairement limpact du stress sur le systme en rduisant partiellement sa sensibilit. Cette dernire
est fonction du niveau de dgradation courant ainsi que du temps de fonctionnement du systme (cf. quation (4.4)). Leffet dune action systmatique est suppos
le suivant : elle permet de r-initialiser le temps de fonctionnement 0 (b.tk = 0
aprs une maintenance systmatique dans lquation (4.4)) sans pour autant changer
la sensibilit du systme par rapport au niveau de dgradation (laction systmatique reste non destructive sur cette variable). On peut assimiler cette action une
maintenance de premier niveau (lubrification, vidange dun moteur, resserrage dune
connectique, etc.).
On propose ici un schma priodique pour la mise en place de cette action. Notons
la priode entre deux actions successives, cm le cot unitaire de cette action et rk le
temps pass depuis la dernire action de maintenance systmatique, rk = tk . tk
o [.] reprsente la fonction partie entire. Sous ces hypothses, la probabilit de dfaillance lie au stress quation (4.4) est dcrite par le systme dquations suivant :
P (Zk = 1|Xk = x < L, Yk < ) = 1 eaxbrk
(5.1)
P (Zk = 1|Xk = x < L, Yk ) = 1 FA .eaxbrk
Afin dillustrer limpact de la maintenance systmatique sur les performances du
systme, on propose, dans les figures 5.1, les fonctions de fiabilit lorsque la priodicit volue et les contributions de chacun des modes de dfaillance du systme.
La figure 5.1(a) souligne limpact de cette priode sur la fiabilit. Les diffrentes
courbes reprsentent la fiabilit dans le cas o :
laction de maintenance est effectue continuellement ( = 1) ce qui est quivalent en soi aucun impact de lenvironnement,
laction de maintenance est effectue toutes les 5 priodes ( = 5),
aucune action de maintenance nest effectue ( = 100) ce qui est assimilable
au cas : aucune maintenance nest disponible pour prvenir ce type de mode
de dfaillance.
Les trois courbes sont superposes jusqu linstant t1 = 1 qui correspond au premier
instant o une action de maintenance systmatique est effectue dans le cas = 1.
A linstant t2 limpact de la maintenance systmatique est visible et entrane un
accroissement de la fiabilit de 1% compar aux cas = 100 et = 5. Les courbes
qui correspondent = 100 et = 5 se superposent jusqu t5 , linstant de la
premire action de maintenance systmatique dans le cas = 5. A t6 , la fiabilit
dans le cas = 5 est amliore de 4.6% compare au cas = 100. Laction de
maintenance systmatique permet de ralentir la dfiabilit. Les droites verticales
marquent les instants de laction de maintenance systmatique dans le cas o = 5.
Les courbes prsentes dans la figure 5.1(b) illustrent limpact de laction de maintenance systmatique sur la probabilit de dfaillance lie au choc. Les analyses
75
0.4
0.6
Delta=1
Delta=5
Delta=100
0.0
0.0
0.2
0.4
Fiabilit
0.6
0.8
0.8
Delta=1
Delta=5
Delta=100
0.2
1.0
10
20
30
10
15
20
25
30
0.6
0.4
0.2
0.0
Delta=1
Delta=5
Delta=100
10
15
20
25
30
(c) Influence de sur la probabilit conditionnelle de dfaillance lie un niveau de dgradation excessif
Fig. 5.1. Illustration de linfluence de la priode de laction de maintenance systmatique () sur la fiabilit et les diffrentes probabilits de dfaillance
76
priode de cette action de maintenance systmatique na aucun effet sur la probabilit de dfaillance lie au niveau de dgradation excessif. En effet, la maintenance
systmatique na un impact que sur la probabilit de dfaillance lie au choc (cf.
quation (5.1)). Par contre, les trois courbes (cf. figure 5.1(c)) ne se superposent pas
indfiniment car la maintenance systmatique, par son impact sur la probabilit de
dfaillance lie au choc, entrane un changement dans les proportions de dfaillance
lie aux deux modes.
77
X(t)
dfaillance lie
X(t)
zone corrective
zone preventive
dfaillance
lie au choc
Y(t)
fausse alarme
fausse alarme
UCL
niveau
nominal m
Z(t)
T1 T2
T4 T5
T3
T6 T7
78
5.3
C(tk )
tk
tk
lim
(5.2)
Le cot cumul de maintenance sur un intervalle [0, tk ] engendr par les actions
successives sur le systme connaissant les caractristiques de ce dernier () est donn
par lquation suivante :
C(tk ) = cix .Nix (tk ) + ciz .Niz (tk ) + cp .Np (tk ) + cc .Nc (tk ) + cu .Du (tk ) + cm .Nm (tk )
(5.3)
o :
Nix (tk ) (resp. Niz (tk )) reprsente le nombre de X-inspections (resp. Z-inspections)
effectues avant tk ;
79
5.4
La caractrisation de critres de performance long terme ncessite la connaissance du comportement du systme soumis la politique en rgime stationnaire.
Lvolution du systme tant rgnrative, il est possible dacqurir cette connaissance en tudiant les lois dvolution du systme sur un unique cycle de rgnration
[3]. Avant de prsenter la construction du critre de cot, nous allons introduire
quelques notations et dfinitions.
Lvolution du systme maintenu est rgnrative : aprs un remplacement le
systme peut tre considr aussi bon que neuf (as good as new) et lvolution
future ne dpend pas du pass. Les instants de remplacement du systme correspondent aux points de rgnration du processus et la connaissance de lvolution
du systme sur un seul cycle de rgnration permet de dcrire lvolution globale du
systme maintenu. Il est alors possible de restreindre ltude des performances de la
politique de maintenance sur un horizon de temps fini, sur un cycle de rgnration,
S, dlimit par deux dates successives de remplacement. Le cot moyen par unit
de temps scrit alors :
C (; ) =
E(C(S))
C(tk )
=
tk
tk
E(S)
lim
(5.4)
(5.5)
5.4.1
80
k
Y
j
k
ax k1 x
(1
e
)
e
eb(j.[ ]) (5.6)
k1
a (k 1)!
j=1
Afin dvaluer la fiabilit du systme maintenu note Rm (tk ), nous allons distinguer les scnarios dvolution du systme en fonction du nombre dinspections
effectues.
Scnario 1 : tk aucune X-inspection na eu lieu depuis le dbut du cycle
(tk < ). La fiabilit du systme tk correspond la probabilit qu cet
instant le systme soit toujours en fonctionnement. Elle dpend du niveau de
dgradation Xk et des chocs conscutifs entre [0, tk ]. Finalement, pour tk < ,
on obtient :
Z L
(k)
f (x)eax dx
(5.7)
Rm (tk ) = P(Xk < L) =
0
Scnario 2 : au moins une X-inspection a eu lieu avant tk (tk > ). La fonction de densit de probabilit pour que le systme nait encore jamais t
remplac dpend de la mesure observe x lors de la dernire inspection la
date ([tk / ]. ), du niveau de dgradation atteint depuis la dernire inspection
y ]x, L[ et des chocs conscutifs survenus entre [0, tk ]. Pour tk > on obtient :
Z Z
Rm (tk ) =
(k[k/ ]. )
f
0
([k/ ]. )
(y x)f
(x)ea(y+x(k[k/ ]. )) dydx
(5.8)
(k)
f (x)eax dx
(5.9)
5.4.2
81
Scnario 1.1 : une dfaillance est survenue juste avant une X-inspection,
entre [n t; n ] (voir figure 5.3) et la dfaillance nest observe que lors de
la X-inspection planifie n , le systme est alors remplac correctivement
cet instant ;
Scnario 1.1
t
(n-1)
n
Dfaillance
Fig. 5.3. Schma permettant de situer le scnario 1.1 conduisant un remplacement correctif
t
Scnarios 1.2 and 1.3
(n-1)
n
Dfaillance
Fig. 5.4. Schma permettant de situer les scnarios 1.2 et 1.3 conduisant un
remplacement correctif
Scnario 2 : scnario dvolution du systme amenant un remplacement prventif : lors dune X-inspection le niveau de dgradation est suprieur au seuil
de remplacement prventif .
82
E(S) =
X
1{i>0} i (Rm (i 1) Rm (i ))
i=0
{z
Scenario 1.1
(i+1) 1
(i+1) 1
i (Rm (j 1) Rm (j))
j=i +1
k=j
{z
Scenario 1.2
(i+1) 1
j=i +1
{z
Scenario 1.3
+ 1{j>i +1}
j1
X
j(Rm (k 1) Rm (k))
k=i +1
j1
Y
w=k
{z
Scenario 1.3
+ 1{i>0} i (Rm ((i 1) ) Rm (i ))
|
{z
}
Scenario 2
(5.10)
o P(Yk < U CL|f ail.) correspond la probabilit que le niveau de stress soit infrieur la limite de contrle sachant que le systme est dfaillant.
Le mme raisonnement que celui prsent pour la longueur moyenne dun cycle
de renouvellement est utilis pour les autres esprances de lquation (5.5).
5.4.3
X (i+1)
X1 h
E(Niz (S)) =
P(Yj > U CL|nof ail.)Rm (j)
i=0
j=i +1
{z
fausses alarmes
j
(Rm (k 1) Rm (k))1j>i +1
k=i +1
j1
Y
i
P(Yw < U CL|f ail.)
w=k
{z
vraies alarmes
}
(5.11)
o P(Yk < U CL|nof ail.) correspond la probabilit que le niveau de stress soit
infrieur la limite de contrle sachant que le systme nest pas dfaillant.
83
X
E(Nix (S)) =
1{i>0} Rm (i 1)
i=0
i
X
(Rm (j 1) Rm (j))
i
1
Y
#
P(Yk < U CL|f ail.)
k=j
j=(i1) +1
(5.12)
5.4.4
E(Nm (S)) est le nombre moyen dactions de maintenance systmatique sur le cycle
de renouvellement S.
"
h
X
E(Nm (S)) =
1{i=.[ i ]} Rm (i 1)
i=1
i
X
(Rm (j 1) Rm (j))
i
1
Y
i
P(Yk < U CL|f ail.)
k=j
j=(i1) +1
(5.13)
E(Nc (S)) est la probabilit que le remplacement effectu la date S soit effectivement un remplacement correctif. Cette probabilit est donne par :
"
X
E(Nc (S)) =
1{i>0} (Rm (i 1) Rm (i ))
i=0
(i 1)
(Rm (j 1) Rm (j))
k=j
j=(i1) +1
(i+1) 1 h
i
1
Y
j=i +1
j
X
(Rm (k 1) Rm (k))1j>i +1
k=i +1
+1{j>i +1}
j1
Y
w=k
j1
X
k=i +1
(Rm (k 1) Rm (k))
j1
Y
i
P(Yw < U CL|f ail.)
w=k
(5.14)
E(Np (S)) est la probabilit que le remplacement effectu la date S soit un
remplacement prventif. Cette probabilit peut tre obtenue soit de manire similaire
84
E(Nc (S)) ou directement dtermine par le thorme des probabilits totales qui
sexprime donc ici par :
E(Np (S)) = 1 E(Nc (S))
5.4.5
(5.15)
(i+1) 1
(i+1) 1
X
X
Y
E(Du (S)) =
(Rm (j 1) Rm (j))
P(Yk < U CL|f ail.)
i=0
j=i +1
k=j
(5.16)
5.5
Conclusion
Chapitre 6
6.1
Introduction
86
6.2
87
qui est une gnralisation de la mthode de Newton, dont le Hessien (ou gradient)
est approxim par une mthode itrative [64]. Les caractristiques moyennes sous ces
conditions sont : E(S) = 13.848, E(Nix (S)) = 4.530, E(Niz (S)) = 4.004, E(Nc (S)) =
0.287, E(Np (S)) = 0.713, E(Du(S)) = 0.0317.
Afin de discuter de chacune des contributions, la convexit des courbes du cot
moyen prsentes dans la figure 6.1 confirme lexistence dun rglage optimal des
paramtres de dcision.
6.2.1
Laction de maintenance systmatique permet de rduire la probabilit de dfaillance lie au choc, elle influence directement la fiabilit du systme. Cela est
illustr dans les figures 6.1(c), 6.1(d) et 6.1(f), quelles que soient les valeurs des
autres paramtres de dcision, la valeur optimise de reste inchange, = 2. Cela
est li au fait que nimpacte que la probabilit de dfaillance lie au choc (cf.
quation (5.1)). De plus, ne permet pas de rduire le temps dindisponibilit du
systme, sa valeur ne dpend pas des autres paramtres de dcision mais uniquement du cot unitaire de laction de maintenance systmatique et de la sensibilit
du systme au stress. diminue avec le cot unitaire cm ou lorsque la sensibilit du
systme au stress augmente et inversement.
6.2.2
88
12
cout
cout
10
8
7
6
6
14
12
UC
L
0.8
0.4
10
14
1.0
15
12
UC
L
0.6
xi
10
tau
10
0.2
8
0.0
7.5
7.0
7.0
cout
cout
7.5
6.5
6.5
6.0
6.0
5.5
5.5
10
10
8
de 6
lta
8
de 6
lta
14
4
10
2
12
CL
15
10
tau
5
2
30
12
25
cout
cout
20
15
10
10
8
6
1.0
0.8
15
0.6
xi 0.4
10
tau
5
0.2
10
8
de 6
lta
0.8
4
0.4
0.2
2
0.0
1.0
0.6
xi
0.0
Fig. 6.1. Variation du cot moyen de maintenance long terme en fonction des
paramtres de dcision
6.2.3
89
La contribution du seuil de remplacement prventif, , est illustre par les figures 6.1(a), 6.1(e) et 6.1(f). Le seuil de remplacement prventif permet de prvenir
une dfaillance dans le cas o lon possde suffisamment dinformation sur le systme. Si linformation dont on dispose est limite (quand est grand), la valeur de
na plus dinfluence sur le critre de cot (cf. figure 6.1(e)). Quand la frquence
des inspections est leve, la forme de la courbe figure 6.1(e) illustre le cot excessif
engendr par des remplacements prventifs effectus trop tt. Par ailleurs, la forte
contribution de sur le cot est illustre par la convexit des courbes figures 6.1(a)
et 6.1(f).
6.2.4
Linfluence de la limite de contrle, U CL, est prsente par les figures 6.1(a),
6.1(b) et 6.1(c). Comme indiqu prcdemment, la carte de contrle permet de
dtecter une dfaillance. Ceci est clairement illustr dans la figure 6.1(b). La valeur
de U CL a tendance diminuer lorsque augmente afin de limiter les cots engendrs
par lindisponibilit du systme. Les deux autres courbes prsentes par les figures
6.1(a) et 6.1(c) napportent pas dinformation supplmentaire sur limpact de U CL
sur le critre de cot parce quun niveau dinformation lev est disponible sur ltat
du systme, valant 3.
6.2.5
Nous cherchons maintenant dterminer les contributions des diffrents paramtres du systme lorsque les caractristiques de ce dernier varient.
Lorsque la vitesse de dgradation varie, si le systme se dgrade plus rapidement
( = 10) ou au contraire plus lentement ( = 40), les paramtres optimaux de
dcision deviennent : = 2, = 0.6, = 2, U CL = 9.6 dans le premier cas et
= 9, = 0.7, = 2, U CL = 10.4 dans le second. On remarque que la valeur
optimise de est toujours la mme peu importe la vitesse de dgradation. Cela
est li au fait que impacte seulement la probabilit de dfaillance lie au choc, sa
valeur variant uniquement avec la valeur de b et de cm . Les valeurs optimales de la
limite de contrle, de la priode de la X-inspection et, de manire moins significative, du seuil de remplacement prventif diminuent lorsque la vitesse de dgradation
augmente. Un systme se dgradant plus rapidement a besoin dtre inspect plus
frquemment quun systme se dgradant lentement. De plus, un systme dgradation rapide a un risque plus lev de tomber en panne entre deux X-inspections
(mme si ces dernires sont plus rapproches) cause de la probabilit de dfaillance
lie au choc qui dpend, entre autres, du niveau de dgradation. Dans ce cas, la li-
90
10.5
10.0
10.0
9.5
cout
cout
9.5
9.0
9.0
8.5
8.5
8.0
8.0
12
10
11
UC 10
L
6
4
10
de 3
lta
tau
6
4
tau
4.6
5.0
cout
cout
4.4
4.2
4.0
4.5
4.0
12
20
11
UC 10
L
10
9
15
tau
5
8
20
de 3
lta
10
2
15
tau
5
1
Fig. 6.2. Variation du cot moyen de maintenance long terme en fonction des
paramtres de dcision
91
6.2.6
6.3
Afin dillustrer les performances de la politique de maintenance propose (note par la suite politique 0 ), nous comparons cette dernire trois approches de
maintenance classiques qui sont les suivantes :
Politique 1 - inspection priodique/remplacement conditionnel
Politique 2 - carte de contrle
Politique 3 - remplacement priodique systmatique
6.3.1
92
parfaite), tous les 1 . Un remplacement ne peut tre effectu que lors dune inspection. Si lors dune inspection, le systme est dfaillant, un remplacement correctif est
effectu ; si le niveau de dgradation se situe dans la zone prventive, Xk [1 , L],
un remplacement prventif est ralis, et si Xk < 1 aucune action nest faite.
Dans ce cas, la priode inter-inspection 1 et le seuil de remplacement prventif 1
sont optimiss afin de minimiser le cot moyen de maintenance long terme. La
thorie de renouvellement restant applicable, on obtient :
cix E(Nix (S1 )) + cp + cm E(Nm (S1 )) + cu E(Du (S1 )) + (cc cp )E(Nc (S1 ))
C (1 ; 1 ) =
E(S1 )
(6.1)
o S1 reprsente la longueur dun cycle de renouvellement.
Le dveloppement de cette expression nest pas propose ici. Il est similaire celui
de lquation (5.5).
Politique 2 - carte de contrle
Cette politique consiste remplacer correctivement le systme ds quune dfaillance est dtecte lors dune Z-inspection du systme (inspection de ltat du
systme) [13]. Une Z-inspection tant dclenche par lobservation dun dpassement de la limite de contrle par la variable de stress (i.e. la variable de stress est
suprieure la limite suprieure de contrle U CL2 ). Dans ce cas, la limite suprieure
de contrle U CL2 doit alors tre optimise de faon minimiser le cot moyen de
maintenance long terme par unit de temps, la thorie de renouvellement tant
toujours applicable :
ciz E(Niz (S2 )) + cc + cm E(Nm (S2 )) + cu E(Du (S2 ))
C (U CL2 ) =
E(S2 )
(6.2)
6.3.2
(6.3)
93
11
obtenus pour les valeurs optimales des paramtres de dcision, seule la priode de
laction de maintenance systmatique est fixe (cf. rsultats de la section II.6.2).
Notons ( , , U CL ) (resp. (1 , 1 ), U CL2 et T3 ) les paramtres de dcision optimiss de la politique 0 (resp. politique 1, 2 et 3).
Les courbes prsentes sur la figure 6.3 sont les reprsentations respectives du critre
de cot optimis pour les diffrentes politiques quand la vitesse de dgradation
varie de 10 30. On remarque tout dabord lintrt de combiner les deux approches,
maintenance conditionnelle et matrise statistique des procds. En effet, quelle que
soit la valeur de , la politique 0 permet toujours de minimiser le critre de cot.
Lorsque le systme se dgrade rapidement (lorsque tend vers 10), la dfaillance
du systme est essentiellement due un niveau excessif de dgradation, le systme
ncessite une observation rgulire et la maintenance conditionnelle mise en place
sur Xk permet alors de prvenir les dfaillances. Dans ce cas, la politique 0 tend
vers la politique 1. Lorsquau contraire le systme se dgrade lentement (lorsque
augmente), la probabilit de dfaillance lie au choc augmente et, si continuait
augmenter, les dfaillances ne seraient lies quaux chocs et la mise en place de la
limite de contrle permettrait de dtecter les dfaillances, la politique 0 tend vers la
politique 2.
Cot
10
Politique 0
Politique 1
Politique 2
Politique 3
10
15
20
25
30
alpha
Fig. 6.3. Evolution du cot moyen de maintenance pour les diffrentes politiques
lorsque la vitesse de dgradation () varie
La mme tude a t mene pour les autres caractristiques du systme (a, b, FA ,
m, , , , L). A chaque fois, la politique 0 est la politique qui permet de minimiser le
94
cot de maintenance et elle tend vers les politiques classiques dans les cas limites. La
politique 0 est particulirement avantageuse lorsquaucun processus de dfaillance
nest ngligeable devant lautre ; dans ce cas, lintrt de la combinaison de la carte
de contrle et de la maintenance conditionnelle est illustre par la diffrence de cot
obtenu par la politique 0 compare aux politiques classiques.
6.3.3
7
6
Cout
Politique 0
Politique 1
Politique 2
Politique 3
0
10
15
20
25
Cix
Fig. 6.4. Evolution du cot moyen de maintenance pour les diffrentes politiques
lorsque le cot unitaire de la X-inspection varie
Les rsultats obtenus sont les suivants.
La politique 0 est toujours la politique qui permet de minimiser le critre de
cot.
Lorsque cix est faible, le niveau de dgradation du systme peut alors tre inspect trs souvent ( est faible, cf. figure 6.5(a)). Dans ce cas, le bnfice de
la limite de contrle est faible (cf. figure 6.5(c)), le systme est remplac prventivement lors dune X-inspection. La politique 0 tend alors vers la politique
1.
95
(a) Evolution de la priode dinspection en fonc- (b) Evolution du seuil de remplacement prventif
tion du cot dune X-inspection
en fonction du cot dune X-inspection
Fig. 6.5.
inspection
96
Nous avons effectu la mme tude lorsque les autres cots unitaires de maintenance varient (ciz , cc , cp , cu ). La politique 0 reste toujours la politique qui permet de
minimiser le cot de maintenance et, dans les cas limites, elle tend vers les politiques
classiques. Le bnfice de la politique 0 est dautant plus grand lorsque aucun cot
nest ngligeable devant les autres.
Les observations faites dans cette section illustrent ladaptabilit de la politique de
maintenance propose lorsque les donnes du problme, caractristiques du systme
et cots unitaires de maintenance, varient. La politique de maintenance propose
a dmontr son efficacit vis--vis des trois politiques classiques considres et
peut tre vue comme une gnralisation de ces dernires. La politique propose est
alors surtout intressante pour les cas de configurations non-extrmes, cest--dire
quand le comportement du systme est prvisible et lorsque aucun cot unitaire
de maintenance nest ngligeable : dans ces cas, la combinaison de la maintenance
conditionnelle et de la matrise statistique des procds permet doptimiser significativement le critre de cot.
6.4
La collecte de donnes en industrie peut se rvler assez difficile, dune part, par
le manque de donnes, dautre part, cause derreurs de mesure ou destimation
qui peuvent tre faites. Lobjectif de cette section est danalyser la robustesse de la
politique de maintenance propose lorsque les estimations des caractristiques du
systme sont de mauvaise qualit.
6.4.1
La mthode utilise consiste faire varier sparment (une une) chaque caractristique du systme entre 10% et +10% par rapport sa valeur initiale.
Nous avons effectu une analyse de sensibilit lorsque le seuil de dfaillance L
varie. En pratique, il nest pas simple dvaluer avec prcision la valeur du seuil
de dfaillance qui correspond soit un niveau inacceptable de performance, soit
un arrt du systme. Son valuation repose sur des donnes de retour dexprience
(nombre de produits non conformes dans le cas dun systme de production par
exemple) et sur un niveau dexpertise.
Nous proposons sur la figure 6.6 propose quelques rsultats sur ltude de lvolution
du cot moyen long terme obtenu en fonction dune erreur de mesure sur le seuil de
dfaillance. La courbe en trait plein, figure 6.6(a), reprsente le cot moyen obtenu
par la politique 0 optimise partir de la valeur estime L = 1 alors quune erreur de
mesure sur ce paramtre est commise. La courbe en trait discontinu est le cot moyen
optimis quon aurait obtenu si aucune erreur ntait commise. La figure 6.6(b)
illustre la perte, en pourcentage, relative cette erreur de mesure. On note que
97
0.00
0.01
0.02
5.3
5.2
5.1
5.0
4.8
0.04
4.9
5.4
0.03
5.5
0.10
0.05
0.00
erreur commise sur L
0.05
0.10
0.10
0.05
0.00
0.05
0.10
(a) Comparaison de cot moyen obtenu avec une (b) Perte relative (en pourcentage) par rapport
erreur destimation au cot rel obtenu sans er- au cot optimis si une erreur destimation du
reur de mesure
paramtre est faite
6.4.2
98
sortie nest pas forcment linaire. Afin dvaluer limpact des erreurs destimation
ou de mesures faites sur les caractristiques du systme, les pires des cas sont pris
en considration, cest--dire chaque paramtre est rgl la valeur correspondant
une erreur relative de 10% et +10%. Les rsultats prsents dans le tableau 6.1
sont obtenus laide de la mthode de Monte Carlo. Dans le pire des cas, une perte
relative de 40% environ est obtenue par rapport au cot optimal lorsquune erreur
de +10% est effectue sur lestimation de tous les paramtres.
Erreur destimation des caractristiques du systme 10%
0
Cot obtenu avec les incertitudes
8.503 5.022
Cot optimal
8.044 5.022
Perte relative compar au cot optimal
5.618%
0
+10%
2.321
1.656
40.129%
10%
0
9.814 12.253
9.729 12.253
0.866%
0
+10%
15.050
14.885
1.096%
6.5
99
Conclusion
Troisime partie
101
Introduction
Lobjectif de cette dernire partie est, tout dabord, dexpliciter les relations quil
peut exister entre le processus de dgradation et le processus de stress. Jusqu prsent, nous avons considr que le stress environnant pouvait avoir un impact direct
sur la dfaillance du systme mais le stress peut galement en affecter le processus de dgradation. Nous allons donc dabord dvelopper les interactions pouvant
exister entre le vieillissement du systme, caractris par un processus de dgradation continu, et son environnement dexploitation. Il existe une multitude de faon
de prendre en compte le stress qui impacteront directement la structure de maintenance. Par ailleurs, il semble raisonnable de penser que le cot de maintenance
pourrait tre amlior par la surveillance en continue du stress corrl une variable
denvironnement et lintgration de cette information dans le processus de dcision
de maintenance. Cependant, cette prise en compte du stress au niveau de la politique de maintenance nest pas triviale. Nous allons comparer diffrentes politiques
de maintenance conditionnelle intgrant le stress.
Cette partie suivra le schma suivant.
Dans le chapitre 7, nous allons tout dabord dvelopper plusieurs approches pour
modliser limpact du stress environnemental sur le processus de dgradation et viceversa. Une discussion sur la disponibilit de la mesure de leffet du stress en ligne
et sur la nature de limpact de celui-ci sur les caractristiques de dgradation du
systme permet de mettre en vidence trois cas dtude particuliers. Pour le premier
de ces modles, nous considrons que le stress na pas dimpact sur le processus de
dgradation ou que son impact nest pas mesurable. Pour le second cas, on suppose
que le processus de dgradation est modifi seulement lorsque le systme est stress
et devient normal ds son retour dans ltat nominal. Enfin, pour le dernier cas, le
processus de dgradation est impact de manire irrversible chaque survenue dun
stress. Nous dveloppons et valuons une structure de maintenance adapte un tel
systme. Les rgles de dcision restent inchanges quel que soit le cas considr,
seuls les paramtres de dcision optimiss nont pas les mmes valeurs en fonction
de limpact pris en compte. Afin dillustrer limportance de la dtermination de la
nature du stress, une tude des performances de la politique de maintenance en
fonction de lhypothse de dpart concernant limpact du stress sur le processus de
dgradation compar son impact rel est propose.
103
104
Introduction
Chapitre 7
7.1
Introduction
106
7.2
7.2.1
Processus de dgradation
Nous considrons que ltat du systme un instant tk donn peut tre rsum
par une variable de dgradation et son volution peut tre dcrite par un processus
stochastique (Xk )kN [28, 37, 52, 54] strictement croissant. On considre que le systme est dfaillant si le niveau de dgradation est suprieur un seuil de dfaillance
fix L. On suppose les incrments de dgradation lmentaires Xk1,k entre deux
instants conscutifs tk1 et tk suivent un processus Gamma de paramtre de forme
(tk tk1 ) et de paramtre dchelle :
f(tk tk1 ), (x) =
1
(tk tk1 ) x(tk tk1 )1 ex 1{x0}
((tk tk1 ))
(7.1)
t
une variance V (X(t)) = 2 .
Contrairement aux chapitres prcdents dans lesquels un processus de phase
avait t utilis pour modliser le processus de dgradation, ce dernier est maintenant modlis par un processus Gamma. Le processus Gamma peut tre vu comme
une gnralisation du processus de phase dcrit dans la section 4.3.1 du chapitre 4.
En effet, pour une discrtisation du temps donne, on peut montrer que lon retrouve
la loi exponentielle partir de la loi Gamma pour = 1. Lavantage du processus
Gamma est lintroduction dun nouveau paramtre amliorant ainsi la flexibilit
de la loi aux donnes de retour dexprience. On trouve nombre dapplications du
processus Gamma, notamment sur des structures en Gnie Civil, par exemple sur
une digue de protection des inondations aux Pays-Bas [103, 105, 106], des fissures
longitudinales sur des routes [17], . . . Le cot associ lintroduction de ce nouveau
paramtre se trouve bien entendu dans laccroissement de donnes de retour dexprience. Cependant, mme avec peu de donnes, la qualit destimation des deux
paramtres reste acceptable. On pourra se rfrer larticle de Van Noortwijk [102]
pour lestimation des paramtres du processus Gamma par la mthode du Maximum
de Vraisemblance. La conservation des proprits dchangeabilit, dinfini divisibilit permet de rendre facile lexpression des convolutions successives des lois Gamma
et, ainsi, de faciliter la rsolution du problme doptimisation.
Partie III. Vers une meilleure prise en compte du processus de stress et de ses impacts
7.2.2
107
Processus de stress
7.2.3
108
zone de fonctionnement
Xk
L
tat de panne
Yk
tk
Yk
niveau
nominal
zone de fonctionnement
tat de panne
niveau
nominal
tk
(a) Impact ponctuel du stress sur le processus de (b) Impact permanent du stress sur le prodgradation
cessus de dgradation
Partie III. Vers une meilleure prise en compte du processus de stress et de ses impacts
7.3
7.3.1
109
7.3.2
Critre de cot
110
Xk
Yk
zone corrective
zone prventive
Fausse
alarme
Alarme
Fausse
alarme
UCL
Niveau
nominal
Remplacement
prventif
Dfaillance
Remplacement
correctif
Dfaillance
Remplacement
correctif li UCL
Fig. 7.2. Evolution du systme maintenu dans le cas dun impact ponctuel du
stress
Le cot de maintenance cumul C(t) sur un intervalle de temps [0, t] scrit de la
manire suivante :
C(t) = CIN SP X (t) + CIN SP Z (t) + CCORR (t) + CP REV (t) + CIN DISP (t)(7.2)
= cix .Nix (t) + ciz .Niz (t) + cp .Np (t) + cc .Nc (t) + cu .Du (t)
(7.3)
En exploitant de nouveau les proprits rgnratives du processus et en appliquant le thorme lmentaire de renouvellement, le cot moyen de maintenance
par unit de temps sur un horizon infini peut tre exprim comme le ratio du cot
moyen de maintenance cumul sur un cycle de rgnration E(C(S)) sur la longueur
moyenne dun cycle E(S) :
C(t)
E(C(S))
C = lim
=
(7.4)
t
t
E(S)
cix E(Nix (S)) + ciz E(Niz (S)) + cp + (cc cp )E(Nc (S)) + cu E(Du (S))
C (, , U CL) =
E(S)
(7.5)
Les diffrentes quantits de lquation (7.5) peuvent de nouveau tre values
par la fonction de fiabilit du systme maintenu, Rm (tk ). Le mme raisonnement
Partie III. Vers une meilleure prise en compte du processus de stress et de ses impacts
111
que celui prsent dans le chapitre 5 est utilis. Nous ne prsenterons ici que les
lois de dgradation cumules dun tel systme en fonctionnement sujet au vieillissement et au stress aprs k priodes de temps. Nous devons distinguer les trois cas
correspondants aux trois impacts du stress sur le processus de dgradation :
1. Dans le cas o le stress na pas dimpact sur le processus de dgradation, la
loi de dgradation cumule est donne par la k ime convolution de f(tk tk1 ),
(k)
(cf. quation (7.1)), note g1 :
(k)
g1 (x) =
k k1 x
x
e
(k)
(7.6)
(k)
k
X
i=0
Cki pi (1 p)(ki)
k+(ki)
x(k+(ki))1 ex
(k + (k i))
(7.7)
7.4
112
paramtres optimiss
pour pas d'impact
paramtres optimiss pour un impact ponctuel
alors qu'il n'y a pas d'impact
paramtres optimiss pour un impact permanent
alors qu'il n'y a pas d'impact
4.0
2.5
3.0
3.5
Cot
4.5
5.0
5.5
10
15
20
25
Cix
Partie III. Vers une meilleure prise en compte du processus de stress et de ses impacts
113
5.0
3.0
3.5
4.0
4.5
Cot
5.5
6.0
6.5
paramtres optimiss
pour un impact ponctuel
paramtres optimiss pour un impact permanent
alors qu'il y a un impact ponctuel
paramtres optimiss pour pas d'impact
alors qu'il y a un impact ponctuel
10
15
20
25
Cix
paramtres optimiss
pour un impact permanent
paramtres optimiss pour un impact ponctuel
alors qu'il y a un impact permanent
paramtres optimiss pour pas d'impact
alors qu'il y a un impact permanent
Cot
10
15
20
25
Cix
114
7.5
Conclusion
Chapitre 8
Construction et valuation de
politiques de maintenance
adaptatives
8.1
Introduction
116
8.2
Nous appelons politiques adaptatives des politiques pour lesquelles les dcisions
de maintenance peuvent voluer en fonction du contexte dans lequel volue le systme. Elles offrent ainsi des rgles de dcision non stationnaires qui ne reposent
pas, en opposition aux politiques stationnaires, uniquement sur des caractristiques
moyennes du processus global dvolution.
Comme nous lavons prcis en introduction, nous allons chercher amliorer les
rgles de dcision sur la base du suivi de lvolution du stress dans le temps. Il y a
diverses manires dintgrer cette information dans le processus de dcision. Nous
proposons dans cette section deux approches que nous rapprocherons de la politique
0 de rfrence.
En tout premier lieu, on rappelle que les dcisions de maintenance pour la politique 0 sont optimises en fonction des caractristiques moyennes des processus de
dgradation et de limpact du stress.
Sachant que le stress impacte la vitesse de dgradation et en supposant continue sa
mesure, il semble intressant dintgrer le nombre de sollicitations dans la structure
de la politique de maintenance. Nous proposons dadapter de manire continue la
date de la prochaine inspection en fonction du nombre de sollicitations effectives
depuis la dernire inspection. Plus prcisment, on propose davancer dune unit
de temps la date de la prochaine inspection chaque nouvelle sollicitation (sauf si
celle-ci intervient juste une unit de temps avant linspection planifie). Ainsi, si 1
est la priode inter-inspection initialement prvue lissue de linspection effectue
t, la prochaine inspection sera alors ralise :
t + 1 si le systme nest jamais stress sur lintervalle de temps [t; t + 1 1[,
i.e. k [t; t + 1 1[; Yk < . Peu importe le niveau de stress sur la dernire
priode de temps ;
t + 1 n (n; 1 n < 1 ) si le systme est stress n fois sur lintervalle de
temps [t; t + 1 n 1[.
Afin de rduire le nombre de paramtres contrler, on ne cherchera pas ajuster la
valeur du seuil prventif 1 en fonction du nombre de stress. Ce choix est motiv par
les faibles bnfices attendus en cas dajustement au regard de ceux engendrs par
lajustement des inspections. Finalement, les paramtres que lon cherche optimiser
sont la priode dinspection initiale 1 , le seuil de remplacement prventif 1 et
la limite de contrle U CL1 pour minimiser le cot moyen de maintenance long
terme. On souligne ici la difficult dexpression du critre. Son valuation et son
Partie III. Vers une meilleure prise en compte du processus de stress et de ses impacts
117
optimisation ne reposeront plus sur des mthodes numriques dintgration mais sur
des approches de simulations stochastiques de type Monte Carlo.
Dans la politique 4, nous avons impos systmatiquement la rduction de la priode dinspection ds quune sollicitation est observe. Nous avons cherch tendre
cette politique en optimisant la rduction de la priode en fonction du nombre de
sollicitations. Les rsultats alors obtenus ne nous ont pas permis de mettre en vidence des bnfices significatifs de cette approche. Ainsi, nous ne chercherons pas
dans ce manuscrit approfondir cette voie.
Prcdemment, nous avons considr que lajustement des dates dinspection est
effectif entre deux inspections (on r-initie la priode 1 toute nouvelle inspection).
La politique 5 que nous proposons de construire impose un ajustement dfinitif
de la priode inter-inspection jusquau prochain remplacement. Ainsi, on rejoint
lide des schmas dcroissants pour les inspections dont lintrt a t soulign
pour des systmes dgradation graduelle dans [16, 39, 52]. Plus prcisment les
rgles dajustement sont les suivantes :
soit 2 la premire priode inter-inspection initialement prvue suite un remplacement effectu t, la prochaine inspection est ralise :
t2 = t + 2 si le systme nest jamais stress sur [t; t + 2 1[
t2 = t + 2 n si le systme est stress n fois sur [t; t + 2 n 1[
suite une inspection ralise t2 la prochaine inspection est planifie 2t2
et est ralise :
t3 = 2t2 si le systme nest jamais stress sur [t2 1; 2t2 1[ (on considre
quun stress survenu entre t2 1 et t2 , soit juste une unit de temps avant
linspection planifie nimpacte pas cette inspection, par contre il impacte
la dure inter-inspection de la prochaine inspection)
t3 = 2t2 n0 si n0 stress sont survenus entre [t2 1; t3 1[.
Comme pour la politique 4, nous fixons 2 sa valeur initiale optimise 2 .
Pour cette politique, nous avons, comme pour la politique 4, trois paramtres
optimiser : 2 , 2 , et U CL2 .
8.3
118
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
politique 0
Cot
37 0.749
28 0.933
23 1.112
20 1.288
17 1.461
15 1.576
14 1.767
13 1.927
12 2.134
politique 4
1 Cot
45 0.714
40 0.877
32 1.006
31 1.176
29 1.383
24 1.548
18 1.722
16 1.899
15 2.092
politique 5
2 Cot
68 0.655
43 0.842
42 0.986
41 1.122
33 1.349
29 1.495
28 1.681
22 1.847
20 2.019
Tableau 8.1. Rsultats respectifs des politiques 0, 4 et 5 dans le cas dun impact
ponctuel du stress lorsque varie
Tout dabord on observe que le cot augmente en fonction de laccroissement
moyen et on constate que chacune des politiques compense lacclration de la
dgradation en rduisant les intervalles dinspection (par exemple, pour la politique
0 = 37 lorsque = 0.1 et = 12 pour = 0.9). Par ailleurs on constate que :
les extensions proposes amliorent les performances conomiques obtenues
avec la politique 0. Ce rsultat confirme lintuition naturelle de proposer des
schmas adaptatifs.
Lintervalle dinspection reste toujours plus grand pour la politique 4 que pour
la politique 0. Ici, on met donc en vidence le bnfice rel du schma adaptatif
pour un cycle inter inspections.
La politique 5 prsente les meilleurs rsultats en terme de cot. Les conclusions
pour la politique 4 demeurent valables. On peut aussi expliquer, en comparant les
rsultats des politiques 4 et 5, le bnfice li laspect dcroissant du schma dinspection. Par la proposition de rduire dfinitivement la priode dinspection chaque
nouveau choc, on rejoint en quelque sort les arguments dvelopps par Castanier et
al. [16] pour des schmas dinspection conditionnelle et il faut souligner la grande
diffrence des dans ce cas pour la date des premires inspections tant quaucun
choc nest observ.
8.4
Les rsultats prsents dans le tableau 8.2 correspondent au critre de cot optimis pour les diffrentes politiques lorsque limpact du stress sur le paramtre
dchelle, , est permanent et varie de 0.01 0.04. Tout dabord, on peut noter
en comparant les rsultats des tableaux 8.1 et 8.2 leffet dacclration cumul qui
entrane une diminution de la priode optimale dinspection par rapport un effet
simplement ponctuel.
Partie III. Vers une meilleure prise en compte du processus de stress et de ses impacts
0.01
0.02
0.03
0.04
politique 0
Cot
28 1.064
16 1.348
16 1.582
14 1.795
politique 4
1 Cot
35 1.052
26 1.340
23 1.574
22 1.758
119
politique 5
2 Cot
41 1.002
32 1.271
26 1.498
22 1.846
Tableau 8.2. Rsultats respectifs des politiques 0, 4 et 5 dans le cas dun impact
permanent du stress lorsque varie
Nous obtenons des rsultats similaires ceux obtenus dans le cas dun impact
ponctuel : la politique 4 permet de diminuer le cot moyen de maintenance long
terme par unit de temps compare la politique 0.
La politique 5 reste toujours la politique qui permet de minimiser le cot moyen
long terme par unit de temps malgr le fait que dans ce cas (Xk , Nk ) ne suit plus un
processus de renouvellement markovien, la loi associe dpendant la fois du nombre
de stress dans lintervalle (0; tk ) mais aussi des dates de ces stress. Cependant, la
vitesse de dgradation ne pouvant qutre croissante, il est intressant de dfinir une
politique de maintenance voluant en fonction du nombre de stress survenus sur un
cycle. Ces rsultats viennent confirmer les rsultats de [16, 39, 52, 53, 61, 70] sur
le fait que pour un systme taux de dfaillance croissant une politique dinspection non-priodique est optimale, au sens de la minimisation dun cot moyen de
maintenance long terme par unit de temps, compare une politique dinspection
priodique.
8.5
Conclusion
Dans ce chapitre, nous avons propos des extensions de la politique de maintenance prsente dans la partie prcdente pour prendre en compte en temps rel les
donnes acquises sur les conditions de lenvironnement. Les politiques adaptatives
proposes se basent sur le nombre de sollicitations observes. Nous avons propos
des politiques de maintenance non-priodiques qui adaptent leur priode dinspection en fonction du nombre de stress survenus depuis la dernire inspection. Nous
avons propos deux politiques dinspection diffrentes, la premire consiste rduire la priode inter-inspection dune valeur fixe (ici 1) ds quun stress survient,
la priode inter-inspection revenant sa valeur optimale suite une inspection. La
deuxime politique propose consiste optimiser le nombre de stress avant de rduire
la priode inter-inspection et, dans ce cas, la priode inter-inspection est dcroissante
avec laugmentation du niveau de dgradation (elle ne reprend sa valeur optimale
que suite un remplacement). Nous avons appliqu ces politiques aussi bien lorsque
le stress a un impact ponctuel sur le processus de dgradation que lorsquil a un
impact permanent.
120
Les rsultats obtenus nous ont permis de montrer les bnfices engendrs par la
capture de toute nouvelle information dans le modle de dcision en maintenance.
Les politiques de maintenance intgrant la prise en compte du stress permettent
damliorer le critre de cot compares la politique de maintenance base uniquement sur le niveau de dgradation. Grce aux rsultats obtenus avec la politique 5,
nous avons vu quil tait intressant de dfinir une politique uniquement base sur
le niveau de dgradation en dbut de cycle pouvant voluer en fonction du nombre
de sollicitations reues dans le cycle.
Chapitre 9
9.1
Objectifs
9.2
Nous considrons le mme processus de dfaillance que dans le chapitre prcdent, i.e. le systme est dfaillant ds que son niveau de dgradation atteint un
seuil donn L.
9.2.1
Processus de dgradation
122 Chapitre 9. Politiques de maintenance lorsque lvolution du stress est modlise en continu
9.2.2
Processus de stress
Le systme est sujet un environnement stressant. On suppose que lenvironnement peut tre assimil une variable binaire Y (t) qui est fonction de limpact de cet
environnement sur les caractristiques de dgradation du systme. Ltat Y (t) = 0
correspond un tat de stress nominal, on considre alors que le systme est non
stress, dans ce cas le stress nimpacte pas le processus de dgradation. Contrairement ltat Y (t) = 1 qui correspond un tat de stress, le systme est alors
stress et la vitesse de dgradation est directement impacte par le stress. On suppose les dates de changement denvironnement purement alatoires pour lesquelles
la dure dans un tat est exponentiellement distribue, i.e. 0 pour la dure dans
Partie III. Vers une meilleure prise en compte du processus de stress et de ses impacts
123
Dfaillance
X(t)
Y(t)
0
Systme
Systme
non stress
stress
X (t s ) ~ (0(t-s),) X (t s ) ~ (0(t-s)e,)
124 Chapitre 9. Politiques de maintenance lorsque lvolution du stress est modlise en continu
9.3
Nous proposons dans cette partie de comparer diffrentes stratgies de maintenance bases sur le niveau de connaissance du systme et plus particulirement sur
le niveau de connaissance concernant le temps pass dans ltat stress ou non. La
premire politique de maintenance propose repose sur une connaissance a priori
du processus de stress, seul le temps moyen pass dans ltat stress (
r) est connu.
Pour la seconde politique de maintenance, on considre que, lors de linspection du
niveau de dgradation du systme, on est apte mesurer galement son niveau de
stress actuel. Les deux dernires stratgies de maintenance proposes prennent aussi
en compte la connaissance en continu de ltat de stress du systme.
9.3.1
9.3.2
La connaissance exacte du temps pass dans les diffrents tats de stress devrait
permettre damliorer le cot de maintenance. Nous dveloppons trois stratgies
qui offrent la possibilit de prendre en compte le temps pass dans ltat stress
et non stress dans la dcision de maintenance (la date dinspection et le seuil de
remplacement prventif).
Permutation entre politiques de maintenance extrmes : politique 7
Pour la politique 7, nous considrons quune inspection permet la connaissance
du niveau de dgradation et du niveau de stress. Les rgles de dcision sont les
suivantes. Soient (0 , 0 ) le couple de paramtres de dcision optimiss en supposant
que le systme ne sera jamais stress (Y (t) = 0, t 0) et (1 , 1 ) obtenu sous
lhypothse que le systme sera toujours stress (Y (t) = 1, t 0). Lors dune
Partie III. Vers une meilleure prise en compte du processus de stress et de ses impacts
125
126 Chapitre 9. Politiques de maintenance lorsque lvolution du stress est modlise en continu
X(t)
Dfaillance
L
1
0
Dure
d'indisponibilit
Du
0 + 1
0 + 21
2 + 21
0
Y(t)
Fig. 9.3. Evolution dun systme soumis une politique de maintenance de type
permutation entre politiques de maintenance extrmes
Partie III. Vers une meilleure prise en compte du processus de stress et de ses impacts
127
2/3
1/3
t+1
t+5/6
t+3/6
t+1/6
t+0 temps
9.4
Rsultats numriques
Les rsultats prsents dans cette partie ont t obtenus pour les paramtres
de dfaillance suivants, 0 = 0.1, = 7, L = 2, = 0.3 et les cots unitaires de
128 Chapitre 9. Politiques de maintenance lorsque lvolution du stress est modlise en continu
9.4.1
Comparaison de la politique stationnaire et de la politique autorisant les permutations entre les politiques
extrmes
Les rsultats prsents dans la figure 9.5 correspondent au cot optimal obtenu
numriquement pour la politique 6 (trait pointill) et par simulation pour la politique 7 (trait plein) lorsque 0 et 1 varient mais que le temps moyen pass dans
ltat stress reste le mme. Les rsultats ont t obtenus pour 0 = 1 (
r = 0.5).
Partie III. Vers une meilleure prise en compte du processus de stress et de ses impacts
129
est efficace uniquement lorsque les paramtres de dcision restent inchangs pendant
de nombreux cycles de renouvellement. Lorsque les instants de changements dtat
sont trop rapprochs, la politique 7 est plus coteuse que la politique 6. Cela est
li au fait quelle ne prend pas en compte tous les changements dtats et que les
changements de paramtres de dcision nont plus de sens cause du fait que le
systme nest plus dans un tat stress et non stress sur une longue priode.
9.4.2
Les courbes prsentes dans la figure 9.6 sont les reprsentations respectives des
cots optimaux obtenus pour la politique 6 et la politique 8 lorsque le temps moyen
pass dans ltat stress, r, varie de 0 1.
130 Chapitre 9. Politiques de maintenance lorsque lvolution du stress est modlise en continu
temps. Lorsquen moyenne la proportion de temps pass dans ltat stress tend
vers 0 (systme jamais stress) ou 1 (systme toujours stress), la politique 8, tend
vers la politique stationnaire. Le bnfice conomique de la politique 8 par rapport
la politique 6 varie de 0% (lorsque r = 0 ou r = 1) 5%.
Lavantage de la politique 8 est de proposer un schma dinspections et de seuils
de remplacement prventifs qui sadapte la proportion relle de temps pass
dans ltat stress. Cette structure de paramtres de dcision permet dobtenir de
meilleures performances que dans le cas du schma priodique.
9.4.3
Les courbes prsentes dans la figure 9.7 sont les reprsentations respectives des
cots optimaux obtenus pour la politique 6, 8 et 9 lorsque 0 = 1 = 0.5 et que le
nombre de seuils de la politique 9 varient de 1 10.
Partie III. Vers une meilleure prise en compte du processus de stress et de ses impacts
131
nombre de seuils nest pas assez lev la politique stationnaire permet de minimiser
le critre de cot compar la politique 9. Lorsque le nombre de seuils est faible,
lutilisation de la politique 9 nest pas forcment pertinente. Dans notre exemple, si
lon prend le cas de la politique 9 1 seuil les paramtres de dcision (0.75 ; 0.75 ) sont
appliqus aussi bien pour r(t) = 0.51 que pour r(t) = 0.99. Dans ce cas, on constate
que le temps pass dans ltat stress nest alors pas rellement pris en compte pour
la dcision de maintenance. La politique 6 base uniquement sur la connaissance a
priori du systme reste un meilleur choix dans ce cas.
Par contre lorsque le nombre de seuils augmente la politique 9 tend progressivement vers la politique 8.
Si on introduisait un cot li au changement de politique, la politique 9 permettrait damliorer significativement le cot de maintenance compare la politique
8.
9.5
Conclusion
134
135
Bibliographie
[1] J.I Ansell and M.J. Phillips. Practical aspects of modelling of repairable systems data using proportional hazards models. Reliability Engineering and
System Safety, 58 :165171, 1997.
[2] G.R. Antelman and R.I. Savage. Surveillance problems : Wiener processes.
Naval Research Logistics Quaterly, 12 :3555, 1965.
[3] S. Asmussen. Applied Probability and Queues, Wiley Series in Probability and
Mathematical Statistics. Wiley, 1987.
[4] S. Asmussen. Applied Probability and Queues, volume 51 of Applications of
Mathematics - Stochastic Modelling and Applied Probability. Springer, 2nd
edition, 2003.
[5] V. Bagdonavicius and M. Nikulin. Estimation in Degradation Models with
Explanatory Variables. Lifetime Data Analysis, 7 :85103, 2000.
[6] V. Bagdonavicius and M. Nikulin. On Goodness-of-fit for accelerated life models. Comptes Rendus, Academie des Sciences de Paris, 332,#1,Srie I :171
176, 2001.
[7] C.T. Barker. Maintenance Policies to Guarantee Optimal Performance of
Stochastically Deteriorating Multi-Component Systems. PhD thesis, School of
Engineering and Mathematical Sciences City University, 2006.
[8] R.E. Barlow and F. Proschan. Mathematical Theory of Reliability. Wiley,
New-York, 1965.
[9] A. Barros. Maintenance des systmes multicomposants sous surveillance imparfaite : modlisation stochastique et optimisation. PhD thesis, Universit de
Technologie de Troyes, 2003.
[10] H.W. Block, W.S. Borges, and T.H. Savits. Age-Dependent Minimal Repair.
Journal of Applied Probability, 22 :370385, 1985.
[11] C. Bunea and T. Bedford. The robustness of maintenance optimisation to
modeling assumptions. In Proceedings of the European Safety and Reliability
Conference -ESREL2001 - 16-20 September, Torino, Italy.
[12] C. Bunea and T. Bedford. The Effect of Model Uncertainty on Maintenance
Optimisation. IEEE Transactions on Reliability, 51(4) :486493, 2002.
[13] I.W Burr. Statistical quality control methods. Marcel Dekker, 1976.
137
138
Bibliographie
[14] C.R. Cassady, R.O. Bowden, L. Liew, and E.A. Pohl. Combining preventive
maintenance and statistical process control : a preliminary investigation. IIE
Transactions, 32 :471478, 2000.
[15] B. Castanier. Modlisation stochastique et optimisation de la maintenance
conditionnelle des systmes dgradation graduelle. PhD thesis, Universit de
Technologie de Troyes, 2002.
[16] B. Castanier, C. Brenguer, and A. Grall. A sequential condition-based repair/replacement policy with non-periodic inspections for a system subject
to continuous wear. Applied Stochastic Models in Business and Industry,
19(4) :327347, 2003.
[17] B. Castanier and T. Yeung. Optimal highway maintenance policies under
uncertainty. In Annual Reliability and Maintenability Symposium, Las Vegas,
Janvier 2008. IEEE.
[18] A. H. Christer. Developements in delay time analysis for modelling plant
maintenance. Journal of Operational Research Society, 50 :11201137, 1999.
[19] A. H. Christer and W. Wang. A Simple Condition Monitoring Model for a Direct Monitoring Process. European Journal of Operational Research, 82 :258
269, 1995.
[20] A.H. Christer and W.M. Waller. Delay time models of industrial inspection maintenance problems. Journal of the Operational Research Society,
35(5) :401406, 1984.
[21] A.H. Christer and W. Wang. A model of condition monitoring of a production
plant. International Journal of Production Research, 30(9) :21992211, 1992.
[22] C. Cocozza-Thivent. Processus stochastiques et fiabilit des systmes. Springer,
1997.
[23] R. Cooke, M. Mendel, and H. Vrijling. Engineering Probabilistic Design and
Maintenance for Flood Protection. Kluwer Academic, 1997.
[24] D.R. Cox. Regression models and life tables. Journal of the Royal Statistics,
B(34) :187202, 1972.
[25] R. Dagg. Optimal Inspection and Maintenance for Stochastically Deteriorating
System. PhD thesis, City University, London, 2000.
[26] R. Dekker. Applications of maintenance optimization models : a review and
analysis. Reliability Engineering and System Safety, 51 :229240, 1996.
[27] E. Deloux, B. Castanier, and C. Brenguer. A predictive maintenance policy
based on two explicative variables. In INFORMS, Pittsburg, Pennsylvania,
USA, Novembre 2006.
[28] E. Deloux, B. Castanier, and C. Brenguer. Combining statistical process
control and condition-based maintenance for gradually deteriorating systems
subject to stress. In Risk, Reliability and Societal Safety, Proceedings of ESREL 2007- European Safety and Reliability Conference 2007, Stavanger, Norway, 25-27 June 2007, 2007.
Bibliographie
139
140
Bibliographie
Bibliographie
141
In
142
Bibliographie
Bibliographie
143
144
Bibliographie
[106] J.M. Van Noortwijk, M. Kok, and R.M. Cooke. Optimal maintenance decisions
for the sea-bed protection of the eastern-scheldt barrier. European Journal of
Operational Research, 82(2) :2556, 1997.
[107] H. Wang. A Survey of Maintenance Policies of Deteriorating Systems. European Journal of Operational Research, 139 :469489, 2002.
[108] W. Wang and A. H. Christer. Towards a general condition based maintenance
model for a stochastic dynamic system. Journal of Operational Research Society, 51 :145155, 2000.
[109] G.A. Whitmore. Estimating Degradation By a Wiener Diffusion Process Subject to Measurement Error. Lifetime Data Analysis, 1 :307319, 1995.
[110] G.A. Whitmore and F. Schenklberg. Modelling accelerated degradation data
using Wiener diffusion with a time transformation. Lifetime Data Analysis,
3 :2745, 1997.
[111] S.C. Yang. A Bivariate Renewal Process and its Application in Maintenance
Policies. PhD thesis, Faculty of Virginia Polytechnic Institute and State University, 1999.
[112] A.I. Yashin and K.G. Manton. Effects of Unobserved and Partially Observed
Covariate Processes on System Failure : A Review of Models and Estimation
Strategies. Statisticals Science, 12(1) :2034, 1997.
[113] R.H. Yeh. State-age-dependent maintenance policies for deteriorationg systems with Erlang sojourn time distributions. Reliability Engineering and System Safety, (58) :5560, 1997.
[114] T.G. Yeung, C. R. Cassady, and K. Schneider. Simultaneous optimization of
/x/-bar control chart and age-based preventive maintenance policies under an
economic objective. IIE Transactions, 40(2) :147159, 2008.
[115] C.A. Zahalca. Fiabilit des systmes en environnement alatoire stressant.
PhD thesis, INP Grenoble, 1999.
NED 503-005