These Deloux

POLITIQUES DE MAINTENANCE
CONDITIONNELLE POUR UN SYSTEME A

DEGRADATION CONTINUE SOUMIS A UN
ENVIRONNEMENT STRESSANT
Estelle Deloux
To cite this version:

Estelle Deloux. POLITIQUES DE MAINTENANCE CONDITIONNELLE POUR UN SYSTEME A DEGRADATION CONTINUE SOUMIS A UN ENVIRONNEMENT STRESSANT.
Engineering Sciences. Universite de Nantes, 2008. French. <tel-00348191>
HAL Id: tel-00348191

https://tel.archives-ouvertes.fr/tel-00348191
Submitted on 18 Dec 2008
HAL is a multi-disciplinary open access

archive for the deposit and dissemination of scientific research documents, whether they are published or not. The documents may come from
teaching and research institutions in France or
abroad, or from public or private research centers.
Larchive ouverte pluridisciplinaire HAL, est

destinee au depot et `a la diffusion de documents
scientifiques de niveau recherche, publies ou non,
emanant des etablissements denseignement et de
recherche francais ou etrangers, des laboratoires
publics ou prives.
UNIVERSITE DE NANTES
COLE D OCTORALE
S CIENCES ET T ECHNOLOGIES
M ATRIAUX
DE L I NFORMATION ET DES
Anne : 2008
Thse de Doctorat de lUniversit de Nantes

Spcialit : Automatique et Informatique Applique
Prsente et soutenue publiquement par
Estelle DELOUX
Le 7 octobre 2008
lcole Nationale Suprieure des Techniques
Industrielles et des Mines de Nantes
POLITIQUES DE MAINTENANCE CONDITIONNELLE POUR UN

SYSTEME A DEGRADATION CONTINUE SOUMIS A UN
ENVIRONNEMENT STRESSANT
Jury
Prsident
Rapporteurs
Examinateurs
Examinateur (absent)
Philippe CASTAGLIOLA
Laurent BORDES
Joel NACHLAS
Daniel NOYES
Christophe BERENGUER
Bruno CASTANIER
Rommert DEKKER
Professeur, Universit de Nantes

Professeur, Universit de Pau
Professeur Associ, Virginia Polytechnic Institute, USA
Professeur, Ecole Nationale dIngnieurs de Tarbes
Professeur, Universit de Technologie de Troyes
Matre assistant, Ecole des Mines de Nantes
Professeur, Erasmus University Rotterdam, Pays-Bas
Directeur de thse : Christophe Brenguer

Laboratoire : Institut Charles Delaunay
Co-encadrant : Bruno Castanier
Laboratoire : Institut de Recherche en Communications et Cyberntique de Nantes
Composante de rattachement du directeur de thse : Universit de Technologie de Troyes
Laboratoire daccueil : Institut de Recherche en Communications et Cyberntique de Nantes
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
Table des matires
Remerciements
Table des matires
iii
Notations
ix
Introduction gnrale
Cadre de ltude : Introduction la maintenance
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 . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2 Modlisation mathmatique de la maintenance : analyse bibliographique

2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2 Classification de la dfaillance . . . . . . . . . . . . . . . . . . . . . .
2.2.1 Classification de la dfaillance par cause . . . . . . . . . . . .
2.2.2 Classification des dfaillances par impact sur les performances
du systme . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3 Modlisation dun mcanisme de dfaillance . . . . . . . . . . . . . .
2.3.1 Dfaillance soudaine : modles de dure de vie . . . . . . . . .
2.3.2 Dfaillance graduelle : modles de dgradation . . . . . . . . .
2.4 Modles dinfluence des stress . . . . . . . . . . . . . . . . . . . . . .
2.4.1 Les modles rsistance-contrainte (stress-strength) . . . . . . .
2.4.2 Les modles de chocs . . . . . . . . . . . . . . . . . . . . . . .
2.4.3 Les modles risques concurrents . . . . . . . . . . . . . . . .
iii
7
7
8
8
9
11
13
13
14
15
17
17
18
18
19
19
20
23
26
27
27
28
iv
Table des matires
2.5
2.6
2.7
2.4.4 Les modles risques multiplicatifs . . . . . . . . . . . . . .

2.4.5 Les modles de vie acclre . . . . . . . . . . . . . . . . . .
2.4.6 Intgration du stress dans les modles de dgradation . . . .
Synthse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Modles de maintenance . . . . . . . . . . . . . . . . . . . . . . . .
2.6.1 Stratgies de maintenance pour des modles de dure de vie
2.6.2 Stratgies de maintenance pour des systmes se dgradant .
2.6.3 Modles de maintenance incluant le stress . . . . . . . . . .
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
29
30
32
33
34
35
38
42
43
3 Objectifs des travaux

45
3.1 Analyse de ltude bibliographique . . . . . . . . . . . . . . . . . . . 45
3.2 Limites du cadre de ltude . . . . . . . . . . . . . . . . . . . . . . . . 46
3.3 Objectifs des travaux . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
II Prise en compte de lenvironnement alatoire stressant

pour loptimisation de la maintenance
49
4 Construction du modle de dfaillance
4.1 Objectifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2 Description du mcanisme de dfaillance . . . . . . . . . . . . . . .
4.3 Modlisation du mcanisme de dfaillance . . . . . . . . . . . . . .
4.3.1 Hypothses sur la dgradation . . . . . . . . . . . . . . . . .
4.3.2 Processus de dfaillance lie au niveau de dgradation . . . .
4.3.3 Hypothses sur le stress environnant . . . . . . . . . . . . .
4.3.4 Processus de dfaillance lie au stress . . . . . . . . . . . . .
4.3.5 Impact de ltat du systme sur le phnomne lorigine du
stress . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.4 Illustration de la modlisation . . . . . . . . . . . . . . . . . . . . .
4.5 Caractristiques fiabilistes du systme non maintenu . . . . . . . . .
4.5.1 Densit de probabilit conjointe de ltat du systme . . . .
4.5.2 Fiabilit . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.5.3 Dures de vie . . . . . . . . . . . . . . . . . . . . . . . . . .
4.6 Estimation des caractristiques du systme . . . . . . . . . . . . . .
4.6.1 valuation des paramtres de dgradation . . . . . . . . . .
4.6.2 valuation des paramtres du processus de stress . . . . . .
4.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5 Construction et valuation de la politique de maintenance
5.1 Objectifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2 Modlisation et paramtrisation de la politique de maintenance
5.2.1 Inspections . . . . . . . . . . . . . . . . . . . . . . . . .
5.2.2 Remplacements . . . . . . . . . . . . . . . . . . . . . . .
5.2.3 Action de maintenance systmatique . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
51
51
51
52
52
53
53
54
.
.
.
.
.
.
.
.
.
.
55
56
57
58
58
64
65
65
67
69
.
.
.
.
.
71
71
71
72
73
74
Table des matires
5.3
5.4
5.5
Critre de performance conomique . . . . . . . . . . . . . . .

Modle mathmatique dvaluation de la maintenance . . . . .
5.4.1 Fiabilit du systme maintenu . . . . . . . . . . . . . .
5.4.2 Longueur moyenne dun cycle de renouvellement E(S) .
5.4.3 Evaluation de lesprance du nombre dinspections . . .
5.4.4 Evaluation du nombre moyen dactions de maintenance
5.4.5 Evaluation de la dure moyenne dindisponibilit . . . .
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
78
79
79
80
82
83
84
84
6 Analyse des performances de la politique

6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.2 Comportement de la politique de maintenance . . . . . . . . . . . . .
6.2.1 Contribution de la priode de laction de maintenance systmatique, , sur le critre de dcision . . . . . . . . . . . . . . .
6.2.2 Contribution de la priode de la X-inspection, , sur le critre
de dcision . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.2.3 Contribution du seuil de remplacement prventif, , sur le critre de dcision . . . . . . . . . . . . . . . . . . . . . . . . . .
6.2.4 Contribution de la limite suprieure de contrle, U CL, sur le
critre de dcision . . . . . . . . . . . . . . . . . . . . . . . . .
6.2.5 Contribution des paramtres de dcision lorsque les caractristiques du systme varient . . . . . . . . . . . . . . . . . . .
6.2.6 Conclusion sur le comportement de la politique de maintenance
6.3 Comparaison de la politique de maintenance avec des politiques classiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.3.1 Expression des cots de maintenance des politiques classiques
6.3.2 Comparaison des politiques de maintenance lorsque les caractristiques du systme varient . . . . . . . . . . . . . . . . . .
6.3.3 Performance de la politique de maintenance lorsque les cots
de maintenance varient . . . . . . . . . . . . . . . . . . . . . .
6.4 Analyse de la sensibilit du modle par rapport aux incertitudes sur
les donnes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.4.1 Analyse de sensibilit par lapproche One-Factor-At-A-Time
(OAT) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.4.2 Analyse de sensibilit lorsque toutes les caractristiques du
systme varient . . . . . . . . . . . . . . . . . . . . . . . . . .
6.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
85
85
86
87
87
89
89
89
91
91
91
92
94
96
96
97
99
III Vers une meilleure prise en compte du processus de

stress et de ses impacts
101
Introduction
103
vi
Table des matires
7 Introduction de diffrents impacts du stress sur le processus de

dgradation
105
7.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
7.2 Description du processus de dfaillance du systme . . . . . . . . . . 106
7.2.1 Processus de dgradation . . . . . . . . . . . . . . . . . . . . . 106
7.2.2 Processus de stress . . . . . . . . . . . . . . . . . . . . . . . . 107
7.2.3 Relation entre le processus de dgradation et le processus de
stress . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
7.3 Dfinition et valuation de la politique de maintenance . . . . . . . . 109
7.3.1 Structure de la politique de maintenance . . . . . . . . . . . . 109
7.3.2 Critre de cot . . . . . . . . . . . . . . . . . . . . . . . . . . 109
7.4 Influence de la connaissance de limpact du stress . . . . . . . . . . . 111
7.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
8 Construction et valuation de politiques de maintenance adaptatives
115
8.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
8.2 Construction des politiques de maintenance . . . . . . . . . . . . . . 116
8.3 Performance des politiques adaptatives dans le cas dun impact ponctuel du stress . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
8.4 Performance des politiques adaptatives dans le cas dun impact permanent du stress . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
8.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
9 Politiques de maintenance lorsque lvolution du stress est modlise en continu
121
9.1 Objectifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
9.2 Description du processus de dfaillance . . . . . . . . . . . . . . . . . 121
9.2.1 Processus de dgradation . . . . . . . . . . . . . . . . . . . . . 121
9.2.2 Processus de stress . . . . . . . . . . . . . . . . . . . . . . . . 122
9.3 Description des diffrentes stratgies de maintenance . . . . . . . . . 124
9.3.1 Politique stationnaire de maintenance : politique 6 . . . . . . 124
9.3.2 Politiques adaptatives de maintenance . . . . . . . . . . . . 124
9.4 Rsultats numriques . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
9.4.1 Comparaison de la politique stationnaire et de la politique
autorisant les permutations entre les politiques extrmes . . . 128
9.4.2 Comparaison de la politique stationnaire et de la politique
intgrant continuellement linformation sur le stress . . . . . . 129
9.4.3 Comparaison de la politique stationnaire, de celle intgrant
continuellement linformation sur le stress et de celle intgrant
linformation sur le stress chaque changement de seuil . . . . 130
9.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
Conclusion gnrale et perspectives
133
Table des matires
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
Tableau 1. Tableau rcapitulatif des politiques de maintenance proposes dans ce manuscrit
Politique
Politique
Politique
Politique
Politique
Politique
Politique 3
Politiques
Politique 0
Politique 1
Politique 2
Rcapitulatif des politiques de maintenance proposes dans cette thse

Prise en compte Niveau de connaissance
stratgies dinspections
du stress
sur le stress
du niveau de dgradation
oui
non
a priori
en ligne
priodiques non priodiques
politique de maintenance
uniquement base
sur la surveillance du stress
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:
cot moyen dexploitation cumul long terme par unit de temps

cot global cumul sur une dure dexploitation t
nombre de X-inspections effectues sur une dure dexploitation t
cot cumul li aux X-inspections sur une dure dexploitation t
cot unitaire de la X-inspection
nombre de Z-inspections effectues sur une dure dexploitation t
cot cumul li aux Z-inspections sur une dure dexploitation t
cot unitaire de la Z-inspection
nombre de remplacements prventifs sur une dure dexploitation t
cot cumul li aux remplacements prventifs sur une dure dexploitation t
cot unitaire dun remplacement prventif
nombre de remplacements correctifs sur une dure dexploitation t
cot cumul li aux remplacements correctifs sur une dure dexploitation t
cot unitaire dun remplacement correctif
dure cumule dindisponibilit sur une dure dexploitation t
cot cumul li la dure dindisponibilit sur une dure dexploitation t
cot par unit de temps dindisponibilit du systme lie une opration
de maintenance
cot unitaire dune action de maintenance systmatique
Dure dun cycle de rgnration
vecteur des paramtres de dcision de maintenance
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
La stratgie de maintenance a des rpercussions directes sur lexploitation dun

systme, la production et les charges financires. A chaque instant de lexploitation du systme, le dcideur (gestionnaire) de maintenance doit faire un choix face
aux interventions possibles sur le systme afin de dterminer laction effectuer. Ce
choix doit permettre de satisfaire aux mieux les objectifs fixs a priori et permettre
ainsi une exploitation optimale du systme. Cependant, ces objectifs peuvent tre
multiples et ne conduisent pas toujours une unique faon de procder : une volont
de scuriser le systme exige une frquence de maintenance prventive leve alors
que dun point de vue conomique, il peut tre intressant de ne pas trop intervenir pour ne pas ralentir une production, par exemple. Il est donc ncessaire de
trouver un compromis, un quilibre entre maintenance prventive et maintenance
corrective. Une stratgie de maintenance qui semble prometteuse est la maintenance
conditionnelle. Les objectifs lis lexploitation dun systme sont trs varis et
peuvent amener des situations contradictoires. Il est donc ncessaire de bien dfinir le critre de choix qui permet de dterminer les instants dintervention sur le
systme et le type dintervention raliser [15, 56]. Diffrents types de critres doptimisation de la maintenance peuvent tre envisags, comme par exemple, un critre
de disponibilit un critre de scurit, un critre par rapport un horizon dtude
(horizon fini, long terme) [15]. Les proccupations conomiques tant sans conteste
une des motivations majeures pour les tudes doptimisation de maintenance, nous
proposons dutiliser un critre conomique asymptotique.
Lobjectif de cette thse consiste dvelopper des modles de maintenance pour
des systmes se dgradant voluant dans un environnement stressant. Nombre de
travaux depuis les annes 60 ont port sur la modlisation de la maintenance [107]
dans le but de minimiser les cots de maintenance et maximiser la dure de fonctionnement. La majorit de ces travaux est ddie loptimisation de la maintenance prventive mais peu dentre eux sintressent la maintenance conditionnelle
(CBM). Or, comme nous lavons cit prcdemment lapproche conditionnelle semble
prometteuse [94] en particulier pour des systmes tant sujets au vieillissement et
lusure [101] dont la dfaillance a un impact important sur le cot dexploitation
du systme ou sur la scurit, tels que, par exemple, des systmes soumis lrosion
(ouvrages hydrauliques, digues) [102]. En effet, lapproche conditionnelle est plus
efficace que lapproche systmatique car elle permet dintgrer dans le processus de
dcision, des informations sur ltat courant du systme [51].
1
Introduction gnrale
De plus, une approche classique en CBM est de modliser la dfaillance du systme

par le biais dun processus stochastique croissant dans le temps qui peut tre assimil
lvolution alatoire de la dgradation graduelle continue et dun niveau limite. Le
systme est considr dfaillant si son niveau de dtrioration dpasse un seuil fix
[106]. Mais, en pratique, cause de la complexit des systmes et de linfluence des
diffrentes variables et stress [28, 73] sur les modes de fonctionnement des systmes,
il est difficile, dans la majorit des cas, de rduire les modes de dfaillance un
unique processus de dgradation. Nanmoins, des informations partielles sur ltat
du systme peuvent tre obtenues par la surveillance de covariables facilement observables, telles que les vibrations, la temprature, le taux dhumidit, etc. Il est
noter que trs peu de travaux dvelopps dans le cadre de loptimisation de la
maintenance [104] cherchent intgrer cette information dans le processus de dcision. Il est facile dimaginer les effets dacclration de la dgradation dun systme
soumis, par exemple, des vibrations pour lesquelles il na pas t spcialement
conu. Par ailleurs, de nombreuses approches dveloppes essentiellement dans un
cadre fiabiliste, permettent de modliser les effets de ces covariables denvironnement
pour prdire les performances de fonctionnement de tels systmes. On peut retenir
comme modles [97] ceux hasard proportionnel [5, 65, 96, 112] et les modles
risques concurrents [44] par exemple.
Le mmoire est organis en trois parties.
La premire partie permet dune part de dfinir le cadre et les hypothses de
notre tude, dautre part de prsenter les modles de dfaillance existants ainsi que
les politiques de maintenance dj dveloppes pour mettre en vidence les objectifs
des travaux de recherche raliser.
Les notions lmentaires en maintenance des systmes industriels prsentes dans
le premier chapitre ont pour objectif de recentrer le contexte de notre tude ainsi
que den souligner la pertinence.
Le second chapitre est consacr ltude bibliographique des principales approches rencontres pour la rationalisation des dcisions de maintenance. Cette
rationalisation doit reposer sur la connaissance du comportement du systme acquise tout au long de son exploitation et sur la connaissance de lenvironnement
dans lequel il volue. Nous prsentons les diffrents problmes lis la modlisation de la dfaillance du systme en fonction de son comportement et la prise en
compte du stress li lenvironnement. Le comportement et le stress sont gnralement modliss au travers de caractristiques de dfaillance et peuvent tre traduits
stochastiquement en fonction de la dure de fonctionnement et/ou dune variable
stochastique reprsentant un niveau cumul de dgradation. On propose ensuite de
classer les diffrents modles de maintenance rencontrs en fonction de la modlisation du comportement du systme considr. Une analyse de ces diffrents modles
permet de mettre en vidence les proprits et les limites des politiques rencontres.
Le troisime chapitre nous permet de dfinir les limites du cadre de notre tude
et les objectifs que nous cherchons atteindre. On choisit dtudier un systme
Introduction gnrale
dgradation graduelle voluant dans un environnement stressant. On sintresse la

modlisation de la dfaillance dun tel systme et la construction et lvaluation
de politiques de maintenance qui, partir de la connaissance sur ltat du systme,
son niveau de dgradation et le niveau de lenvironnement stressant, peuvent fournir
une aide la dcision. Lobjectif considr consiste optimiser un cot global de
maintenance.
La seconde partie du mmoire est consacre ltude dune politique de maintenance pour un systme se dgradant voluant dans un environnement stressant.
Dans le chapitre 4, le modle de dfaillance est dcrit. Nous proposons un modle de dfaillance pour un systme voluant dans un environnement stressant
deux modes de dfaillances : un niveau excessif de dgradation et des dfaillances
de type chocs lies lenvironnement stressant. La dgradation peut tre assimile
un processus de vieillissement croissant au cours du temps. Lenvironnement peut
entraner directement larrt brutal du systme. Par ailleurs, une dfaillance peut
conduire un changement dans les conditions environnementales. Nous proposons
une approche risques concurrents. Outre lavantage de la prise en compte de dfaillances multiples, la combinaison ici propose peut tre vue comme ltude dun
unique mode de dfaillance pour lequel la connaissance ou linformation nest pas
totalement caractrise ou disponible.
Reposant sur le modle de dfaillance dfini, dans le chapitre 5, nous cherchons
dvelopper une politique de maintenance permettant de minimiser le cot moyen
de maintenance long terme pour ce systme. Une dfaillance du systme peut
conduire des changements dans les conditions environnementales dexploitation,
en particulier pour les covariables facilement observables (par exemple temprature,
amplitude des vibrations, etc.). Ainsi, lobservation de ces covariables peut fournir des informations partielles sur ltat du systme. Nous proposons une politique
de maintenance qui combine maintenance conditionnelle et matrise statistique des
procds pour prendre lavantage de toute linformation disponible. La matrise statistique des procds (MSP) est alors utilise pour dtecter une dfaillance ventuelle
grce la surveillance des covariables et lapproche conditionnelle permet, au vu du
diagnostic de ltat du systme, de prvenir la dfaillance. Les deux axes de recherche prsents ci-dessus, modlisation de la maintenance et matrise statistique
des procds (MSP) sont rarement considrs de manire conjointe. Cassady et al.
[14] 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).
Dans le chapitre 6, on sattache tudier les performances de la politique en
tenant compte deffets lis lindisponibilit du systme cause par la panne. On
cherche particulirement expliquer le comportement des paramtres de dcision
lorsque les caractristiques du systme ou les cots de maintenance varient.
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
Cadre de ltude : Introduction la

maintenance
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
Chapitre 1. Modlisation de la maintenance
t largement dveloppe depuis les annes 60.

Ce chapitre a plus particulirement pour objectif de prsenter quelques notions gnrales de maintenance et de montrer lintrt de la dmarche de modlisation pour
lvaluation et loptimisation de la maintenance. Ceci permettra alors de prciser le
contexte de notre travail notamment sur les aspects modlisation du mcanisme de
dfaillance et la dfinition et loptimisation de structures dcisionnelles en maintenance.
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-
Partie I. Cadre de ltude : Introduction la maintenance
chira de certaines hypothses. En effet, on ne prendra pas en compte le management

des comptences, la disponibilit des ressources lies lactivit de maintenance, les
aspects techniques ni la mutualisation des ressources.
1.2.2
Les types de maintenance
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
Fig. 1.1. Les diffrentes stratgies de maintenance
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
maintenance prvisionnelle : lorsque la maintenance prventive est effectue

sur la base de lestimation du temps de fonctionnement correct qui subsiste
avant lobservation de lvnement redout, on parle de maintenance prvisionnelle. Une maintenance prvisionnelle peut prendre en compte un ge du
matriel qui nest pas forcment calendaire mais par exemple le temps de fonctionnement mesur depuis la dernire inspection.
Dans le milieu industriel, en gnral, une maintenance mixte est applique aux
systmes. En effet, la maintenance prventive est destine rduire la probabilit de
dfaillance mais il subsiste une part de maintenance corrective incompressible. Il est
donc ncessaire de considrer des stratgies qui combinent les deux : maintenance
corrective et maintenance prventive.
1.2.3
Les approches industrielles
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
Modlisation et valuation de la maintenance

Modles de maintenance
Lorsquon doit faire un choix vis--vis dune politique de maintenance, lefficacit

des dcisions qui sont prises va dpendre de la qualit du modle qui reprsente le
systme. La modlisation du systme permet en effet davoir accs au comportement
a priori du systme en termes de probabilit doccurrence : probabilit de tomber
en panne chaque instant, probabilit dtre dans un tat de dgradation donn en
fonction du temps, etc.. Cette reprsentation est indispensable pour pouvoir valuer
les cots de maintenance sur une priode donne et prvoir les interventions. Mais
elle peut tre complte par des informations de donnes en ligne ou ponctuellement
sur ltat rel du systme. Cest le cas par exemple lorsquun dispositif de surveillance
signale la panne totale du systme ds son occurrence, lorsquil indique en continu
le niveau de dgradation du systme ou lorsquil rend compte ponctuellement de
ltat courant dun systme aprs inspection. On oppose donc ltat courant
donn par la surveillance, ltat probable donn par le modle. Les informations
sur ltat courant permettent dlargir considrablement lensemble des actions de
maintenance possibles : on peut envisager dintervenir un moment prcis. Les
actions de maintenance qui sappuient la fois sur la modlisation du systme et les
informations donnes par le dispositif de surveillance seront dites conditionnelles.
Le terme conditionnel indique ici que lon agit en fonction de la condition, de
ltat du systme (panne, dpassement dun seuil de dgradation). Les actions de
maintenance qui se fondent uniquement sur le modle de dure de vie du systme
seront dites systmatiques : elles consistent prvoir des chances fixes sur le
systme indpendamment de ltat dusure, de marche ou de panne.
Les diffrentes tapes pour llaboration dun modle sont les suivantes. Tout
dabord, lespace dtats, qui correspond lensemble des mesures qui permettent
de rendre compte de ltat de fonctionnement du systme chaque instant, doit tre
dfini. Lensemble de tous les tats possibles peut tre un ensemble de valeurs (discrtes ou continues). Les tats menant la dfaillance du systme sont gnralement
modliss de lune des manire suivante [81] :
soit comme une bote blanche qui correspond un modle conceptuel dont
lide est de dcrire un niveau de rduction donn le comportement du systme. Lensemble des relations correspondent alors des phnomnes connus
et identifis, dont la signification est pertinente dans la problmatique pose.
Toutefois, une relation entre variables dtat inclut souvent des phnomnes
qui se produisent des niveaux infrieurs au niveau de rduction retenu.
soit comme une bote noire qui est loppos du modle conceptuel (bote
blanche). La bote noire est un modle empirique o on ne cherche pas
14
comprendre pourquoi le systme fonctionne comme on lobserve mais dcrire

les relations entre variables de sortie et variables dentre, gnralement
partir dune analyse statistique des entres et des sorties. Ce modle correspond
une approche statistique (modle de dure de vie) ;
soit comme une bote grise qui est un bon intermdiaire entre la bote blanche et la bote noire. La bote grise correspond une approche stochastique : la dgradation du systme peut tre modlise par un processus stochastique bas sur des quantits mesurables corrles au niveau de dgradation.
Lorsque la transparence du modle dans le cas de la bote blanche devient
moins nette cause des relations masques par des processus non dcrits, on
parle alors de bote grise. Dans la bote noire qui est un modle dterministe, on cherche associer une sortie une entre, et lon affecte cette sortie
une probabilit doccurrence. Alors que dans la bote grise qui est un modle
stochastique, on associe, pour une entre donne une distribution de probabilit des sorties. Ce type de modle est trs utile en mode prdictif o lon
peut valuer lvolution du systme en fonction dun comportement alatoire
des variables.
Ensuite, il faut dterminer les diffrentes actions de maintenance disponibles - qui
peuvent tre de deux types : de type surveillance (inspections) ou curative (remplacements, rparations) - et la qualit de ces actions :
inspections parfaites ou non ;
remplacements et rparations permettant de remettre le systme dans un tat
aussi bon que neuf (AGAN : As Good As New) ou non et, dans ce cas, il faut
arriver dterminer lefficacit des actions de maintenance.
Ltape suivante consiste dfinir la classe des rgles de dcision tudier (markovienne ou dpendante de lhistoire, dterministe ou stochastique). On sintressera
au cas o la politique de maintenance peut tre dcrite au travers dune structure, il
faudra alors chercher les paramtres de dcision (des seuils, la priode dinspection,
par exemple) correspondants. Dans ce cas, loptimisation de la rgle de dcision se
ramne un problme doptimisation de paramtres.
1.3.2
Optimisation de la maintenance
Loptimisation de la maintenance consiste trouver la balance optimale entre

maintenance prventive et corrective tout en respectant les objectifs fixs. Il faut
alors dterminer les instants de maintenance et les actions effectuer de manire
optimiser un critre de dcision fix. Ce critre de dcision peut aussi bien reposer
sur le cot, par exemple un cot moyen de maintenance long terme ou le cot
dopration par unit de temps, que sur la disponibilit du systme ou encore la
scurit [15, 56].
La figure 1.2 est une illustration des effets de la frquence des oprations de
maintenance sur les cots lis soit la maintenance corrective, soit la maintenance prventive. Laugmentation du nombre dinterventions sur le systme permet
de rduire les effets indsirables engendrs par une panne mais pnalise le fonction-
15
nement du systme et peut entraner une augmentation du cot global dexploitation

du systme dans le mesure o chaque opration de maintenance engendre un cot.
cots
cot
total
cot
prventif
Trop de correctif
Zone optimale
Trop de prventif
cot
correctif
Frquence des
interventions
Fig. 1.2. La ncessit de contrler lquilibre entre maintenance prventive et

maintenance corrective
De plus, dune manire gnrale, les performances dun systme sont fortement
lies la dure dexploitation qui peut tre considre sur un horizon de temps
fini ou infini (dans ce cas on tudie le critre moyen long terme). Linconvnient
majeur de lhypothse dhorizon fini est le manque de robustesse de cette approche
vis--vis de la longueur de lintervalle de temps considr [87]. Par ailleurs, il est
noter que la modlisation asymptotique sloigne du problme industriel du fait
de lhypothse dune exploitation sur un intervalle de temps infini. De plus, cette
approche ne permet pas de tenir compte de phnomnes ponctuels, de possibilit
de changement de stratgie au cours de lexploitation du systme qui peut tre
d, par exemple, un changement dune proprit du systme, etc. Cependant
la modlisation asymptotique permet dlaborer des rgles de dcision stables qui
peuvent mettre en vidence des structures de maintenance faciles implanter. Les
paramtres de dcision associs sont dtermins pour optimiser un critre moyen de
performance long terme. Cest cette approche asymptotique que nous utiliserons
dans toute la thse.
1.4
Conclusion et problmes poss
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
Chapitre 2. Modlisation mathmatique de la maintenance : analyse bibliographique
2.2
Classification de la dfaillance
De nombreuses classifications des dfaillances existent [88]. Nous proposons ici

de reprendre les classifications prsentes dans [88]. Ces classifications portent sur
les causes des dfaillances, leurs impacts sur les performances du systme.
2.2.1
Classification de la dfaillance par cause
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
Fig. 2.1. Classification de la dfaillance en fonction de sa cause

On sintresse, dans ce manuscrit, uniquement aux dfaillances alatoires.
2.2.2
19
Classification des dfaillances par impact sur les performances du systme
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
Modlisation dun mcanisme de dfaillance
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
Fig. 2.2. Classification de la dfaillance en fonction du niveau dinformation
2.3.1
Dfaillance soudaine : modles de dure de vie
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
mariage). Ils se sont rvls dusage courant aujourdhui en conomie (analyse du

march du travail, dures de vie des entreprises), en finance (dfaillance de crdit),
en fiabilit (dure de vie de composants industriels), etc.
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)
Cette grandeur est caractristique du mode de vieillissement dun composant. On

peut montrer en effet, que lorsque le taux de dfaillance reste constant au cours du
temps, le composant ne vieillit pas. En revanche, quand le taux de dfaillance augmente avec le temps, le composant vieillit, cest--dire que la probabilit conditionnelle de dfaillance augmente avec le temps. On parle dun systme IFR (Increasing
Failure Rate) et il est particulirement intressant de mettre en place une stratgie
de maintenance sur un tel systme. Enfin, quand le taux de dfaillance dcrot, le
composant rajeunit (ou du moins ne vieillit pas), cest--dire que sa probabilit
conditionnelle de dfaillance sur une dure fixe diminue avec le temps (cela correspond en gnral une priode de rodage), on parle dun systme DFR (Decreasing
Failure Rate).
Considrons lexpression de la fiabilit R(t) en fonction du taux de dfaillance (t).
On peut montrer que lon a lgalit suivante quelle que soit la loi de dure de vie
[8, 22] :
Z t

R(t) = exp
(s)ds
0
(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)
Lhypothse markovienne permet souvent de simplifier les calculs et de

trouver des modles analytiques complets pour les calculs de fiabilit, de
disponibilit et de cot de maintenance [22].
2. les modles non markoviens
Ces modles regroupent lensemble des lois de dure de vie "avec mmoire". Dans ce cas, le temps de survie des composants dpend du temps
de fonctionnement et il y a donc vieillissement ou rajeunissement. Barlow
et Proschan [8] rsument les lois communment utilises pour modliser
une dure de vie avec vieillissement : loi de Weibull, loi Gamma, etc. La
loi la plus souvent rencontre pour transcrire le vieillissement dun systme non rparable est le modle de Weibull qui est caractris par son
23
paramtre de forme et son paramtre dchelle . Le taux de dfaillance

dune loi de Weibull W (, ) est :
1
t
(t) =
pour tout t > 0
(2.4)

La monotonie du taux de dfaillance est uniquement dpendante de la
valeur du paramtre de forme :
si < 1 : le taux de dfaillance est strictement dcroissant, le systme
rajeunit au cours du temps, son niveau de fonctionnement samliore
(rodage dun moteur, chauffage dun lubrifiant, etc.), on parle dun
systme DFR (Decreasing Failure Rate) et il nest pas intressant de
mettre en place une politique de maintenance ;
si = 1 : le taux de dfaillance reste constant, on retrouve le modle
exponentiel ci-dessus ;
si > 1 : le taux de dfaillance est strictement croissant, le systme
se dgrade au cours de son fonctionnement, on parle dun systme IFR
(Increasing Failure Rate) et il est particulirement intressant de mettre
en place une stratgie de maintenance sur un tel systme.
On retrouve la forme particulire de la courbe en baignoire caractristique
des trois grandes priodes de la vie dun systme.
Lapproche non-paramtrique ne ncessite aucune hypothse quant la loi de
probabilit relle des observations, et cest l son principal avantage. Il sagit
ds lors dun problme destimation fonctionnelle, avec les ambigits que cela
implique, par exemple, la fonction de survie, qui est continue, peut tre estime par une fonction discontinue. Linconvnient dune telle approche est, dans
certains cas, la ncessit de disposer dun nombre important dobservations,
le problme de lestimation dun paramtre fonctionnel tant dlicat puisquil
appartient un espace de dimension infinie.
Lapproche semi-paramtrique peut tre vue comme un compromis entre les
deux approches prcdentes. La loi de probabilit relle des observations est
suppose appartenir une classe de lois pour partie dpendant de paramtres,
et pour partie scrivant sous forme de fonction(s) non-paramtrique(s). Cette
approche est apparue au cours des annes soixante-dix, elle est trs rpandue
en analyse de la survie semi-paramtrique souvent li la prsence de variables
explicatives, notamment au travers du modle de rgression de Cox (1972) [24].
2.3.2
Dfaillance graduelle : modles de dgradation
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
chimique par exemple, et on considre que la dfaillance se produit lorsque le niveau

de dgradation atteint un certain seuil. Les modles de dgradation sont dfinis de
la manire suivante.
On appelle modles de dgradation les modles dont lespace des tats dans lesquels
peut se retrouver un composant nest pas rduit aux tats de marche et de panne.
On distingue en gnral des tats de dgradation intermdiaires qui permettent de
transiter successivement entre ltat neuf ou le moins dgrad et ltat de panne. Il
faut alors trouver les lois de dgradation qui vont donner les dates de ralisation de
ces diffrents tats intermdiaires et le temps pass dans chaque tat. On distingue
deux grandes classes de dgradation [15] : les modles dgradation discrte et les
modles dgradation continue.
Les modles dgradation discrte
Les modles dgradation discrte permettent de modliser des dgradations de
type chocs. On peut alors considrer que le systme passe dun tat de dgradation
un autre par un incrment de type sauts. Entre deux seuils, ltat du composant reste
le mme et les incrments de dgradation sajoutent jusqu la dfaillance totale du
systme (cf. figure 2.4). Les processus markoviens ou semi-markoviens peuvent tre
utiliss pour modliser la fois linstant du choc et ltat dans lequel se retrouve le
composant [15, 45].
Par ailleurs, la loi de dgradation peut ne pas tre disponible ou bien peut engendrer
certaines difficults au niveau de la formalisation mathmatique du problme de
maintenance. Ainsi, il peut tre intressant didentifier un certain nombre dtats
transitoires de dgradation que lon peut classer par ordre croissant du systme neuf
jusqu la dfaillance [75, 113]. Ces niveaux de dgradation peuvent tre de nature
discrte et dnombrables. On cherche dterminer la matrice P de transition dun
tat i vers un tat j avec un taux de transition constant dans le cas markovien ou en
fonction du temps dans un cadre non markovien. La caractrisation de cette matrice
de transition peut savrer dlicate et ncessite un grand nombre de donnes pour
avoir une bonne estimation.
Les modles dgradation continue
En ce qui concerne la dgradation continue, il est ncessaire de connatre la loi des
incrments de dgradation entre deux instants conscutifs et pouvoir ainsi prdire
le niveau de dgradation toute date [84] (cf. figure 2.5).
Dans le cas o le modle daccumulation est markovien, on se retrouve alors dans
une situation similaire au modle markovien pour les dures de vie. La dgradation
un instant de dcision donn ne dpend que du niveau de dgradation linstant de
dcision prcdent et de lintervalle de temps entre deux instants. Cette hypothse
est particulirement bien justifie si la seule information disponible sur ltat du
systme est laccroissement de la dgradation du systme entre deux instants [15].
On dfinit le taux de dgradation par la quantit cumule instantane, cest--dire
25
par unit de temps.
Etat du systme
Dfaillance
Fonctionnement
Panne
Temps
0
Choc 1
Choc 2
Choc 3 Choc 4
Fig. 2.4. Schmatisation dun modle dgradation discrte

De manire similaire au taux de dfaillance dfini par les caractristiques fiabilistes du systme, on dfinit un taux de dfaillance conditionnel ltat courant
pour des systmes dgradation graduelle :
P(X(t + t) L|X(t) = x)
t0
t
x (t) = lim
(2.5)
o le niveau courant de dgradation x est strictement infrieur au seuil de dfaillance

L et X(t) reprsente la dgradation sur un intervalle de temps de longueur t.
Les proprits dindpendance et de stationnarit des incrments conduisent retenir la classe des processus de Lvy [4] pour la modlisation de la dgradation dun
systme. La classe des processus de Lvy englobe en particulier des processus largement tudis dans la littrature [89].
Lorsque lon souhaite modliser une dgradation continue, il faut avoir recours
un processus de Wiener. La modlisation de la dgradation par un processus de
Wiener prsente le problme majeur de lexistence de trajectoires de dgradation
non monotones. Cette proprit peut tre tolre dans certaines conditions et des
travaux ont t dvelopps partir de ce type de modlisation, [2, 109]. Si on souhaite privilgier la monotonie, il faut utiliser un modle de dgradation construit
sur un processus de sauts, au risque de perdre la proprit de continuit. Thoriquement, il est en effet impossible dutiliser les processus de Lvy pour avoir un modle
de dgradation la fois continu et croissant. La solution consiste se placer dans
le cas limite dun processus de sauts prsentant un nombre infini de sauts sur un
intervalle de temps fini. Pour ce faire, la loi de probabilit des incrments doit tre
support positif et infiniment divisible, [46] : la famille des lois Gamma vrifie ces
conditions et on construit ainsi les processus Gamma, [23].
26
Dans le cas o le modle de dgradation est non markovien, peu dtudes de

maintenance pour des systmes dgradation continue proposent une approche
pour laquelle la loi de dgradation dans un intervalle de temps donn est fonction
du niveau courant de dgradation du systme. Bien que cette modlisation semble
tre plus proche du vritable phnomne de vieillissement du systme, elle est trs
difficilement applicable dans la pratique car, dune part, le formalisme mathmatique
associ une telle approche est dune complexit ne permettant pas forcment la
rsolution du problme et, dautre part, le choix et lestimation des paramtres de
la loi de dgradation ncessitent une bonne connaissance a priori de lvolution du
systme. Toutefois, Wang et Christer [108] dveloppent un modle de dgradation
ractualis chaque inspection. Ce modle est bas sur lapproche temps dlai
introduite par Christer et Wang [21] : la loi de survie rsiduelle conditionnelle (temps
coul entre un quelconque instant et la dfaillance du systme sil nest soumis
aucune maintenance) est rajuste chaque inspection par filtrage rcursif suivant
ltat courant du systme et lhistoire du processus maintenu. Une telle approche
conduit une expression analytique trs complexe du cot de maintenance ce qui
pourrait justifier lutilisation de mthodes de simulation de type Monte-Carlo.
Dfaillance
X(t)
Fonctionnement
Panne
Fig. 2.5. Schmatisation dun modle dgradation continue
2.4
Modles dinfluence des stress
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
Les modles rsistance-contrainte (stress-strength)
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
Les modles de chocs
Une alternative aux modles de rsistance-contrainte sont les modles de chocs.

On peut sparer les modles de chocs en deux grandes familles que lon nommera
modles de chocs et modles de chocs endommagements cumulatifs. Ces modles
supposent des stress ponctuels.
Dans le cas du modle de chocs, une dfaillance intervient ds lors que le stress
dpasse un certain seuil fix (tant que le stress reste en dessous de ce seuil, aucune
dfaillance ne se produit). A titre dexemple, nous pouvons prendre latterrissage des
avions [77], latterrissage impose une force gravitationnelle sur les communications
radio et les variations des conditions mtorologiques et laptitude des pilotes impliquent des variations de charges connues. Quand une charge suffisamment grande
se produit, la radio est endommage et tombe en panne. La dure de vie de la
radio peut alors tre mesure en fonction du nombre datterrissages et si est la
probabilit de dfaillance chaque atterrissage, la distribution de la dure de vie
28
est gomtrique et la probabilit cumulative de dfaillance durant ou avant le k me

atterrissage est donne par :
Fk (k) =
k
X
(1 )(n1) = 1 (1 )k
(2.6)
n=1
Dans le cas du modle de chocs endommagements cumulatifs, une dfaillance se

produit lorsque les dommages cumuls, dpassent la rsistance du systme :
!
k
X
pk = P
Zj u
(2.7)
j=1
o pk correspond la probabilit que le systme soit toujours en fonctionnement

aprs la survenue de k chocs, Zj est lamplitude du j ime choc et u est la rsistance
du composant, suppose constante. Une hypothse frquente est de considrer que
les stress surviennent selon un processus de Poisson homogne ou non [115]. Le
modle de chocs endommagements cumulatifs se rvle trs utile et a t appliqu
dans beaucoup de problmes, entre autres en aronautique, pour la modlisation des
dfaillances lies la fatigue du fuselage [77].
2.4.3
Les modles risques concurrents
Les modles risques concurrents permettent de modliser la dfaillance dun

systme soumis plusieurs risques en mme temps. Les risques pouvant tre associs
des stress. La notion de risques concurrents prend ses origines dans un contexte
biomdical pour dterminer la cause dun dcs ou dune maladie alors que plusieurs paramtres (stress) participent lvolution de ltat de sant. Ce problme
est assez complexe car les causes noprent pas isolment les unes des autres, il
nest pas rare que lune des causes augmente leffet des autres. Une faon simple
de conceptualiser un modle risques concurrents est le scnario dun systme
deux composants en srie, le premier composant qui tombe en panne entrane la
dfaillance du systme et est identifi comme tant sa cause. Par exemple, dans le
cas dune voiture, lorigine dune dfaillance peut tre un dfaut mcanique ou lectrique [97]. Si lon considre un systme sujet K causes de dfaillance avec tk pour
instant doccurrence de chaque cause, la dure de vie dun tel systme est alors la
suivante :
T = min(tk )
k
(2.8)
Les modles risques concurrents permettent de prendre en compte plusieurs modes

de dfaillance. Par contre, une hypothse classique des approches risques concurrents est de considrer que les risques sont indpendants. Cette hypothse est justifie
lorsque les risques correspondent des modes de dfaillance qui ninteragissent pas.
Cependant, dans certains cas les risques peuvent tre dpendants mutuellement.
2.4.4
29
Les modles risques multiplicatifs
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)
o z est le vecteur de covariables , = (1 , ..., p ) le vecteur des coefficients de

rgression et c une fonction positive.
Dans la plupart des cas, on fixe la fonction c. Cependant elle peut tre estime
de manire non-paramtrique. De mme, en gnral et 0 sont inconnus, cest
pour cela que lon considre souvent les modles hasard proportionnel comme des
modles semi-paramtriques.
Un cas particulier des modles hasard proportionnel est "le modle de Cox"
30
propos par Cox en 1972 [24] qui spcifie pour c la fonction exponentielle :
(t|z) = 0 (t)e
Tz
(2.12)
La fiabilit est alors donne par :

Z t

R(t|z) = exp
(u|z)du
0

Z t
T z
0 (u)e du
= exp
0
exp ( T z)
Z t
0 (u)du
= exp
0
= R(t|z = 0)exp(
T z)
(2.13)
Le modle de rgression de Cox dfinit une famille de lois conditionnelles dinstant

doccurrence dvnements sachant un ensemble de covariables. Un avantage du
modle de Cox est quil produit toujours une mesure quantitative dimportance pour
chaque facteur dinfluence [79]. Par contre, le modle original de Cox a t formul
pour prendre en compte uniquement des covariables fixes. Il peut cependant tre
adapt pour des covariables dpendant du temps [43, 60, 63, 64] et, dans ce cas, la
fonction de risque scrit :
(t|z) = 0 (t)eg(z(s),0st;) .
(2.14)
Un rsum des applications faites du modle de Cox a t ralis par Ansell et

Phillips [1]. Ce modle a dabord t utilis en mdecine pour prvoir la dure de
vie et depuis la fin des annes 80, suite aux bons rsultats quil a pu donner en
mdecine, des recherches ont commenc tre faites pour appliquer ce modle en
fiabilit. Par exemple, Elsayed et Chan [44] utilisent le modle de Cox pour estimer
le taux de dfaillance dune fine couche doxyde dans un dispositif semi-conducteur.
2.4.5
Les modles de vie acclre
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
Soit r[y(t)] le facteur dchelle ou dacclration linstant t. Sous le stress y(.) la

fiabilit est donc :
Z t

Ry(.) (t) = Ry0
r[y(u)]du
(2.15)
0
T z(u)
Si r[y(u)] = e
; o z(t) = (z0 (t), . . . , zm (t)) est le vecteur des primitives de y.

Z t

T z(u)
Ry(.) (t) = Ry0
e
du
(2.16)
0
Dans le cas o y(t) y = const le modle implique z(u) = z et r[y(u)] = e
Tz
T
Ry(.) (t) = Ry0 e z t
(2.17)
Ry(.) (t) = Ry0 (r(y)t)
(2.18)
Donc le stress ne change que lchelle.

Dans la littrature [73, 74, 78], on trouve une grande varit de modles dacclration, dfinis pour chaque type de composants et matriaux. Nous prsentons
quelques modles dacclration les plus utiliss pour des stress profil constants.
1. le modle log linaire
Ce modle est principalement utilis pour reprsenter la fatigue des composants lectroniques.
r(y) = e0 1 y
(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)
3. le modle de la rgle puissance ("power rule model")

Ce modle est utilis lorsque le systme est sensible au voltage et la charge
mcanique.
r(y) = 1 e1
(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
Intgration du stress dans les modles de dgradation
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
Bagdonavicius et Nikulin [5] supposent que le processus de dgradation dun

systme sujet au vieillissement peut tre modlis par un processus stochastique
X(t)t>0 . Ils placent X dans la famille des processus Gamma ( trajectoires continues droite) ce qui assure lindpendance des accroissements, la croissance des
trajectoires et le fait que en posant :

E(X(t))
2
X(t) = (t) avec (t) e
(2.23)
,1
2
laccroissement de t en t+t pour t > 0 reste dans la mme famille de distribution.
Ils modlisent linfluence des covariables dpendant du temps sur le processus de
dgradation de la faon suivante. Soit X~y(.) (t) le niveau de dgradation atteint par
le systme t sous les covariables ~y (.). Ils proposent un modle daccumulation
additive de dgradation et obtiennent :
Z t

2
T ~
y (s)
(2.24)
X~y(.) (t) =
e
ds
0
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
Approches classiques (distribution de

probabilit - modles de dure de vie)
(section 2.3.1)
Modles de hasard cumul (proportionnel) (section 2.4.4)
Dgradation
Dfaillance
Modles de dgradation cumule

(chanes de Markov, processus stochastique, . . . ) (section 2.3.2)
Stress
Variables de
dgradation
Variables
d'environnement
Dgradation
Dfaillance
Stress
Modles rsistance-contrainte (section 2.4.1)

Modles de chocs (section 2.4.2)
Modles risques concurrents (section 2.4.3)
Modles hasard proportionnel (section 2.4.4)
Modles multiplicatifs (section 2.4.5)
Modles de dure de vie acclre
(section 2.4.6)
Variables de
dgradation
Variables
d'environnement
Dgradation
Dfaillance
Modles de dgradation cumule prenant en compte les covariables (section 2.4.7)
Stress
Tableau 2.1. Tableau rsumant les diffrents modes de dfaillance et les mthodes
permettant de les modliser
2.6
Modles de maintenance
Ce thme de recherche a fait lobjet de nombreux travaux et a donn lieu la

publication rgulire darticles de synthse largement rfrencs [72, 86, 101] et plus
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
Stratgies de maintenance pour des modles de dure

de vie
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
remplacement, le temps pouvant tre dfini en unit dusage.

Afin de limiter le nombre de dfaillances du systme, il peut tre intressant de prvoir un remplacement du systme avant que celui-ci ne soit dfaillant. Une stratgie
naturelle est de remplacer le systme toutes les T units de temps dusage o T offre
le meilleur compromis entre remplacements prventifs et correctifs. La gestion de
ce compromis est gnralement lie des composantes conomiques. Loptimisation
des politiques bases sur lge repose gnralement sur la dtermination de ce paramtre de dcision T pour minimiser un cot moyen de maintenance long terme par
unit de temps dusage [8, 11, 88]. Lapproche classique est de considrer un cot
unitaire de remplacement c et un cot additionnel k de pnalit en cas de dfaillance
(ce cot intgrant lensemble des cots directs et indirects lis lindisponibilit du
systme). On peut alors facilement valuer le cot moyen long terme par unit de
temps :
C(t)
(2.26)
C = lim
t
t
avec
C(t) = (c + k)E[N1 (t)] + cE[N2 (t)]
(2.27)
avec N1 (t) le nombre de remplacements correctifs sur [0, t] et N2 (t) le nombre de

remplacements prventifs sur [0, t]. On obtient alors :
(c + k)E[N1 (t)] + cE[N2 (t)]
t
t
C (T ) = lim
(2.28)
(2.29)
Lhypothse classique de remplacement total par un systme identique et une rgle

de dcision indpendante du temps donnent des proprits de stationnarit et de
rgnration lvolution du systme soumis la maintenance [22]. Il est possible de
restreindre ltude des performances de la politique de maintenance sur un horizon
de temps fini, cest--dire sur un cycle de rgnration dlimit par deux dates
successives de remplacement.
C(t)
(2.30)
C (T ) = lim
t
t
c + k.(1 R(t))
= lim
(2.31)
Rt
t
R(s)ds
0
c+k
=
(2.32)
MTTF
Lefficacit de la politique de remplacement base sur lge peut tre mesure par le
quotient C(t)/C :
C(t)
c + k.F (t) M T T F
= Rt
C (T )
(1 F (u))du c + k
0
(2.33)
(2.34)
Une faible valeur de ce quotient correspond une politique de maintenance trs

efficace en termes de cot.
37
Les inconvnients de la politique de remplacement base sur lge sont, tout

dabord, la ncessit de surveiller lge du systme, ce qui est parfois difficile en
pratique sur des systmes complexes (problme de recueil, de traitement et de stockage des informations). De plus, les actions de maintenance sont disperses dans
le temps et il est impossible dtablir un calendrier de ralisation long terme (une
dfaillance dcale toutes les actions suivantes). Enfin, lhypothse de remplacement
neuf nest parfois pas raliste. Cependant, Barlow et Proschan [8] montrent que,
pour des horizons dtude infinis, cette politique de remplacement strictement priodique est la meilleure de la classe des politiques priodiques alatoires, cest--dire
parmi les politiques considrant un intervalle de remplacement comme une variable
alatoire.
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
Stratgies de maintenance pour des systmes se dgradant
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 :
on ne prvoit aucun remplacement ;

si i < h ,
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.
Modles de maintenance pour des systmes dgradation continue stationnaire

Des exemples de modles doptimisation de maintenance pour des systmes sujets une dgradation stochastique continue stationnaire mesurable sont donns par
Park [84, 85]. Il propose des approches dinspections priodiques pour connatre le
niveau de dgradation du systme. Les incrments de dgradation sont indpendants
et suivent un processus stationnaire. Le systme est remplac lorsquune dfaillance
survient ou lorsquune inspection rvle le fait que le niveau de dgradation est
suprieur un seuil de remplacement prventif fix ; cette approche correspond
une stratgie de type limite de contrle. Les actions de maintenance sont supposes
parfaites dans le sens o elles rvlent le niveau rel de dgradation du systme.
Lobjectif de ces travaux est de trouver le seuil de remplacement prventif et la frquence des inspections qui minimisent le cot moyen de maintenance long terme
par unit de temps. Park propose un algorithme doptimisation de son critre :
lorsque linspection est priodique, on recherche la valeur optimale du seuil de remplacement prventif en fonction des valeurs de la priode des inspections. Lvolution
du systme maintenu est un processus de renouvellement simple. Lutilisation des
proprits rgnratrices dun tel processus permet de rduire ltude asymptotique
du systme un simple cycle de rgnration dfini par deux dates successives de
41
remplacement. Le cot moyen sur un cycle de rgnration S est donn par :

E(C(S)) = cr + ci
i.P(remplacement prventif i)
i=1
[(i 1)ci + cu ] P(dfaillance entre deux inspections (i 1)et i)
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
Modles de maintenance incluant le stress
Modles de maintenance pour des systmes dgradation continue non

stationnaire soumis un stress
Lhypothse dune dgradation markovienne ou stationnaire ne permet pas toujours de modliser fidlement lvolution de ltat du systme soumis un environnement variable. Ainsi, le processus de dgradation devient non stationnaire et il est
ncessaire dadopter des modles de dgradation non markoviens : les paramtres du
processus stochastique de dgradation peuvent, par exemple, tre pris dpendants
du temps ou dautres processus stochastiques modlisant lenvironnement du systme.
Dans ce contexte, Foularidad et al. [47] et Saassouh et al. [90, 91] supposent que
le processus de dgradation volue selon deux modes en fonction de lenvironnement
du systme. Tant quil ny a pas eu de changement au niveau de lenvironnement
depuis le dernier remplacement, le systme se dgrade suivant le mode 1 mais
ds quun changement de lenvironnement survient, le systme se dgrade suivant le
mode 2 jusquau prochain remplacement. Aucune information sur lenvironnement
du systme nest disponible. Ils utilisent alors un algorithme de dtection en ligne
pour dterminer les instants de changements de mode. Le niveau de dgradation du
systme peut tre connu continuellement [90, 91] ou lors dinspections [47]. Deux
seuils de remplacements prventifs sont dtermins, un seuil, sup , dfini pour un
systme se dgradant suivant le mode 1 et un seuil, inf , dfini pour un systme
se dgradant suivant le mode 2. Lors dune inspection, les inspections tant priodiques ou effectues suite la dtection dun changement de mode, la rgle de
dcision est la suivante [47] :
si le systme est dfaillant un remplacement correctif est effectu,
si aucun changement de mode na t dtect (donc le systme est cens se
dgrader suivant le mode 1) et si le niveau de dgradation est suprieur
sup , un remplacement prventif est effectu,
si un changement de mode a t dtect et si le niveau de dgradation est
suprieur inf , un remplacement prventif est effectu.
Les seuils de remplacement prventifs sont optimiss de manire minimiser le cot
moyen long terme par unit de temps, en utilisant la thorie de renouvellement ;
ce critre scrit :
ci E(Ni (S)) + cp E(Np (S)) + cc E(Nc (S)) + cu E(du (S))
C =
(2.37)
E(S)
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
la dfaillance ou la dgradation dun systme. Dans un troisime temps, nous avons

prsent diverses stratgies de maintenance en fonction de la modlisation du phnomne de vieillissement et plusieurs structures pour des rgles de dcision suivant
les oprations de maintenance considres.
De manire gnrale, nous avons pu constater que les modles utiliss comme outils daide la dcision pour la maintenance sont bass sur lhypothse peu raliste
que le systme volue dans un environnement statique ou, du moins, volue dans un
environnement qui nimpacte pas sa dgradation ou encore sur lhypothse que la
dfaillance du systme est seulement impacte par le stress. Dans le premier cas, une
approche classique est de modliser la dfaillance dun systme par le biais dun processus croissant dans le temps qui peut tre assimil lvolution de la dgradation
du systme dans le temps [39, 52]. Dans le second cas, la dfaillance est modlise
par le biais dune variable dtat fonction dun environnement alatoire stressant
[50]. Ces deux modes de dfaillance sont rarement considrs simultanment pour
la dfinition et loptimisation dune politique de maintenance. Or, il existe de nombreux cas rels dans lesquels cette hypothse nest pas vrifie : il est frquent que
lenvironnement ait un impact sur le processus de dfaillance ou au moins sur la
vitesse de dgradation du systme. Quelle est alors la validit des modles bass
sur lhypothse denvironnement statique et quelle est lefficacit des politiques de
maintenance qui en dcoulent ? Il existe de nombreuses manires dintgrer le stress
dans le modle de dfaillance. Lorsque lon considre que le stress impacte la dgradation, lhypothse de stationnarit du modle de dgradation doit tre leve et,
par consquence, celle du modle de maintenance galement ce qui conduit des
structures de politique non stationnaires et non markoviennes, encore peu tudies.
Ce problme, riche de nombreuses applications potentielles, reste encore largement
ouvert et offre de nombreuses perspectives de recherche. Il semblerait que lobtention dun modle compltement analytique soit difficilement envisageable et que la
solution passe, en partie au moins, par des techniques de simulation. Lobjectif des
travaux prsents dans ce mmoire est de mettre en vidence limpact des erreurs de
mesures ou de diagnostic sur les dcisions relatives la maintenance et de proposer
des outils qui permettent de les intgrer dans le processus doptimisation.
Chapitre 3
Objectifs des travaux
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
Analyse de ltude bibliographique
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
Chapitre 3. Objectifs des travaux
structure de maintenance conditionnelle de type limite de contrle permettra

loptimisation du critre de performance choisi.
Lorsque le taux de dfaillance du systme est croissant, la mise en place dune
politique de maintenance inspections non priodiques permet damliorer
les performances de la politique de maintenance compare une stratgie
dinspections priodiques.
Le critre de performance le plus frquemment rencontr dans la littrature
est le cot moyen de maintenance long terme par unit de temps.
Nous avons pu constater que les modles utiliss comme outils daide la
dcision pour la maintenance sont essentiellement bass sur lhypothse peu
raliste que le systme volue dans un environnement statique ou du moins
volue dans un environnement qui nimpacte pas sa dgradation, malgr le fait
que dans le domaine de la fiabilit de nombreux modles permettant lintroduction dun environnement stressant aient t dvelopps.
3.2
Limites du cadre de ltude
Nous avons choisi de dvelopper nos travaux de recherche sur la modlisation

et lvaluation de politiques de maintenance pour des systmes dgradation graduelle voluant dans un environnement alatoire stressant. Nous proposons diffrents
modes de dfaillance permettant lintgration du stress et construisons des politiques
de maintenance stationnaires, ne prenant en compte que la connaissance a priori du
stress, et adaptatives, permettant dintgrer linformation disponible en ligne sur le
stress. Dans ce dernier cas, le choix dune opration de maintenance se base non
seulement sur la connaissance de ltat courant du systme mais galement sur la
connaissance de ltat de lenvironnement. Cette approche offre a priori lavantage de
constituer une bonne solution dans loptique doptimiser le ratio maintenance prventive/corrective. On va chercher appuyer les dcisions de maintenance sur des
quantits techniquement observables et faciles analyser (niveau de dgradation,
taux dusure, temprature, amplitude de vibrations ou viscosit dun fluide, . . . )
plutt que sur des quantits abstraites (paramtres des lois de dure de vie, etc.).
On suppose que ltat du systme ; observable, au moins partiellement ou indirectement, par des inspections, peut tre rsum par une variable de dgradation et
une variable de stress (reprsentant lenvironnement). On sintresse principalement
des systmes pour lesquels on dispose dun modle stochastique de dgradation
continue et dun modle stochastique pour lvolution de lenvironnement ou au
moins comme indicateur de lvolution de lenvironnement.
3.3
Objectifs des travaux
Le premier objectif de ces travaux est la construction de modles de dfaillance

permettant la prise en compte non seulement de la dgradation du systme mais
galement de lenvironnement alatoire stressant dans lequel il volue. Le second
objectif porte sur la modlisation et lvaluation de politiques de maintenance afin
47
doptimiser les dcisions de maintenance durant la phase dexploitation du systme

considr. Ces politiques devront tre labores de faon rester la fois suffisamment simples implanter pour tre utilisables dans un contexte oprationnel et suffisamment complexes pour rendre compte de la ralit des pratiques de maintenance.
Dans un premier temps, notre travail portera sur la construction, lvaluation
et la caractrisation dun modle de dfaillance pour un systme dgradation
graduelle voluant dans un environnement stressant. Le modle de dfaillance est
expliqu par deux processus, un processus de dgradation et un processus de stress.
Ces deux processus interagissent entre eux dans le sens o le stress peut tre une
cause directe de dfaillance et, rciproquement, la dfaillance du systme induit des
changements dans lvolution du stress. Nous proposerons et valuerons alors une
politique de maintenance base conjointement sur la surveillance du stress et du
niveau de dgradation. Afin dvaluer la pertinence de la politique de maintenance
propose, nous la comparerons des politiques dj existantes.
Dans un second temps, on cherchera tendre le modle de dfaillance par lintroduction de dpendances mutuelles entre le processus de dgradation et le processus
de stress. On proposera alors un modle de dgradation non stationnaire voluant
en fonction des niveaux de stress. On cherchera alors analyser les performances de
la structure de maintenance propose suivant plusieurs modlisations de leffet du
stress sur la dgradation. Des propositions damlioration de la structure en seront
dgages.
Tout au long de cette tude, nous nous efforcerons, dune part, de construire des
modles analytiques pour lvaluation des politiques proposes lorsque cela est possible et, dautre part, de caractriser et danalyser les comportements des paramtres
de dcision afin de dterminer les modles de maintenance les plus appropris aux
problmatiques souleves.
Deuxime partie
Prise en compte de lenvironnement

alatoire stressant pour
loptimisation de la maintenance
49
Chapitre 4
Construction du modle de
dfaillance
4.1
Objectifs
Lobjectif principal de ce chapitre est la construction et la caractrisation dun

modle de dfaillance pour un systme dgradation graduelle voluant dans un
environnement stressant. La dgradation graduelle peut tre assimile un processus de vieillissement croissant au cours du temps. Ce phnomne est gnralement
soumis de nombreux alas. Une approche classique pour le modliser est lutilisation dun processus stochastique. La dfaillance associe un tel processus est
gnralement associe un niveau limite. De plus, lenvironnement du systme peut
avoir un impact sur son mode de dfaillance. Une dfaillance peut conduire des
changements dans les conditions environnementales. Le but de notre tude est de
prendre en compte linfluence du stress sur le processus de dfaillance du systme et
rciproquement. Dans la premire partie de cette thse, nous avons vu limportance
de disposer dun modle qui rende compte correctement du comportement alatoire
du systme afin de pouvoir optimiser sa politique de maintenance.
Ce chapitre est organis comme suit. Dans la section 4.2, le mcanisme de dfaillance
sera dcrit et sa modlisation sera prsente dans la section 4.3. Une illustration de
ce mcanisme de dfaillance sera introduite dans le section 4.4. La section 4.5 sera
consacre lvaluation des caractristiques fiabilistes du systme. Dans la section
4.6, une estimation des diffrents paramtres ncessaires la modlisation du processus de dgradation et du processus de stress est propose. Enfin, dans la section
4.7, on prsentera des conclusions issues de cette tude.
4.2
Description du mcanisme de dfaillance
On considre un systme se dgradant continuellement. Cette dgradation peut

rsulter par exemple dune fatigue, dune usure progressive dune pice mcanique,
de lrosion graduelle dun matriau, etc. On suppose que le niveau de dgradation du systme est mesurable. Par ailleurs, on suppose que le systme est soumis
un stress qui peut tre externe au systme (temprature, humidit, etc.) ou une
consquence directe de son mode de fonctionnement (vibrations internes, temprature interne, etc.). Le mcanisme de dfaillance dun tel systme peut sexpliquer
51
52
Chapitre 4. Construction du modle de dfaillance
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
Modlisation du mcanisme de dfaillance

Hypothses sur la dgradation
Le premier processus de dfaillance rsulte dun niveau de dgradation excessif.

Le niveau de dgradation croissant dun systme non maintenu peut tre rsum
par une variable Xk et son volution peut tre dcrite par un processus stochastique (Xk )kN sur un temps discret infini. tk = kt, t tant un intervalle de temps
lmentaire qui peut tre arbitrairement choisi par lutilisateur ou impos par le
problme de maintenance considr. Par la suite, on fixera t 1. (Xk )kN part de
0 ltat neuf, est strictement croissant et incrments positifs et indpendants
(cf. figure 4.1). Les incrments de dgradation sur un intervalle de temps lmentaire sont supposs tre des variables alatoires, notes X(k1,k) , indpendantes et
identiquement distribues suivant une loi exponentielle de paramtre :
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 ;
Partie II. Prise en compte de lenvironnement alatoire stressant pour loptimisation de la

maintenance
53
lisotropie de la dgradation qui correspond ne considrer le phnomne

de dgradation que par ses caractristiques moyennes de dgradation, ce qui
signifie, en dautres termes, que toute combinaison de quantit lmentaire de
dgradation amenant une mme moyenne a la mme importance pour la
dcision de maintenance.
Ces hypothses entranent plusieurs proprits sur le modle de dgradation :
linterchangeabilit des incrments entrane leur indpendance mutuelle, le processus de dgradation est un processus perte de mmoire, la dgradation un
instant donn ne dpend alors que du niveau de dgradation linstant prcdent et de lintervalle de temps entre ces deux instants. Le processus (Xk )kN
a des proprits markoviennes ;
la distribution de la dgradation est infiniment divisible : lincrment de dgradation sur un horizon de temps ne dpend que de la longueur de cet intervalle
de temps [84, 85].
4.3.2
Processus de dfaillance lie au niveau de dgradation
On considre que le systme est dfaillant, cest--dire nest plus en mesure de

rpondre aux exigences de lutilisateur, ds que son niveau de dgradation est suprieur un certain seuil L donn (cf. figure 4.1). On suppose que cette dfaillance
nest pas auto-dcelable mais ncessite une intervention spcifique pour lidentifier.
Nombre de systmes industriels ou de structures, notamment en gnie civil, vrifient
une telle hypothse. Par exemple, dans le cas dun pont ou dune digue [106], la
dfaillance sera dclare ds quune inspection rvlera quil nest plus en mesure de
soutenir sa charge, leffondrement de la structure ne sera pas attendu pour dclarer
la dfaillance. Le seuil L peut alors tre vu comme un niveau de dgradation qui ne
doit pas tre dpass pour des raisons de scurit ou des raisons conomiques. Une
inspection est ncessaire pour dtecter si le niveau de dgradation a atteint ce seuil
ou non.
4.3.3
Hypothses sur le stress environnant
Le systme volue dans un environnement alatoire stressant. On considre que

le processus de stress est assimilable un phnomne vibratoire caractris principalement par son amplitude. Lvolution dans le temps du processus de stress est alors
modlis par le processus stochastique (Yk )kN o Yk est lintensit du stress mesur
linstant tk . Dans les conditions nominales dutilisation du systme, on assimile
lintensit du stress des bruits mutuellement indpendants et identiquement distribus suivant une loi normale de moyenne m et de variance 2 donnes. Le processus
(Yk )kN est ainsi un processus gaussien pour lequel la densit de probabilit est :
1 ym 2
1
g(y) = e 2 ( )
2
(4.2)
54
Fig. 4.1. Schma du processus de dgradation du systme (sans maintenance)
4.3.4
Processus de dfaillance lie au stress
Le deuxime mcanisme de dfaillance est un processus de dfaillance de type

choc lie au stress. A tout instant tk , une dfaillance peut survenir avec une probabilit donne 1 q dpendant de lintensit du stress Yk . Sous ces hypothses,
loccurrence de la dfaillance est dcrite par une variable de type choc pour laquelle
la probabilit conditionnelle doccurrence scrit :
P(Tf = tk | Yi , i k) =
k1
Y
q(Yi )(1 q(Yk ))
(4.3)
i=1
o Tf est la date de dfaillance.

Caractriser limpact du stress sur le systme en chaque valeur de Yk reste extrmement difficile en pratique. Nous proposons ici de ne considrer que deux niveaux
pour le stress avec un niveau nominal pour lequel le stress na pas ou peu dimpact
sur ltat de fonctionnement du systme et un niveau stress pour lequel limpact
de ce dernier est mesurable. Il faut alors dterminer un seuil pour scinder lespace
des valeurs de lintensit du stress Yk ; {Yk , Yk < }kN reprsente le niveau de stress
nominal et {Yk , Yk }kN le niveau stress. On introduit FA le facteur dacclration associ au stress. La valeur de FA est comprise entre 0 et 1 et la probabilit
de dfaillance lie au stress sachant que le systme est stress augmente lorsque FA

maintenance
55
diminue. Bien que lestimation des quantits et FA soient discutes ultrieurement

(cf. section 4.6), on souligne ici brivement la possibilit de baser ces estimations
sur le jugement dexpert ou la mise en place de mthodes classiques destimation de
dure de vie acclre [78].
Par ailleurs, on considre que la sensibilit du systme au stress varie avec lge
et lusure du systme [98, 111] ; la probabilit de dfaillance lie au stress est alors
fonction du niveau de dgradation courant Xk et du temps tk . La probabilit conditionnelle de dfaillance lie au stress sachant le niveau de dgradation et lintensit
de ce stress pour un systme non maintenu est donne par le systme dquations
suivant :

P (Zk = 1|Xk = x < L, Yk < ) = 1 eaxbtk
(4.4)
P (Zk = 1|Xk = x < L, Yk ) = 1 FA .eaxbtk
o a est un paramtre dchelle positif et b reprsente la sensibilit au stress. La
probabilit de dfaillance lie au choc augmente proportionnellement avec la valeur
du paramtre dchelle et de la sensibilit au stress.
4.3.5
Impact de ltat du systme sur le phnomne lorigine du stress
Le phnomne lorigine du stress est non seulement une cause de dfaillance

mais galement un indicateur de dfaillance. On suppose que la dfaillance du systme, peu importe sa cause, choc ou niveau de dgradation trop important, provoque
une augmentation, en moyenne constante, de lintensit du stress (cf. figure 4.2).
Dans le cas dune dfaillance, un coefficient de drive est introduit dans le processus du stress. Le processus (Yk )kN suit alors, aprs une dfaillance, un processus
du type mouvement brownien gnralis [89] que lon considrera discret dans le
temps. Les variations du stress sur un intervalle de temps lmentaire sont supposes tre des variables alatoires, notes Y(k1,k) , indpendantes et identiquement
distribues suivant une loi normale de moyenne m + tT def et de variance 2 :
1
1
h(y) = e 2
2
ymt
T def
2
(4.5)
o tT def reprsente la longueur de lintervalle de temps depuis la dfaillance.

Les deux modes de dfaillance dcrits prcdemment, niveau excessif de dgradation ou choc, ainsi que lvolution du processus du stress (avant et aprs dfaillance)
et du processus de dgradation sont illustrs figures 4.2.
Dans les figures 4.2, on observe que pour un systme en fonctionnement, le stress
varie autour dun niveau nominal et le niveau de dgradation augmente progressivement. Dans la figure 4.2(a), une dfaillance survient suite un dpassement de seuil,
Xk > L, ce qui entrane laugmentation de lintensit du stress. Dans la figure 4.2(b),
la dfaillance est lie un choc, le niveau de dgradation nayant pas encore atteint
56
le seuil L. On constate que loccurrence dune dfaillance provoque un accroissement

du stress.
Xk
Xk
Temps
Zone de fonctionnement
Temps
Etat de panne
Etat de panne
Yk
Yk
niveau
nominal
dfaillance lie
la dgradation
niveau
nominal
Dfaillance lie au
stress
Temps
Temps
Etat de panne
Zk
Etat de panne
Zk
Temps
0
Etat de panne
(a) Dfaillance lie lusure : dfaillance si Xk > L
Temps
0
Etat de panne
(b) Dfaillance lie au choc
Fig. 4.2. Illustration de lvolution du processus de dgradation du systme et du

processus de stress sans maintenance
4.4
Illustration de la modlisation
Nous proposons ici de dcrire la mise en place du modle de dgradation sur

un systme industriel existant : les galets du systme de guidage dun tramway sur
pneumatiques [55]. Cet exemple nous permet de venir justifier les diffrentes hypothses nonces prcdemment.
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,

maintenance
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.
(a) Vue densemble du systme (b) Le systme de guidage : un

de roulement et de guidage
couple de galets
(c) Bandage us
Fig. 4.3. Illustration des galets du systme de guidage dun tramway sur pneumatiques
4.5
Caractristiques fiabilistes du systme non maintenu
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
mettre en vidence limpact du processus de stress sur la fiabilit. Enfin, leffet du

facteur dacclration sur la dure de vie rsiduelle du systme est soulign.
4.5.1
Densit de probabilit conjointe de ltat du systme
Nous cherchons dterminer la densit de probabilit conjointe de ltat dun

systme en labsence de maintenance. Tout dabord, nous avons calcul la densit
de probabilit chaque instant tk datteindre un niveau de dgradation x sachant
qu linstant tk1 aucun choc nest survenu :
fX1 (x) = ex
Z x
ey ((1 p).FA + p)eayb e(xy) dy
fX2 (x) =
|
{z
}
0
(4.6)
P(Z1 =0)
= ((1 p).FA + p)eb
2 x
e (1 eax )
a
(4.7)
), () est la fonction de rpartition de

et ainsi de suite, o p = P (Yk < ) = ( m
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 :

maintenance
59
ax k1
est la rsultante des probabilits de non choc

((1 p).FA + p)k1 (1eak1)
pour les (k-1) premires priodes.
((1 p).FA + p)eax est la rsultante de la probabilit de non choc k.
k
(k1)!
ex est la rsultante de la loi de dgradation cumule X(i,i+k) entre
deux instants ti et ti+k (qui correspond dans ce cas une loi k-Erlang()).
5
4
3
2
1
10
0.6
20
0.0
0.2
0.4
0.8
30
40
1.0
Fig. 4.4. Densit de probabilit pour = 20, L = 1, a = 0.005, FA = 0.96
La probabilit de dfaillance lie un niveau excessif de dgradation correspond

la probabilit qu un instant tj (j [0, k]) le niveau de dgradation soit suprieur
L sachant quil tait infrieur tj1 et quaucun choc ne soit survenu jusqu tk .
Cette probabilit se dduit de lquation (4.8) :
P(Xk L|Zi = 0, i < k, X0 = 0) =
P(Xi L, i [1, k]|Zi = 0, . . . , Z1 = 0, X0 = 0, . . . , Xi1 < L)
= eL
= eL
k Z L
X
i=1 0
k1
X
P(Xi = x|Zi1 = 0, . . . , Z1 = 0, X0 = 0)dx
((1 p).FA + p)i
i=1
i
Y
j=1
ebj
Z
0
i (1 eax )i1 x
e
dx
(i 1)!
ai1
(4.11)
60
La probabilit de dfaillance lie un choc se dduit facilement de la fiabilit et

de la probabilit de dfaillance lie un niveau excessif de dgradation :
P(Zk = 1, Xk < L|Zk1 = 0) = 1 R(tk ) P(Xk > L|Zk1 = 0)
(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
Fig. 4.5. Fiabilit sans stress, fiabilit et probabilits de dfaillance due un

niveau excessif de dgradation ou un choc pour = 20, L = 1, a = 0.005,
b = 0.01, m = 10, = 1, = 0.22, = 10.5, FA = 0.96
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
probabilit de dfaillance lie X(t)
0.8
FA=1
FA=0.96
FA=0.8
FA=0.5
61
0.2
1.0

maintenance
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
probabilit de dfaillance lie au choc
(a) Evolution de la fiabilit en fonction de FA (b) Evolution de la probabilit de dfaillance

lie un niveau excessif de dgradation en
fonction de FA
10
15
20
25
30
(c) Evolution de la probabilit de dfaillance

lie un choc en fonction de FA
Fig. 4.6. Effet de FA sur la fiabilit et les diffrentes probabilits de dfaillance

( = 20, L = 1, a = 0.005, b = 0.01, m = 10, = 1, = 0.22, = 10.5)
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
accroissements lmentaires de dgradation augmentent et le systme atteint alors

plus rapidement le seuil de dfaillance. Par ailleurs, la probabilit de dfaillance lie
au stress est fonction de ltat courant du systme (cf. quation (4.4)), la probabilit
de dfaillance lie un choc augmente avec le niveau de dgradation. Ceci est visible
sur la figure 4.7(c), jusqu t = 18 (date laquelle la fiabilit du systme devient
nulle), la probabilit de dfaillance lie au choc lorsque = 10 est suprieure celle
pour = 20 qui est elle-mme suprieure au cas o = 40 tant que sa fiabilit ne
sannule pas.
20
40
60
80
100
20
40
60
80
100
(a) Evolution de la fiabilit en fonction de (b) Evolution de la probabilit de dfaillance

fonction de
0.6
0.4
0.2
0.0
0.8
alpha=40
alpha=20
alpha=10
20
40
60
80
100

lie un choc en fonction de
Fig. 4.7. Effet de sur la fiabilit et les diffrentes probabilits de dfaillance

(L = 1, a = 0.005, b = 0.01, m = 10, = 1, = 0.22, = 10.5, FA = 0.96)

maintenance
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
Le paramtre a impacte uniquement la probabilit de dfaillance lie au choc (cf.

quation (4.4)).
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
(a) Evolution de la fiabilit en fonction de a (b) Evolution de la probabilit de dfaillance

fonction de a
20
40
60
80

lie un choc en fonction de a
Fig. 4.8. Effet de a sur la fiabilit et les diffrentes probabilits de dfaillance

( = 20, L = 1, b = 0.01, m = 10, = 1, = 0.22, = 10.5, FA = 0.96)
Le paramtre b impacte galement uniquement la probabilit de dfaillance lie

au choc (cf. quation (4.4)). Lorsque la sensibilit du systme au stress augmente,
la probabilit de dfaillance lie au choc augmente proportionnellement.
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
(a) Evolution de la fiabilit en fonction de b (b) Evolution de la probabilit de dfaillance

fonction de b
10
15
20
25
30

lie un choc en fonction de b
Fig. 4.9. Effet de b sur la fiabilit et les diffrentes probabilits de dfaillance

( = 20, L = 1, a = 0.005, m = 10, = 1, = 0.22, = 10.5, FA = 0.96)
4.5.3
Dures de vie
Le temps moyen la dfaillance (MTTF) du systme est donn par :

Z
MTTF =
R(t)dt
0
(4.13)

maintenance
65
Mais vu que nous nous trouvons dans le cas discret, le MTTF sexprime ainsi :
MTTF =
R(ti ).t
(4.14)
i=0
Pour lexemple pris ci-dessus ( = 20, L = 1, a = 0.005, b = 0.01, m = 10, = 1,

= 0.22, = 10.5, FA = 0.96) le temps moyen la dfaillance est de 18.2 priodes
de temps.
La dure de vie rsiduelle du systme lorsquil a atteint un niveau de dgradation
x sobtient de la manire suivante :
Z
(4.15)
M RL(x) =
R(u|x)du
0
Et cause de la discrtisation dans le temps, elle est donne par :

M RL(x) =
R(ti |x).t
(4.16)
i=0
La figure 4.10 illustre limpact du facteur dacclration FA sur la dure de vie

rsiduelle (MRL). On constate que la dure de vie rsiduelle diminue lorsque le
facteur dacclration dcrot. Ceci se traduit par le fait que le facteur dacclration
a un impact direct sur la probabilit de dfaillance lie au stress, la probabilit
de dfaillance lie au stress augmente lorsque ce dernier diminue. On remarque
galement que la dure de vie rsiduelle du systme tend vers une droite lorsque le
facteur dacclration augmente, ceci est li au fait quen labsence denvironnement
stressant, cest--dire si lon considre que les dfaillances sont uniquement lies un
niveau excessif de dgradation, la dure de vie rsiduelle est linaire (tant donnes
les hypothses de linarit en moyenne du processus de dgradation).
4.6
Estimation des caractristiques du systme
Dans cette partie nous proposons des mthodes permettant lestimation des caractristiques du systme =(a,b,FA ,,m,,,,L).
4.6.1
valuation des paramtres de dgradation
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
Fig. 4.10. MRL Mean Residual Life en fonction du niveau de dgradation
La vraisemblance tant positive on considre son logarithme nprien :

log(L(x, )) = n log()
n
X
xi
(4.18)
i=1
Lestimateur du maximum de vraisemblance est obtenu en rsolvant la drive premire :

log(L(x, ))
=0
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

maintenance
67
vraisemblance ne sont pas toutes enviables. Une caractristique indsirable majeure

concerne la dpendance aux hypothses explicites de distribution des alas. Lautre
inconvnient majeur du maximum de vraisemblance est que ses proprits avec des
chantillons finis peuvent tre trs diffrentes de ses proprits asymptotiques. Bien
quelles soient convergentes, les estimations des paramtres par maximum de vraisemblance sont typiquement biaises.
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
valuation des paramtres du processus de stress
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)
yi tant la valeur de la mesure i dcrivant le stress relev linstant ti .
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)
cette drive sannule alors pour :

n
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
i (1 eax )i1 (a+)x

e
dx
(i 1)!
ai1
(4.29)
i (1 eax )i1 (a+)x

e
dx
(i 1)!
ai1
(4.30)

maintenance
69
Un estimateur du facteur dacclration peut alors tre obtenu de la manire suivante

[92] :
!(1/i)
n
X
1
R2 (ti )
(4.31)
FA =
n
R1 (ti )
i=1
4.7
Conclusion
Dans ce chapitre, nous avons propos un modle de dfaillance pour un systme

dgradation graduelle voluant dans un environnement pouvant influencer les performances du systme. Nous avons considr que, dans certaines configurations, le
niveau de performance du systme pouvait son tour modifier cet environnement
opratoire.
Deux modles de dfaillance ont t introduits : lun par lobservation du franchissement dun seuil de dfaillance donn pour la dgradation et un autre assimilable
une dfaillance de type choc. Une approche de type risques concurrents a t dveloppe. Outre lavantage de la prise en compte de dfaillances multiples , la combinaison ici propose peut tre vue comme ltude dun unique mode de dfaillance
pour lequel la connaissance ou linformation nest pas totalement caractrise ou
disponible.
Ainsi, le processus de dgradation reflte la part fortement matrise de la connaissance du processus de dfaillance alors que la modlisation de type choc reprsente
lincertitude rsultante du mcanisme de dfaillance. Les paramtres a et b peuvent
alors tre vus comme des paramtres de confiance ou de contrle du niveau dexpertise du systme.
Nous avons dvelopp le formalisme mathmatique associ notre modle en cherchant illustrer les hypothses par des considrations empruntes des contextes
industriels. Nous avons aussi cherch rapprocher notre tude acadmique dun
contexte dutilisation en proposant une dmarche pour lestimation des diffrents
paramtres et la caractrisation des performances de fonctionnement du systme en
terme de mesures de sret de fonctionnement.
Maintenant que nous disposons dun modle de dfaillance pour le systme considr,
un systme dgradation graduelle voluant dans un environnement stressant, nous
allons chercher dvelopper une politique de maintenance permettant de minimiser
le cot moyen de maintenance long terme pour ce systme.
Chapitre 5
Construction et valuation de la
5.1
Objectifs
Nous avons dvelopp dans le chapitre prcdent un modle de dfaillance qui

permet de prendre en compte dventuelles interactions entre le vieillissement du
systme caractris par un processus de dgradation continue et son environnement
dexploitation. Lobjectif principal de ce chapitre est la mise en vidence de lintgration de ces interactions dans le processus de dcision en maintenance. Pour ce
faire, nous allons proposer la construction et lvaluation dune politique de maintenance qui repose sur le modle de dfaillance dfini au chapitre prcdent. Nous
nous chargerons de dfinir une structure de maintenance pour organiser les actions
courantes raliser sur le systme en fonction de toute linformation disponible. La
dtermination de la nature et des dates des interventions est lie la minimisation
dun cot moyen de maintenance long terme par unit de temps. La rsolution
de ce critre moyen repose sur lvaluation de la fiabilit du systme soumis la
politique de maintenance.
Dans la section 5.2, nous prsenterons la structure de maintenance propose et le
critre retenu pour lvaluation des performances de la maintenance. La section 5.4
est consacre la construction du modle mathmatique permettant de quantifier les
effets de la politique de maintenance et dvaluer numriquement ses performances.
La principale difficult dans llaboration de ce modle consiste dterminer la fiabilit du systme maintenu. Une fois cette fonction tablie, le critre de performance
tudi peut alors tre valu. Enfin, dans la dernire section 5.5, nous prsenterons
quelques conclusions issues de cette tude.
5.2
Modlisation et paramtrisation de la politique

de maintenance
On se propose de construire une politique de maintenance adapte au systme

dcrit dans le chapitre 4. On suppose que quatre types dinterventions peuvent tre
ralises sur le systme :
une X-inspection : elle permet de connatre instantanment et parfaitement
ltat du systme (panne ou fonctionnement) et son niveau de dgradation,
71
72
Chapitre 5. Construction et valuation de la politique de maintenance
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
La dfaillance du systme nest pas auto-dcelable mais ncessite une inspection

pour lidentifier.
X-inspection
On appelle X-inspection une action qui permet de connatre linformation totale
sur le niveau de fonctionnement du systme. Ainsi, lissue dune X-inspection, on
a linformation sur ltat du systme, Zk = 0 (systme en fonctionnement) ou 1
(systme dfaillant), et sur le niveau de dgradation associ, Xk .
La X-inspection est suppose non destructive, dans le sens o le niveau de dgradation et ltat du systme ne sont pas modifis ; linverse des inspections destructives
qui altrent le systme. Comme illustration dinspections non destructives, on peut
citer le cas des pipelines, pour lesquels plusieurs techniques de dtection non destructive des ruptures par fissuration ou corrosion existent, par exemple, par tomographie
dimpdance (technique dimagerie), par vibrations et par ondes ultra-sonores [69].
Par ailleurs, on propose une stratgie priodique pour les X-inspections. Divers travaux ont montr lefficacit (au sens de la minimisation dun cot moyen de maintenance long terme par unit de temps) des politiques de remplacement inspections
priodiques pour des systmes taux de dfaillance croissant [59, 61, 101]. Cette
stratgie prsente certains avantages compare une stratgie dinspections non priodiques qui dun point de vue mathmatique serait optimale [15]. Tout dabord,
dans un contexte industriel limplmentation dune stratgie priodique reste plus
facile compare une stratgie non priodique. Ensuite, le bnfice dune telle hypothse est de rduire le nombre de paramtres de dcision, seule la priode dinspection
doit tre optimise.
Une politique dinspection base sur lge (et non sur ltat) est utilise dans le
sens o la premire inspection aprs un remplacement est planifie priodes aprs
linstant de remplacement (cf. figure 5.2). Le cot unitaire de cette inspection est
not cix .

maintenance
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
Action de maintenance systmatique
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

maintenance
75
0.4
0.6
Delta=1
Delta=5
Delta=100
0.0
0.0
0.2
0.4
Fiabilit
0.6
0.8
Probabilit de dfaillance lie au choc
0.8
Delta=1
Delta=5
Delta=100
0.2
1.0
conduisent aux mmes conclusions que pour la figure 5.1(a).
10
20
30
10
15
20
25
30
(a) Influence de sur la fiabilit
(b) Influence de sur la probabilit conditionnelle de dfaillance lie au choc
0.6
0.4
0.2
0.0
Probabilit de dfaillance lie X(t)
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
Les courbes prsentes dans la figure 5.1(c) illustrent limpact de laction de la

maintenance systmatique sur la probabilit de dfaillance due un niveau de dgradation excessif. On constate, grce la rgularit des diffrentes courbes, que la
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.
Paramtres de dcision de maintenance

Finalement, les paramtres de dcision de maintenance optimiser sont :
: la priode de la X-inspection qui permet dquilibrer le cot cumulatif des
inspections et la dtection rapide ou la prvention dune dfaillance ;
: le seuil de remplacement prventif qui permet de fixer le ratio entre remplacements prventifs et correctifs ;
U CL : la limite suprieure de contrle qui quilibre les fausses alarmes et la
dtection dune dfaillance ;
: la priode de laction de maintenance systmatique qui permet de rduire
la probabilit de dfaillance par choc.
Les rgles de dcision de la politique de maintenance sont illustres figure 5.2.

Tous les , une action de maintenance systmatique est effectue. Linstant T1 sur la
figure 5.2 correspond la date de la premire X-inspection. A cette date le systme
est toujours en fonctionnement, aucun remplacement nest effectu. A linstant T2
le niveau de stress est suprieur la limite de contrle, U CL. Une Z-inspection
est effectue ce qui nous permet de connatre ltat du systme. Ce dernier nest
pas dfaillant, il est alors laiss tel quel. Linstant T3 correspond la date de la
deuxime X-inspection. Lors de cette inspection, le systme est en fonctionnement
mais son niveau de dgradation est suprieur au seuil de remplacement prventif,
. Un remplacement prventif est alors effectu et, suite ce dernier, le niveau
de dgradation du systme vaut 0. A linstant T4 une dfaillance lie un niveau
excessif de dgradation survient (XT4 > L). Cette dfaillance nest dtecte que
lors de la X-inspection suivante, soit linstant T5 , date laquelle un remplacement
correctif est alors effectu. A linstant T6 , une dfaillance lie au choc se produit, cette
dfaillance est dtecte T7 grce lobservation dune drive du niveau de stress
par lintermdiaire de la carte de contrle (YT7 > U CL). Ici aussi, un remplacement
correctif est effectu.

maintenance
77
X(t)
dfaillance lie
X(t)
zone corrective
zone preventive
dfaillance
lie au choc
Y(t)
alarme qui a permis la

dtection de la
dfaillance
fausse alarme
fausse alarme
UCL
niveau
nominal m
Z(t)
T1 T2
T4 T5
T3
T6 T7
Fig. 5.2. Illustration des rgles de dcision conditionnelle de la politique de maintenance :

X-inspection ; Z-inspection ;
remplacement prventif suite une X-inspection ;
remplacement correctif suite une X-inspection
78
5.3
Critre de performance conomique
La stratgie de maintenance a des rpercussions directes sur lexploitation dun

systme, la production et les charges financires. A chaque instant de lexploitation du systme, le dcideur (gestionnaire) de maintenance doit faire un choix face
aux interventions possibles sur le systme afin de dterminer laction effectuer. Ce
choix doit permettre de satisfaire au mieux les objectifs fixs a priori et permettre
ainsi une exploitation optimale du systme. Cependant, ces objectifs peuvent tre
multiples et ne conduisent pas toujours une unique faon de procder : une volont
de scuriser le systme exige une frquence de maintenance prventive leve alors
que dun point de vue conomique, il peut tre intressant de ne pas trop intervenir
pour ne pas ralentir une production, par exemple. Il est donc ncessaire de trouver
un compromis, un quilibre entre maintenance prventive et maintenance corrective.
Pour caractriser ces compromis, il faut construire un critre dvaluation pour la
maintenance et un modle associ permettant de dterminer la valeur de ce critre.
Les objectifs lis lexploitation dun systme sont trs varis et peuvent amener
des situations contradictoires. Il est donc ncessaire de bien dfinir le critre de
choix qui permet de dterminer les instants dintervention sur le systme et le type
dintervention raliser [15, 56]. Diffrents types de critres doptimisation de la
maintenance peuvent tre envisags comme, par exemple, un critre de disponibilit
un critre de scurit, un critre par rapport un horizon dtude (horizon fini,
long terme) [15]. Les proccupations conomiques tant sans conteste une des motivations majeures pour les tudes doptimisation de maintenance, nous proposons
dutiliser un critre conomique asymptotique.
Nous valuons les performances de la politique propose par un critre long
terme li au cot moyen de maintenance dun systme par unit de temps. Lvaluation de ce critre dpend des paramtres de dcision de maintenance = (, , U CL, ),
des caractristiques du systme = (a, b, FA , , m, , , , L) et des diffrents cots
de maintenance (cc , cp , cm , cu , cix , ciz ) et son optimisation dpend de . Loptimisation conomique de la maintenance consiste planifier les diverses oprations de
maintenance dans le temps de faon minimiser le cot moyen dexploitation par
unit de temps sur un horizon infini C (; ) :
C (; ) =
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 ;

maintenance
79
Nm (tk ) reprsente le nombre dactions de maintenance systmatique effectues

avant tk ;
Np (tk )(resp. Nc (tk )) reprsente le nombre de remplacements prventifs (resp.
correctifs) effectus avant tk ;
Du (tk ) reprsente la dure cumule dindisponibilit jusqu tk .
5.4
Modle mathmatique dvaluation de la maintenance
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
cix E(Nix (S)) + ciz E(Niz (S)) + cp + cm E(Nm (S))

C (; ) =
E(S)
(cc cp )E(Nc (S)) + cu E(Du (S))
+
E(S)
(5.4)
(5.5)
o E(.) reprsente lesprance mathmatique sachant .

Les diffrentes esprances de lquation (5.5) peuvent tre values par la fonction
de fiabilit du systme maintenu, Rm (tk ).
5.4.1
Fiabilit du systme maintenu
La diffrence entre les expressions de la fiabilit pour un systme non maintenu

(quation (4.10)) et maintenu provient de la possibilit dans le second cas dun
remplacement prventif lors dune inspection et que dans ce cas le seuil de rempla(k)
cement est et non L. Notons f la loi de dgradation cumule dun systme en
80
fonctionnement sujet au vieillissement et au stress aprs k priodes de temps :

(k)
f (x) = ((1 p)FA + p)k
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)
Scnario 3 : tk = correspond linstant dune X-inspection planifie. La

fiabilit tk correspond la probabilit qu cet instant le systme ne soit pas
remplac. Elle dpend du niveau de dgradation Xk et des chocs conscutifs
entre [0, tk ]. Pour tk = on obtient alors :
Z
Rm (tk ) = P(Xk < ) =
(k)
f (x)eax dx
(5.9)
5.4.2
Longueur moyenne dun cycle de renouvellement E(S)
Le temps moyen entre deux remplacements successifs correspond la longueur

moyenne dun cycle de renouvellement. Nous allons distinguer les scnarios du systme amenant un remplacement prventif de ceux amenant un remplacement
correctif. Par ailleurs, on identifiera trois scnarios pouvant conduire un remplacement correctif en fonction du mode didentification/observation/dtection de la
dfaillance.
Scnarios 1 : scnarios dvolution du systme amenant un remplacement
correctif :

maintenance
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
Scnario 1.2 : une dfaillance est survenue entre deux X-inspections, ti

[(n 1) + t; n t]nN (voir figure 5.4) et la dfaillance na pas t
dtecte par la carte de contrle mais par la X-inspection planifie n ;
Scnario 1.3 : une dfaillance est survenue entre deux X-inspections, ti
[(n 1) + t; n t]nN (voir figure 5.4) mais cette fois la dfaillance a
t dtecte par la carte de contrle ;
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
P(Yk < U CL|f ail.)
k=j
{z
Scenario 1.2
(i+1) 1
jP(Yj > U CL|f ail.)(Rm (j 1) Rm (j))
j=i +1
{z
Scenario 1.3
+ 1{j>i +1}
j1
X
j(Rm (k 1) Rm (k))
k=i +1
j1
Y
P(Yw < U CL|f ail.)
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
Evaluation de lesprance du nombre dinspections
Niz (S) est le nombre de Z-inspections. Lesprance de ce nombre dinspections est

donn par le nombre moyen de fausses et de vraies alarmes.
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
+ P(Yj > U CL|f ail.)
(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.

maintenance
83
E(Nix (S)) est le nombre moyen de X-inspections sur un cycle de renouvellement

S, il est obtenu comme suit :
"
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
Evaluation du nombre moyen dactions de maintenance
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))
P(Yk < U CL|f ail.)
k=j
j=(i1) +1
(i+1) 1 h
i
1
Y
P(Yj > U CL|f ail.)
j=i +1
j
X
(Rm (k 1) Rm (k))1j>i +1
k=i +1
+1{j>i +1}
j1
Y
P(Yw < U CL|f ail.)
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)
Evaluation de la dure moyenne dindisponibilit
E(Du (S), la dure moyenne dindisponibilit sur un cycle de renouvellement S

est donne par :
(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
Une structure de maintenance facilement implmentable a t propose pour

organiser les interventions de maintenance sur un systme dgradation graduelle
voluant dans un environnement stressant. Cette structure permet de rduire le
critre de cot moyen long terme en sappuyant sur toutes les informations disponibles sur le systme. Une carte de contrle est utilise pour surveiller la variable de
stress et dtecter une ventuelle dfaillance. La maintenance conditionnelle quant
elle est utilise pour inspecter et remplacer le systme, pour limiter les impacts lis
au niveau de dgradation excessif.
Lvaluation du critre de cot pour cette politique a t dveloppe dans ce chapitre.
Les proprits du renouvellement ont t utilises pour limiter lhorizon dtude
un cycle de renouvellement dfini entre deux remplacements conscutifs.
Nous allons voir dans le chapitre suivant que la combinaison de la matrise statistique de procds et de la maintenance conditionnelle fournit un outil de dcision
efficace pour un tel systme avec plusieurs modes de dfaillances.
Chapitre 6
Analyse des performances de la

politique
6.1
Introduction
Nous avons dvelopp dans le chapitre prcdent une structure paramtrique

pour lorganisation des rgles de dcision permettant lvaluation du modle de cot
associ afin doptimiser les performances dune politique de maintenance conditionnelle pour un systme soumis des contraintes environnementales. La recherche
dune solution du problme de minimisation dun cot moyen asymptotique repose
sur la connaissance du comportement stationnaire du systme soumis la politique
de maintenance. Cependant, lvaluation analytique du comportement stationnaire
nest pas directement accessible et rend ainsi difficile la caractrisation des solutions
du problme doptimisation considr. Nous avons donc choisi de raliser des tudes
numriques pour permettre une analyse empirique de ces comportements et mettre
ainsi en vidence les proprits de la politique propose en fonction des paramtres
dtude.
Dans ce chapitre, nous proposons dtudier numriquement la sensibilit du critre
moyen aux diffrentes donnes de maintenance et aux diffrentes caractristiques du
systme.
Ce chapitre comporte cinq sections :
dans la section 6.2, on prcise les hypothses faites pour rduire ltude numrique ;
dans la section 6.3, le comportement de la politique de maintenance vis--vis
des paramtres de dcision sera tudi ;
dans la section 6.4, les performances conomiques de la politique de maintenance seront prsentes en comparant cette dernire trois politiques classiques ;
dans la section 6.5, une analyse de sensibilit sera mene ;
dans la section 6.6, en conclusion de ce chapitre, un rsum des diffrents
points abords sera propos.
Pour une meilleure analyse des rsultats et afin de limiter le nombre dessais
numriques on considre les hypothses suivantes :
85
86
Chapitre 6. Analyse des performances de la politique
les cots unitaires de maintenance sont considrs constants par rapport

lge du systme mme si ce nest pas ncessaire pour tablir le modle ;
nous tudierons les performances de la politique de maintenance en faisant
varier les cots unitaires de maintenance les uns par rapport aux autres ;
les caractristiques du systme sont considres comme des donnes dentre du
problme et nous tudierons les performances de la politique de maintenance
lorsque les caractristiques du systme varient.
Tout au long de ce chapitre, nous prendrons soin de bien diffrencier les paramtres
de dcision (, , , U CL) des donnes du problme de maintenance (les caractristiques du systme ainsi que les cots unitaires de maintenance).
6.2
Comportement de la politique de maintenance
Avant dtudier les performances conomiques et la sensibilit de notre modle

dans le cas gnral, nous allons dabord analyser le comportement de la politique
propose en cherchant illustrer les contributions de chacun des paramtres de
dcision sur le critre de cot.
Tout dabord, nous allons considrer un systme avec les caractristiques suivantes : a = 0.005, b = 0.01, FA = 0.96, = 20, m = 10, = 0.22, = 1, =
10.5, L = 1, et les cots unitaires de maintenance suivants : cc = 100, cp = 30, cm =
2, cu = 25, cix = 1, ciz = 0.25.
1. Les donnes de dgradation = 20 et L = 1 qui finalement reprsentent un
systme avec une vitesse de dgradation relativement lente (au vu de lensemble des exprimentations qui nous avons conduites durant toute la thse).
2. Les donnes du processus dvolution du stress en rgime normal sont m = 10,
= 1 et le seuil de stress = 10.5. On remarque que, sous ces conditions,
la probabilit de stress sur le systme vaut 0.691 et donc le systme peut tre
considr comme moyennement stress. Ceci est renforc par une forte valeur
du facteur dacclration FA = 0.96.
3. La valeur du dcalage = 0.22 caractrise un impact non ngligeable de la
condition du systme sur lenvironnement.
4. Les valeurs a = 5.103 et b = 102 refltent un systme pour lequel la part
de dfaillance de type choc est faible devant les dfaillances de type niveau de
dgradation excessif.
5. Les cots unitaires de maintenance suivants : cc = 100, cp = 30, cm = 2, cu =
25, cix = 1, ciz = 0.25 conduisent une politique pour laquelle aucun cot nest
ngligeable devant les autres.
Nous cherchons les paramtres de dcision qui permettent de minimiser le critre
de cot (cf. quation (5.5)) dun tel systme. Les paramtres de dcision optimiss
= 3, = 0.7, U CL = 10.2, = 2 sont obtenus par la mthode de quasi-Newton,

maintenance
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
Contribution de la priode de laction de maintenance

systmatique, , sur le critre de dcision
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
Contribution de la priode de la X-inspection, , sur le

critre de dcision
Linfluence de la priode de la X-inspection, , est illustre par les figures 6.1(b),

6.1(d) et 6.1(e). Si est faible, le niveau de connaissance sur le systme est lev
et permet dajuster au plus tard un ventuel remplacement prventif. Le seuil de
remplacement prventif a donc tendance augmenter dans ce cas (voir figure 6.1(e))
et la surveillance du stress nest plus pertinente car le temps dindisponibilit est
rduit par la frquence des X-inspections (voir la figure 6.1(b), la courbe est plus ou
moins plate lorsque est faible).
Au contraire, si crot, la politique de maintenance optimise tend vers une politique de remplacement correctif uniquement base sur la carte de contrle. Cette
conclusion est confirme par lanalyse conjointe des figures 6.1(b) et 6.1(e). La faible
convexit de la courbe de cot dans la figure 6.1(e) lorsque augmente illustre le
faible intrt dune politique prventive dans ce cas. Par contre, pour fix une
grande valeur dans la figure 6.1(b), la convexit en fonction de U CL illustre la forte
influence de ce paramtre et donc la ncessit de bien rgler la carte de contrle.
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
(a) Influence de U CL et sur le cot ( et (b) Influence de U CL et sur le cot ( et

fixs)
fixs)
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
(c) Influence de et U CL sur le cot ( et (d) Influence de et sur le cot ( et U CL

fixs)
fixs)
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
(e) Influence de et sur le cot (U CL et (f) Influence de et sur le cot ( et U CL

fixs)
fixs)
Fig. 6.1. Variation du cot moyen de maintenance long terme en fonction des
paramtres de dcision

maintenance
6.2.3
89
Contribution du seuil de remplacement prventif, , sur

le critre de dcision
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
Contribution de la limite suprieure de contrle, U CL,

sur le critre de dcision
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
Contribution des paramtres de dcision lorsque les caractristiques du systme varient
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
mite de contrle diminue pour rduire le temps dindisponibilit du systme lorsque

sa vitesse de dgradation augmente.
Le paramtre ayant la contribution la plus forte sur le cot de maintenance reste
la priode dinspection, ceci est illustr par la convexit des courbes dans les figures 6.1(b), 6.1(d), 6.2(a), 6.2(b), 6.2(c) et 6.2(d).
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
(a) Influence de U CL et sur le cot ; = 10
(b) Influence de et sur le cot ; = 10
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
(c) Influence de U CL et sur le cot ; = 40
20
de 3
lta
10
2
15
tau
5
1
(d) Influence de et sur le cot ; = 40
Fig. 6.2. Variation du cot moyen de maintenance long terme en fonction des
paramtres de dcision

maintenance
91
Lorsque les caractristiques concernant le stress voluent (le paramtre dchelle

a, le facteur dacclration FA et la sensibilit au stress b) les paramtres de dcision
optimaux varient comme suit.
lorsque a et FA augmentent, la probabilit de dfaillance lie au choc crot.
Ceci entrane une diminution de U CL pour limiter le temps dindisponibilit
du systme. Pour limiter le cot engendr par les Z-inspections frquentes,
augmente entranant une diminution de (cf. les figures 6.1(b) et 6.1(e) par
exemple, prsentes prcdemment illustrant respectivement limpact de U CL
et et, de et sur le cot) ;
le facteur b augmente galement la probabilit de dfaillance lie au choc. Il a
alors le mme effet que a et FA sur U CL, et . Par contre, limpact de b sur
le systme dpend aussi de , lorsque b augmente diminue afin de rduire la
sensibilit du systme au stress.
6.2.6
Conclusion sur le comportement de la politique de maintenance
Finalement, est le paramtre qui a la plus forte contribution sur le cot de

maintenance, il permet dajuster la date du remplacement prventif au mieux. Une
augmentation de entrane une diminution de U CL et de afin de limiter le temps
dindisponibilit.
Le paramtre varie uniquement en fonction de la sensibilit du systme au stress
(b) et du cot de maintenance unitaire de laction de maintenance systmatique, cm .
Il nest pas impact par la valeur des autres paramtres de dcision, cest pour cela
que nous considrerons par la suite ce paramtre comme tant fix.
6.3
Comparaison de la politique de maintenance avec

des politiques classiques
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
Expression des cots de maintenance des politiques classiques
Politique 1 - inspection/remplacement priodique

Cette politique correspond une politique dinspection conditionnelle classique
[88] o le niveau de dgradation du systme est inspect priodiquement (inspection
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)
o S2 est la longueur du cycle de renouvellement.

Politique 3 - remplacement priodique systmatique
Dans le cas de la politique remplacement systmatique [88], on effectue un
remplacement prventif (resp. correctif) sur le systme si ce dernier est toujours en
fonctionnement (resp. en panne) linstant du remplacement, T3 , aucune inspection ntant effectue entre t0 et T3 . Cette priode de remplacement T3 est optimise
pour minimiser le cot moyen de maintenance long terme associ :
cp + cm E(Nm (T3 )) + cu E(Du (T3 )) + (cc cp )E(Nc (T3 ))
C (T3 ) =
T3
6.3.2
(6.3)
Comparaison des politiques de maintenance lorsque les

caractristiques du systme varient
La performance conomique de chaque politique est value en faisant varier

chaque caractristique du systme. Tous les rsultats prsents par la suite sont

maintenance
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
Performance de la politique de maintenance lorsque les

cots de maintenance varient
7
6
Cout
Lobjectif de cette section est dtudier et de comparer les performances des

politiques en fonction de chacun des cots unitaires de maintenance. Pour chaque
cot unitaire de maintenance, on cherche les paramtres de chacune des politiques
qui minimisent le cot moyen. Les courbes prsentes en figure 6.4 sont obtenues
pour un cot unitaire de la X-inspection (cix ) variant de ciz (cot unitaire de la
Z-inspection) cp (cot unitaire dun remplacement prventif).
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.

maintenance
95
Lorsque cix augmente, lcart entre la politique 0 et la politique 1 se creuse. En

effet, lorsque cix augmente, la priode entre les X-inspections augmente galement (cf. figure 6.5(a)), par contre le seuil de remplacement prventif diminue
(cf. figure 6.5(b)). La politique 1 tend alors progressivement vers la politique
3 ( chaque X-inspection le systme sera remplac prventivement). La politique 0 quant elle est efficace grce la surveillance de Yk qui permet la
dtection de dfaillance entre deux X-inspections. La limite de contrle U CL
diminue lorsque cix augmente de faon limiter le temps dindisponibilit (cf.
figure 6.5(c)). La politique 0 tend, dans ce cas, vers la politique 2, le systme
est toujours remplac correctivement par la dtection dune dfaillance par la
carte de contrle.
(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
(c) Evolution de la limite de contrle en fonction

du cot dune X-inspection
Fig. 6.5.
inspection
Evolution des paramtres de dcision en fonction du cot dune X-
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
Analyse de la sensibilit du modle par rapport

aux incertitudes sur les donnes
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
Analyse de sensibilit par lapproche One-Factor-AtA-Time (OAT)
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

maintenance
97
0.00
0.01
0.02
Perte par rapport l'optimal
5.3
5.2
5.1
5.0
4.8
0.04
4.9
Cot moyen de maintenance
5.4
Cot rel obtenu

Cot optimal
L=1
0.03
5.5
la structure de maintenance propose ne semble pas tre suffisamment robuste aux

erreurs de mesure sur le seuil de dfaillance : 4.02% de pertes relatives dans le pire des
cas qui est obtenu pour une erreur de mesure de 10%. Une solution pour remdier
ce problme pourrait tre de probabiliser le seuil de dfaillance. Toutefois, il faut
noter que cette proportion dpend des cots unitaires de maintenance, elle augmente
lorsque le cot moyen de maintenance tend diminuer mais diminue lorsque celui-ci
augmente. En effet, lorsque le cot est faible, lcart entre le cot rel obtenu et le
cot optimal peut tre faible mais la perte relative leve.
0.10
0.05
0.00
erreur commise sur L
0.05
0.10
0.10
0.05
0.00
0.05
0.10
erreur commise sur L
(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
Fig. 6.6. Influence de lerreur faite sur lestimation du seuil de dfaillance, L

La mme tude a t faite pour toutes les caractristiques du systme (a, b, FA , ,
m, , , ). Seule lanalyse de sensibilit sur le seuil de dfaillance est prsente dans
cette partie car cest le paramtre dont une erreur sur lestimation entrane la plus
grande perte relative par rapport au cot optimal obtenu sans erreur. Pour les autres
paramtres, dans le pire des cas, on obtient une erreur relative de 0.3% lorsquune
erreur de +10% est effectue sur . Finalement, avec lapproche OAT prsente ici,
la structure de maintenance propose semble robuste aux erreurs de mesure sur les
diffrentes caractristiques du systme en tenant compte des prcautions nonces
pour le seuil de dfaillance.
6.4.2
Analyse de sensibilit lorsque toutes les caractristiques

du systme varient
En pratique, il y a rarement une erreur de mesure faite uniquement sur une

caractristique du systme et leffet de chaque donne dentre sur le rsultat de
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%
Tableau 6.1. Impact de lerreur destimation des caractristiques du systme sur

le cot de maintenance pour a = 0.005, b = 0.01, FA = 0.96, = 20, m = 10, =
0.22, = 1, = 10.5, L = 1,cc = 100, cp = 30, cm = 2, cu = 25, cix = 1, ciz = 0.25
Cette perte est importante mais on peut considrer quil est rare quune erreur
destimation de 10% soit effectue sur tous les paramtres en mme temps. De plus,
dans le cas +10%, lcart entre le cot rel et le cot optimal est peine plus lev
que dans le cas 10% mais le cot est plus faible ce qui entrane une perte relative
plus importante. Par ailleurs, pour des caractristiques du systme et des cots de
maintenance unitaires diffrents (a = 0.05, b = 0.025, FA = 0.96, = 5, m = 10, =
0.22, = 1, = 10.5, L = 2, cc = 100, cp = 30, cix = 2, ciz = 0.5, cu = 25, cm = 4) on
peut obtenir des rsultats trs satisfaisants (cf. tableau 6.2. Dans ce cas, le modle
semble trs robuste aux erreurs de mesures faites sur les caractristiques du systme :
moins de 1.1% de pertes relatives dans le pire des cas qui est obtenu pour une erreur
de mesure de 10%).
Erreur destimation des caractristiques du systme
Cot obtenu avec les incertitudes
Cot optimal
Perte relative compar au cot optimal
10%
0
9.814 12.253
9.729 12.253
0.866%
0
+10%
15.050
14.885
1.096%
Tableau 6.2. Impact de lerreur destimation des caractristiques du systme sur

le cot de maintenance pour a = 0.05, b = 0.025, FA = 0.96, = 5, m = 10, =
0.22, = 1, = 10.5, L = 2, cc = 100, cp = 30, cix = 2, ciz = 0.5, cu = 25, cm = 4
Au vu des diffrents rsultats on constate quil y a moins de perte relative lorsquune erreur 10% est faite que lorsque lerreur est de +10%. Dans le premier cas,
la vitesse de dgradation est plus rapide, optimis est alors plus faible que dans le
second cas. En cas de doute, il faut mieux adopter une attitude conservatrice pour
limiter la perte relative.

maintenance
6.5
99
Conclusion
Dans ce chapitre, nous avons cherch illustrer les performances de la politique

optimise en fonction des diffrentes donnes du problme : les caractristiques du
systme et les cots unitaires de maintenance. La nature du critre de performance
de la politique ne nous a pas permis de dmontrer formellement lexistence et de
caractriser les paramtres optimaux de la politique. Nous avons donc choisi dtudier numriquement les proprits de la politique en analysant le comportement des
paramtres de dcision suivant les valeurs des donnes du problme de maintenance.
Par ailleurs, lanalyse des performances de la politique de maintenance propose a
permis de montrer quelle gnralise des politiques de maintenance classiques. Elle
permet de minimiser le cot de maintenance notamment quand aucun des cots unitaires nest ngligeable devant les autres et lorsquaucun mode de dfaillance nest
galement ngligeable.
De plus, nous avons propos une tude numrique illustrant les limites des performances de la politique face des erreurs sur les valeurs des caractristiques, erreurs
qui peuvent tre dues aux imprcisions de mesure ou destimation.
Les travaux prsents dans cette partie ont fait lobjet de plusieurs publications
[2730, 37, 38].
Dans cette partie, nous avons considr que le stress avait une influence uniquement sur la dfaillance du systme. Pour cela, nous avons introduit un mode de
dfaillance de type choc pour lequel une probabilit doccurrence fonction du niveau de stress et du niveau de dgradation a t introduite. Cependant, comme
nous lavions mentionn dans le chapitre chapitre 2, le stress peut aussi influencer
les caractristiques de dgradation du systme. Lobjectif de la partie suivante est
dtudier plusieurs modlisations de cet impact et de proposer des politiques de
maintenance.
Troisime partie
Vers une meilleure prise en compte

du processus de stress et de ses
impacts
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
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 4).
Enfin, dans le chapitre 9, 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.
Chapitre 7
Introduction de diffrents impacts

du stress sur le processus de
dgradation
7.1
Introduction
Le but de ce chapitre est de proposer une extension du modle de dfaillance

dvelopp dans la partie II afin de pouvoir prendre en compte des dpendances mutuelles entre le processus de dgradation et le processus de stress.
Jusqu prsent, nous avons considr que le stress impactait seulement la probabilit de dfaillance du systme. Cependant, il est facile dimaginer que le stress
puisse aussi en affecter le processus de dgradation. Un fort taux dhumidit favorise
la corrosion dun matriau oxydable. Bien que cette ide reste tout fait naturelle,
son intgration dans le processus de dcision est loin dtre triviale et peut se faire
plusieurs niveaux.
Lobjectif de ce chapitre est ltude du comportement de la politique 0 dcrite
prcdemment en fonction de la nature de limpact du stress sur la dgradation
du systme maintenir. Des impacts de trois natures seront ici considres. Dans le
premier modle, on considre que limpact du stress nest pas directement mesurable
mais une connaissance a priori reste nanmoins disponible. Dans le second modle,
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, dans le
troisime modle, le processus de dgradation est impact de manire irrversible
chaque survenue dun stress. 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.
Ce chapitre sorganise de la manire suivante :
Dans la section 7.2, le modle de dfaillance dvelopp dans la partie II est
tendu afin dintgrer les dpendances mutuelles.
Dans la section 7.3, la structure de maintenance est brivement rappele et les
lments mathmatiques de diffrenciation de la politique prcdente seront
prsents dans le cadre de la construction du critre conomique.
Dans la section 7.4, ltude des performances de la politique de maintenance
105
106
Chapitre 7. Introduction de diffrents impacts du stress sur le processus de dgradation
en fonction de lhypothse de dpart concernant la nature du stress sur le

processus de dgradation est mene.
7.2
Description du processus de dfaillance du systme
Afin de bien mettre en vidence la nouvelle hypothse concernant limpact du

stress sur la dgradation, nous proposons ici de restreindre ltude un systme
prsentant un seul mode de dfaillance rsultant du niveau de dgradation excessif.
Ainsi, nous ne considrons plus dans cette partie les dfaillances lies au choc.
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)
La dgradation moyenne par unit de temps est donne par E(X(t)) = t

avec
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
Le processus de stress est modlis exactement de la mme manire que dans la

partie prcdente. On considre que le processus de stress peut tre modlis par
un processus stochastique (Yk )kN o Yk reprsente son intensit un instant donn
tk . Lorsque le systme est en fonctionnement, lintensit du stress est suppose en
moyenne constante. (Yk ) est alors modlis par un processus gaussien classique de
moyenne m et dcart type (cf. chapitre 4).
7.2.3
Relation entre le processus de dgradation et le processus de stress
Influence de la dgradation sur le processus de stress

Comme dans la section 4.3.5 du chapitre 4, on considre que le niveau de fonctionnement du systme agit sur les conditions environnementales. La modlisation
de cet impact reste inchange. Lorsque le niveau de dgradation reste infrieur au
seuil de dfaillance, limpact sur le stress reste ngligeable. Lorsquune dfaillance
par dpassement de seuil arrive, on peut alors observer une augmentation moyenne
graduelle de lintensit du stress. Un coefficient de drive est alors introduit dans
le processus du stress (Yk ) qui est assimil un mouvement brownien gnralis.
Influence du stress sur la dgradation
On se propose ici de modliser limpact du stress sur lvolution du systme de
trois manires diffrentes :
limpact nest pas directement mesurable car non significatif ou bien non modlisable car le retour dexprience nest pas suffisant. Nous proposons alors
la caractrisation des paramtres moyens et par la mthode du maximum de vraisemblance sur lensemble des donnes. On note par la suite cette
modlisation pas dimpact.
le processus de dgradation est modifi seulement lorsque le systme est stress
(i.e., k Yk > ) et redevient normal ds son retour dans ltat nominal (Yk <
). On propose de modliser laccroissement de la dgradation d un stress
assimilable ici un choc par une variable alatoire Xs distribue suivant une
loi Gamma 2 paramtres (s , s ). Par souci de simplification, on considre
que s = [5, 65]. Sous ces hypothses, lincrment de dgradation lors dun
stress vaut X +Xs et est une variable alatoire qui suit un processus Gamma
de paramtres (t + , ) (rappel : on suppose que t = 1). On appelle par
la suite cette modlisation stress ponctuel . Une illustration dvolution dun
systme soumis un stress ponctuel est prsente sur la figure 7.1(a). Dans la
partie zone de fonctionnement de la figure 7.1(a), on observe qu chaque fois
que Yk , la vitesse de dgradation augmente brusquement pour diminuer
aussi rapidement ds que Yk < .
108
le processus de dgradation est impact irrversiblement par la survenue dun

stress. Plusieurs modlisations sont envisageables, on peut notamment considrer que le comportement du systme change et donc que son processus de
dgradation est modlis par une nouvelle loi, dans ce cas des processus de
Markov additifs pourraient tre appliqus [25]. Nous avons choisi de restreindre
limpact un changement dfinitif de la vitesse de dgradation sans pour autant en changer les caractristiques, nous avons choisi de continuer utiliser
exclusivement un processus Gamma. Cette hypothse nest pas si restrictive
tant donn la flexibilit du processus Gamma, on peut alors capturer un grand
nombre de phnomnes de dgradation diffrents. On suppose donc quaprs
loccurrence dun stress, la vitesse de dgradation du systme augmente dfinitivement jusquau prochain remplacement. Aprs loccurrence de n stress
depuis le dernier remplacement, le paramtre de forme devient ( + n)t.
Le modle propos ici a des aspects similaires ceux proposs dans [47, 91]
dans le sens o on considre que le processus de dgradation suit un processus
Gamma avec diffrents modes. On nomme cette modlisation impact permanent. Une illustration de lvolution du processus de dgradation en fonction
du processus de stress est propose figure 7.1(b). On observe que la vitesse de
dgradation augmente de manire dfinitive chaque occurrence dun stress
( chaque fois que Yk ).
Xk
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
Fig. 7.1. Illustration de lvolution du processus de stress et de son impact sur

lvolution du processus de dgradation lorsque le systme est non maintenu
7.3
7.3.1
109
Dfinition et valuation de la politique de maintenance

Structure de la politique de maintenance
La restriction de la dfaillance un unique mode (entranant la suppression de

dfaillances lies des chocs) permet de ne plus considrer la maintenance systmatique qui, rappelons-le, permettait de rduire temporairement la sensibilit du
systme aux chocs. On se propose de conserver la structure de la politique 0 avec
cette nouvelle hypothse et den rappeler brivement les caractristiques. Les actions de maintenance disponibles sont les X-inspections priodiques qui permettent
de connatre ltat du systme et son niveau de dgradation, les Z-inspections qui
permettent de connatre uniquement ltat du systme, les remplacements prventifs
et correctifs (cf. figure 7.2).
Les paramtres de dcision de maintenance optimiser sont :
: la priode de la X-inspection qui permet dquilibrer le cot cumulatif des
inspections et la dtection rapide ou la prvention dune dfaillance ;
: le seuil de remplacement prventif qui permet de fixer le ratio entre remplacements prventifs et correctifs ;
U CL : la limite suprieure de contrle qui quilibre les fausses alarmes et la
dtection dune dfaillance.
7.3.2
Critre de cot
Les performances de la politique propose sont values par un critre long

terme li au cot moyen de maintenance du systme par unit de temps. Ce cot
moyen de maintenance sexprime en fonction du cot global de maintenance du
systme compos de :
un cot cumul li aux X-inspections CIN SP X (t) effectues sur lintervalle de
temps [0, t]. Ce cot dpend du nombre de X-inspections, not Nix (t), ralises
sur [0, t] et du cot unitaire cix dune X-inspection.
un cot cumul li aux Z-inspections CIN SP Z (t) effectues sur [0, t]. Ce cot
dpend du nombre de Z-inspections, Niz (t), ralises sur [0, t] et du cot unitaire ciz de cette action.
un cot cumul li aux remplacements correctifs CCORR (t) sur [0, t] qui dpend
du nombre de remplacements correctifs effectus sur cet intervalle, Nc (t) et du
cot unitaire de cette opration cc .
un cot cumul li aux remplacements prventifs CP REV (t) sur [0, t] qui dpend
du nombre de remplacements prventifs effectus sur cet intervalle, Np (t) et
du cot unitaire dun remplacement prventif cp .
un cot cumul li la dure dindisponibilit CIN DISP (t) sur [0, t] qui dpend
de la dure cumule dindisponibilit sur [0, t] et du cot dindisponibilit par
unit de temps cu .
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
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)
2. Notons g2 la loi de dgradation cumule dun systme en fonctionnement

sujet au vieillissement et un stress ayant un impact ponctuel sur le processus
de dgradation aprs k priodes de temps :
(k)
g2 (x)
k
X
i=0
Cki pi (1 p)(ki)
k+(ki)
x(k+(ki))1 ex
(k + (k i))
(7.7)
3. La loi de dgradation cumule dans le cas o le stress a un impact permanent

ne sexprime pas facilement car dans ce cas le processus de dgradation nest
plus un processus markovien. En effet, la loi associe va dpendre la fois
du nombre de stress dans lintervalle (0, tk ) mais aussi des dates de ces stress.
Supposons connus le nombre j de stress et les dates associes Ti , i = 1, . . . , j,
la loi conditionnelle dvolution de la dgradation
jusqu tk peut alors
sex
Pj
primer sous la forme dune loi Gamma tk + i i=1 (tk Ti ), . Nous
utiliserons par la suite la mthode de Monte Carlo pour estimer le cot moyen
de maintenance long terme par unit de temps dans ce cas.
7.4
Influence de la connaissance de limpact du stress
La pertinence de la structure de maintenance propose a t illustre dans le

chapitre 6. Nous proposons dans cette section de mettre en vidence les bnfices
dune modlisation adquate de limpact du stress sur le systme. Pour ce faire,
le critre de cot moyen de maintenance par unit de temps adapt aux nouvelles
hypothses est tudi pour les trois modlisations dcrites ci-dessus. On comparera
les critres de cot en fonction des diffrentes erreurs que lon pourrait commettre
sur limpact du stress sur la dgradation.
Les figures 7.3 7.5 illustrent la consquence, en terme de perte conomique,
de lerreur faite sur lestimation de limpact du stress. Sur chaque figure, les trois
courbes reprsentent lvolution du cot optimal de maintenance lorsque le cot de
la X-inspection varie. La courbe en trait plein est obtenue lorsque aucune erreur
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
nest faite concernant linfluence du stress sur le processus de dgradation et les

courbes en pointills correspondent au cas o une erreur dhypothse est faite sur
limpact du stress. On constate dans tous les cas, quune erreur faite sur limpact du
stress entrane un accroissement plus ou moins important du cot de maintenance.
10
15
20
25
Cix
Fig. 7.3. Cot de maintenance en fonction de la modlisation de limpact alors

quil ny a pas dimpact
Lhypothse gnrale dans le cas de la figure 7.3 est que limpact de lenvironnement reste ngligeable sur le fonctionnement du systme. La courbe en trait plein
en illustre lvolution du cot optimal lorsque le cot dune X-inspection crot. La
courbe en trait discontinu reprsente le cot optimis en supposant tort que lenvironnement a un effet ponctuel sur le processus de dgradation. Dans lexemple
propos ici, vaut 0.1 et reprsente finalement un cas o limpact de lenvironnement est modr (ce qui est transcrire sur lerreur que lon commet). Limpact
dune mauvaise modlisation de la dgradation saccrot en fonction du cot des
X-inspections. Lorsque ce cot est relativement faible, le schma de maintenance
optimis prconise une frquence leve dinspection ce qui permet de bien contrler les maintenances prventives (qui reste le facteur prpondrant dans ce cas).
Lorsque le cot dune X-inspection crot, lintervalle optimal inter-inspection crot.
On aura alors tendance survaluer la vitesse moyenne de dgradation entre deux
inspections, donc la fois sur-inspecter ( = 15 en considrant tort un impact
ponctuel au lieu de = 19 pour limpact ngligeable) et remplacer trop prventivement.
Une erreur du type impact permanent au lieu de pas dimpact est plus prjudiciable. Ceci est illustr par lcart entre les courbes en pointill et en trait plein.
113
Le prjudice reste li la surestimation en moyenne de la vitesse de dgradation

sur un cycle. Elle est en effet plus importante que dans le cas ponctuel d leffet
cumulatif des chocs.
Les figures 7.4 et 7.5 viennent confirmer et conforter les conclusions obtenues
suite lanalyse de la figure 7.3
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

quil y a un impact ponctuel
10
15
20
25
Cix

quil y a un impact permanent
114
Ces rsultats illustrent limportance de dterminer linfluence de lenvironnement

stressant sur le processus de dgradation et le bnfice engendr par lutilisation
dun modle se rapprochant au maximum de la ralit.
7.5
Conclusion
Dans ce chapitre, nous avons propos une extension du modle de dfaillance

dvelopp dans la partie II afin de pouvoir prendre en compte des dpendances mutuelles entre le processus de dgradation et le processus de stress. En effet, le stress
peut influencer le comportement de dgradation dun systme. Nous avons propos
trois modlisations de limpact du stress sur le processus de dgradation : on peut
considrer soit que le stress na pas dimpact (lorsque son impact nest pas mesurable), soit que son impact est ponctuel (impact assimilable un choc), soit que son
impact est permanent (impact irrversible du processus de dgradation).
Nous avons utilis une politique de maintenance identique celle dveloppe
dans la partie II, combinant maintenance conditionnelle et matrise statistique des
procds. Cette politique de maintenance nous a permis de souligner la ncessit
de dterminer linfluence du stress sur le processus de dgradation et nous avons
illustr le bnfice conomique engendr par lutilisation dun modle prenant en
compte linfluence du stress sur le processus de dgradation.
La politique de maintenance propose pourrait tre amliore en adaptant directement la politique au stress, par exemple au nombre de stress, la politique actuelle
ne prenant en compte que linformation a priori disponible sur le systme. En effet, dans nombre de cas, le stress corrl une variable denvironnement peut tre
surveill dune manire continue. Ainsi, la surveillance du processus de stress nous
fournit une information partielle sur lvolution des caractristiques de dgradation
du systme. Il parat alors intressant de prendre en compte cette information dans
le processus de dcision de maintenance.
Chapitre 8
Construction et valuation de
politiques de maintenance
adaptatives
8.1
Introduction
Lobjectif de ce chapitre est de montrer les bnfices capturer toute nouvelle

information dans les modles de dcision en maintenance. Dans les chapitres prcdents, linformation utilise se concentre sur le niveau de dgradation, le comportement moyen ainsi que limpact associ de lenvironnement sur le systme. Le
schma conditionnel repose sur la connaissance actualise dun niveau de dgradation. Il est gnralement difficile de capturer une telle information dans un contexte
industriel et donc on ne cherche pas ici amliorer les politiques sur ce levier. Par
contre, les technologies dacquisition de donnes en temps rel des conditions de
lenvironnement sont aujourdhui disponibles et leur traitement par des systmes
informatiques aussi. Ainsi, nous chercherons dans ce chapitre tendre la politique
de maintenance prsente dans le chapitre prcdent pour prendre en compte cette
nouvelle information. En supposant donc continue la mesure du stress, on propose
ltude de diffrentes politiques adaptatives en fonction du nombre de sollicitations
observes. En effet, on peut aisment penser qutant donn laccroissement de la
vitesse de dgradation fonction du nombre alatoire de stress, il peut tre avantageux de proposer des stratgies qui permettront de faire varier les dcisions de
maintenance au cours du temps en tenant compte de cette information plutt que
de les reposer sur les caractristiques moyennes de celui-ci. On rejoint par ce biais les
motivations des maintenances conditionnelles. La proposition des politiques adaptatives sera dcline pour les deux hypothses de limpact du stress, savoir limpact
ponctuel pour lequel laccroissement de la vitesse de dgradation nest considr que
lors des priodes de stress et limpact permanent pour lequel on observe alors un
accroissement cumul chaque nouvelle sollicitation. Les performances des nouvelles
politiques adaptatives seront compares celles de la politique de rfrence, note
politique 0, pour laquelle les paramtres de dcision sont optimiss a priori suivant
les caractristiques stationnaires dvolution de lenvironnement.
Nous dbuterons ce chapitre par la prsentation des diffrentes stratgies adaptatives, section 8.2. Nous pouvons classer ces stratgies en deux sous-ensembles fonc115
116
Chapitre 8. Construction et valuation de politiques de maintenance adaptatives
tion du caractre permanent ou non de la nouvelle rgle de dcision. Les sections

8.3 et 8.4 sont respectivement dvolues ltude des performances conomiques des
politiques adaptatives que lon cherchera analyser en fonction de la politique 0.
En guise de conclusion, section 8.5, une discussion sur les rsultats prsents et les
limites des hypothses sera propose.
8.2
Construction des politiques de maintenance
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
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
Performance des politiques adaptatives dans le

cas dun impact ponctuel du stress
Lobjectif de cette section est la comparaison des performances des politiques

proposes lorsque limpact du stress est ponctuel.
Les rsultats prsents dans le tableau 8.1 correspondent au critre de cot optimis pour les diffrentes politiques lorsque limpact du stress sur le paramtre
dchelle varie ( varie). Ces rsultats ont t obtenus numriquement dans le cas
de la politique 0 et par simulation pour les politiques 4 et 5.
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
Performance des politiques adaptatives dans le

cas dun impact permanent du stress
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.
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
Politiques de maintenance lorsque

lvolution du stress est modlise
en continu
9.1
Objectifs
Jusqu prsent, nous avons toujours modlis en temps discret le processus de

stress et le processus de dgradation. Cependant, 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 que nous
allons dtailler dans ce chapitre.
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.
Ce chapitre est dcoup comme suit. Dans un premier temps, nous prsentons
le processus de dgradation et le processus de stress. Dans un second temps, nous
dveloppons et comparons diffrentes politiques de maintenance. Nous proposons
une politique de maintenance stationnaire, qui repose sur la connaissance a priori
du systme ainsi que des politiques de maintenance adaptatives qui reposent sur les
informations disponibles en ligne sur le systme et plus particulirement le stress.
9.2
Description du processus de dfaillance
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
Le processus de dgradation est de nouveau modlis par un processus Gamma

dont le paramtre de forme dpend du niveau de stress et le paramtre dchelle
vaut .
121
122 Chapitre 9. Politiques de maintenance lorsque lvolution du stress est modlise en continu
Contrairement aux chapitres prcdents, nous nous retrouvons maintenant dans

un cas o nous modlisons en temps continu aussi bien le processus de dgradation
que le processus de stress. Cette modlisation semble particulirement bien adapte
puisque la plupart des systmes rels rgis par des lois physiques (systmes lectroniques, mcaniques, thermiques, hydrauliques, . . . ) voluent par nature continment
dans le temps ainsi que les contraintes (ou stress) associes (temprature, humidit,
charges, etc.). Par ailleurs, lidentification directe de modles temps continu prsente en elle-mme de nombreux avantages dont les principaux sont [49] :
de fournir directement un modle temps continu partir de donnes chantillonnes. Les paramtres du modle identifi sont fortement lis aux proprits et aux coefficients physiques du systme identifier. Ce modle peut tre
interprt physiquement beaucoup plus aisment que lquivalent dlivr par
les approches traditionnelles didentification de modles temps discret ; cet
aspect est particulirement attrayant pour un ingnieur ;
de pouvoir plus naturellement traiter des donnes chantillonnes rapidement.
Ces approches sont en effet beaucoup moins sensibles aux problmes numriques que les approches discrtes. Elles sont par consquent trs bien adaptes
aux quipements actuels dacquisition de donnes qui dlivrent des mesures
quasiment temps continu ;
de pouvoir aisment traiter le cas de donnes chantillonnes pas variable. Ce
type de donnes est souvent rencontr dans le cas des systmes mcaniques o
un chantillonnage angulaire est ralis, ou encore dans le domaine biomdical
ou biologique ;
de simplifier lapplication de la procdure complte didentification de systmes
pour lutilisateur non-spcialiste. La thorie de lidentification de modles
temps discret est bien tablie ; la pratique, quant elle, nest pas toujours
simple mettre en oeuvre pour lutilisateur qui se retrouve souvent dmuni
devant les choix multiples effectuer, concernant par exemple le pr-filtrage
des signaux bruts avant deffectuer lestimation paramtrique. Les approches
directes intgrent toutes un pr-filtrage implicite des donnes. Cette tape de
pr-filtrage est souvent primordiale dans le cas de lidentification de modles
temps discret.
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
123
ltat 0 et 1 pour ltat 1. Le systme commence alatoirement dans ltat 1 (resp.

0
(resp. 1 r).
tat 0) avec une probabilit r = 0+1
Description de linfluence du processus de stress sur le processus de dgradation
Dans cette tude , on nglige limpact du mode de fonctionnement sur lenvironnement pour se concentrer uniquement sur les effets de ce dernier sur la dgradation.
Le systme volue dans un environnement stressant. On suppose que dans ltat
Y (t) = 0 ou tat de stress nominal, le taux de dgradation par unit dusage de la
variable X(t) est constant. Dans ltat Y (t) = 1 ou tat de stress, le processus de dgradation subit une acclration, le facteur dacclration est h = e . On peut alors
montrer que le processus de dgradation est un processus Gamma de paramtres
((t, Y (t)), ) avec (t, Y (t)) = 0 .e.Y (t) .t qui est lui-mme un processus stochastique. Cette modlisation est base sur les modles proposs par [5, 65] dvelopps
dans le chapitre 2.
Lvolution du processus de dtrioration en fonction du processus de stress est
illustre figure 9.1, laugmentation de la vitesse de dgradation du systme lorsque
celui ci est stress est visible sur cette figure.
Dfaillance
X(t)
Y(t)
0
Systme
Systme
non stress
stress
X (t s ) ~ (0(t-s),) X (t s ) ~ (0(t-s)e,)
Fig. 9.1. Evolution du processus de dgradation en fonction de la variable de

stress
9.3
Description des diffrentes stratgies de maintenance
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
Politique stationnaire de maintenance : politique 6
La politique stationnaire de maintenance, note par la suite politique 6, est une

politique de maintenance conditionnelle inspections priodiques. Cest lquivalent
de la politique 0 sans considrer la carte de contrle. Le niveau de dgradation du
systme est inspect tous les avec un cot dinspection cix . Le systme est remplac prventivement avec un cot unitaire cp , si, durant une inspection, le niveau
de dgradation du systme est suprieur un seuil de remplacement prventif mais
infrieur au seuil de dfaillance L ( X(t) < L). Un remplacement correctif est
effectu avec un cot unitaire cc , si, lors dune inspection, le systme est dfaillant
(X(t) L). Soit cu le cot dindisponibilit par unit de temps. Cette politique
de maintenance est base uniquement sur une connaissance a priori du stress, seul
le temps moyen pass dans ltat stress est utilis (
r) pour dterminer le paramtre de forme du processus Gamma qui vaut alors 0 (1 + r(e 1)). La figure 9.2
illustre linfluence du temps moyen pass dans ltat stress sur la priode optimale
dinspection.
9.3.2
Politiques adaptatives de maintenance
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
125
inspection, un changement de politique pourra tre effectu en fonction du niveau

de stress observ :
Si Y (t) = 0, les paramtres de dcision sont (0 , 0 ).
Si Y (t) = 1, les paramtres de dcision sont (1 , 1 ).
La figure 9.3 illustre lvolution dun systme soumis une telle politique de
maintenance. Sur cette figure, on observe qu t = 0, Y (t) = 0, la rgle de dcision
est alors 0 , 0 . A 0 , le systme est stress. On change alors de politique. Comme
X(0 ) < 0 , la date de la prochaine inspection sera 0 +1 , et ainsi de suite. On peut
noter lintrt de se limiter la seule valeur du niveau de stress observ lors dune
inspection tant donn le caractre purement markovien dvolution de ce processus
(utilisation de dures exponentiellement distribues).
Fig. 9.2. Evolution de la priode dinspection en fonction de r

Evolution continue de la politique en fonction de linformation disponible
sur le stress : politique 8
Supposons que le niveau de stress puisse tre mesur en continu. Il peut alors
tre intressant dadapter continuellement la rgle de dcision en fonction de la
proportion de temps pass dans ltat stress depuis le dernier remplacement r(t).
Soit(r(t) , r(t) ) les paramtres de dcision optimiss avec la politique 6 lorsque r =
r(t).
Si :
une inspection est effectue t :

si X(t) r(t) , un remplacement est effectu. La prochaine inspection est
planifie t + 0 si le systme nest pas stress ou t + 1 si le systme est
stress.
si X(t) < r(t) , le systme est laiss tel quel et la prochaine inspection est
planifie t + r(t) .
entre deux inspections conscutives, le niveau du stress est continuellement
surveill. r(t) est continuellement valu et permet une modification des paramtres de dcision. La date de la prochaine inspection est alors ajuste
t + r(t) . Si la date de la prochaine inspection conduit un instant pass, le
systme est inspect immdiatement avec les paramtres de dcision suivants
(t, r(t) ).
Cette nouvelle politique de maintenance est nomme politique 8.
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
127
Politique de type seuils : politique 9

Afin damliorer le ct oprationnel de la politique 8 tout en conservant ses
bnfices, nous proposons la politique 9 qui peut tre vue comme la forme discrtise
de la politique 8. On introduit n seuils sur r(t). Les dcisions sont prises comme suit :
si r(t) = 0, les paramtres de dcision associs sont (0 , 0 ),(0 , 0 ) tant les
valeurs optimises avec la politique 6 sous lhypothse = 0 ;
si r(t) = 1, les paramtres de dcision associs sont (1 , 1 ), (1 , 1 ) tant les
valeurs optimises avec la politique 6 sous lhypothse = 0 e ;
si r(t) (k, k + 1), les paramtres de dcision associs sont ((2k+1)/2 , (2k+1)/2 ),
((2k+1)/2 , (2k+1)/2 ) tant les valeurs optimises avec la politique 6 sous lhypothse = 0 (1 + r(e 1)) avec r = 2k+1
. Si la date de la prochaine inspection
2
conduit un instant pass, le systme est inspect immdiatement avec les
paramtres de dcision suivants (t, (2k+1)/2 ).
r(t)
1
2/3
1/3
t+1
t+5/6
t+3/6
t+1/6
t+0 temps
Fig. 9.4. Illustration des rgles de dcision conditionnelle pour la dtermination

de la prochaine date dinspection pour la politique 9
Les rgles de dcision de la politique de maintenance de type seuils sont illustres
dans la figure 9.4.
Dans ce mmoire nous navons pas introduit de cot li un changement de

politique de maintenance, mais lintrt de la politique 9 par rapport la politique
8 est quelle permettrait de trouver un compromis entre la minimisation du cot
moyen de maintenance long terme et le nombre de changements de rgles de
dcision si un cot li au changement des paramtres de dcision tait introduit.
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
maintenance suivants, cix = 5, cu = 25, cp = 30, cc = 100.
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).
Fig. 9.5. Illustration de lvolution du cot moyen de maintenance long terme

lorsque 0 = 1
Quelles que soient les valeurs de 0 et 1 , le cot optimal de maintenance obtenu
avec la politique 6 reste le mme, il ne dpend que du temps moyen pass dans ltat
stress. Par contre, le cot optimal obtenu avec la politique 7 varie en fonction de
0 et 1 . En effet, 0 et 1 conditionnent les instants de changement dtat et donc
indirectement la frquence des changements de paramtres de dcision lors dune
X-inspection. On constate que la politique 7 permet de minimiser le cot moyen de
maintenance long terme seulement si le temps pass dans un tat (stress ou non
stress) est relativement long (ici seulement si 0 = 1 < 1, 1.106 ). La politique 7
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
Comparaison de la politique stationnaire et de la politique intgrant continuellement linformation sur le

stress
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.
Fig. 9.6. Variation du cot optimal de maintenance de la politique 6 et 8 lorsque

r varie de 0 1
Cette figure illustre le bnfice conomique engendr par la politique de maintenance adaptative. En effet, la politique adaptative, politique 8, est toujours la
politique qui minimise le cot moyen de maintenance long terme par unit de
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
Comparaison de la politique stationnaire, de celle intgrant continuellement linformation sur le stress et

de celle intgrant linformation sur le stress chaque
changement de seuil
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.
Fig. 9.7. Evolution du cot optimal obtenu avec la politique 9 en fonction du

nombre de seuils
Cette figure illustre la ncessit doptimiser le nombre de seuils. En effet, si le
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
Dans ce chapitre, nous avons propos un modle de dfaillance pour un systme

se dgradant voluant dans un environnement pouvant impacter la vitesse de dgradation du systme. Nous avons considr que le stress pouvait tre modlis par une
variable binaire continue dans le temps correspondant un indicateur de limpact
du stress sur le processus de dgradation.
Diffrentes stratgies de maintenance ont t proposes. Ces stratgies reposent
sur des niveaux de connaissance diffrents par rapport au processus de stress. Nous
avons constat que la stratgie de maintenance base sur le plus haut niveau de
connaissance est celle qui permet de minimiser le cot moyen de maintenance par
unit de temps long terme. Cependant, il ne faut pas oublier que la difficult dimplmentation des diffrentes stratgies est proportionnelle au niveau de connaissance.
Finalement, si lon dispose dune information sur le stress cela semble naturel
dintgrer cette information dans le processus de dcision de maintenance, cependant, cette intgration nest pas vidente mettre en place.
Les travaux prsents dans cette partie ont fait lobjet de plusieurs publications
[3136]
Dans ce mmoire, nous nous sommes intresss au dveloppement de modles

pour lvaluation des performances de la maintenance pouvant contribuer laide
la dcision. Nous nous sommes concentrs sur le dveloppement de modles de
maintenance pour des systmes dgradation graduelle continue voluant dans un
environnement stressant dans le but de rendre compte de lvolution de ltat dun
systme soumis une politique de maintenance et quantifier les cots et les gains
engendrs par cette politique.
Suite au constat de la ncessit de disposer de modles mathmatiques pour valuer et optimiser la maintenance dun systme industriel, nous avons propos une
analyse bibliographique qui nous a permis de retenir les aspects suivants.
Lun des challenges de loptimisation de la maintenance est la production de modles dcisionnels conjuguant performance au niveau stratgique (minimiser un cot
dexploitation, augmenter la disponibilit des matriels, assurer la scurit des biens
et des personnes considrs, . . . ) et performance au niveau oprationnel (adquation des actions de maintenance aux caractristiques fonctionnelles et physiques du
systme considr). Dans ce contexte, de nombreux travaux de recherche ont fourni
de multiples approches pertinentes et particulirement les approches conditionnelles
pour lesquelles la dcision est motive par la mesure courante du niveau de dgradation du systme. On peut cependant noter que les lois usuelles de comportement
de dgradation sont gnralement modlises par des processus stochastiques particuliers caractriss en rgime stationnaire sans tenir compte des effets de lenvironnement dexploitation sur le systme. Cette hypothse peut tre vue comme un des
facteurs entranant des carts entre les performances attendues et les performances
mesures. Par contre, de nombreux travaux sont dvelopps dans le cadre de la fiabilit prvisionnelle pour lintgration de limpact de ces conditions denvironnement.
Notre objectif a alors t de promouvoir les approches de maintenance conditionnelle pour des systmes dgradation graduelle. Laxe principal de recherche retenu
a t lintgration des facteurs denvironnement dans un schma classique de maintenance conditionnelle et, par l mme, de proposer des politiques adaptatives en
fonction du niveau de connaissance ou dinformation sur lensemble des processus
dvolution. Nous avons cherch tout au long de ce manuscrit proposer de nouvelles
133
134
approches de maintenance combinant performances thoriques attendues dun ct

et ralit et pragmatisme oprationnels dun autre.
Dans un premier temps, nous avons propos un modle de dfaillance permettant
de prendre en compte non seulement les dfaillances lies un niveau de dgradation
excessif mais galement celles lies lenvironnement (choc par exemple). Le modle
propos combine un processus de dgradation classique et un modle de dfaillance
par choc pour lequel les incertitudes sur le mcanisme de dfaillance peuvent tre
intgres. Nous avons ensuite propos la construction et lvaluation dune politique
de maintenance adapte ce modle de dfaillance qui a lavantage de prendre en
compte toute linformation disponible sur le systme. La stratgie propose est la
combinaison dune politique de maintenance conditionnelle et une carte de contrle.
La carte de contrle, grce la surveillance du stress qui est ici considr comme une
cause de dfaillance et galement comme un indicateur de dfaillance, permet de dtecter dventuelles dfaillances par lobservation dune drive du processus de stress.
La maintenance conditionnelle permet, au vu du niveau de dtrioration du systme,
de prvenir la dfaillance. Les rsultats numriques associs permettent dillustrer
lintrt et le bnfice de cette politique compare des politiques classiques. La
politique propose gnralise les politiques de maintenance classiques. Elle permet
de minimiser le cot de maintenance, notamment quand aucun des cots unitaires
nest ngligeable devant les autres et lorsquaucun mode de dfaillance nest galement ngligeable. Une tude numrique a galement permis dillustrer les limites des
performances de la politique face des erreurs sur les valeurs des caractristiques,
erreurs qui peuvent tre dues aux imprcisions de mesure ou destimation. Afin dintgrer de nouvelles hypothses sur linfluence du stress sur le mode de dgradation,
diverses extensions du modle de base ont t dveloppes.
Dans un second temps, nous avons propos des modles de dfaillance pour un
systme dgradation graduelle voluant dans un environnement pouvant influencer le processus de dgradation du systme. 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 nous a permis de mettre en vidence
trois cas dtude particuliers. Nous avons considr que limpact du stress pouvant
tre nul ou non mesurable, ponctuelle processus de dgradation tant modifie uniquement lorsque le systme est stress- et permanent- le processus de dgradation
tant impact de manire irrversible chaque survenue dun stress-. Nous avons
illustr limportance de la dtermination de la nature du stress, une tude des performances de la politique de maintenance en fonction dune hypothse errone de dpart
concernant limpact du stress sur le processus de dgradation compar son impact
rel est propose. Nous avons cherch amliorer les performances conomiques de
maintenance en dveloppant un schma adaptatif dinspections bas sur le nombre
de sollicitations au stress observ. Enfin, nous avons propos 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
135
voluent par nature de manire continue dans le temps et lidentification directe de

modles temps continu prsente de nombreux avantages. Nous avons propos diffrentes politiques de maintenance reposant soit uniquement sur une connaissance
a priori du systme, soit prenant galement en compte les informations en ligne
disponibles. Nous avons soulign le fait que le bnfice conomique dune politique
de maintenance est fonction de la quantit dinformation disponible mais sa mise en
place sen trouve complexifie.
Les perspectives dextensions possibles qui se dgagent de ces travaux sont les
suivantes.
Tout dabord, nous navons pas pris en compte dans notre tude de nombreux
facteurs tels que la disponibilit des ressources lies lactivit de maintenance
(ressources humaines et matrielles) ou les diffrents modes dexploitation, etc.. Cependant, ces facteurs impactent bien souvent les actions de maintenance. Il semble
ncessaire de les introduire dans la rgle de dcision de maintenance. Cependant,
laugmentation du nombre de paramtres de dcision et la complexit des critres
associs laissent prsager une explosion des difficults numriques. Ceci pourrait tre
vu comme une limite de notre approche et lutilisation de mthodes doptimisation
de type heuristique ou mtaheuristique seraient envisager.
De plus, en pratique, il est rare que le niveau de dgradation dun systme puisse
tre mesur directement et, bien souvent, seule une information corrle au niveau
de dgradation rel est observable. Il est donc ncessaire de dvelopper des modles
de politiques de maintenance conditionnelle pour lesquelles la dcision est prise
partir de cette information partielle imparfaite. Plusieurs pistes de recherche sont
envisageables. Par exemple, les processus de Markov cachs peuvent tre adapts
la modlisation de la dgradation non directement observable. Il est galement possible de considrer quon observe un processus corrl au processus de dgradation.
Dans notre cas, on pourrait, par exemple, prendre le stress et reconstruire ltat rel
du systme partir des observations avant de prendre une dcision de maintenance.
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
[29] E. Deloux, B. Castanier, and C. Brenguer. Construction dun schma de

maintenance pour des systmes soumis des contraintes de stress. In 7me
Journe des Doctorants de lEcole Doctorale S.T.I.M., 2007.
[30] E. Deloux, B. Castanier, and C. Brenguer. Optimisation de la politique de
maintenance pour un systme dgradation graduelle stress. In Qualita 2007,
7me Congrs international pluridisciplinaire Qualit de Sret de Fonctionnement, 20, 21 et 22 mars 2007, volume 1, pages 142149, Tanger (Maroc),
2007.
[31] E. Deloux, B. Castanier, and C. Brenguer. Comparison of Health Monitoring
Strategies for a Gradually Deteriorating System in a Stressfull Environment. In
International Conference on Probabilistic Safety Assement and Management,
Hong Kong, Chine, Mai 2008.
[32] E. Deloux, B. Castanier, and C. Brenguer. Condition-based maintenance
approaches for deteriorating system influenced by environmental conditions.
In ESREL 2008- European Safety and Reliability Conference 2008, Valencia,
Espagne, 22-25 septembre 2008, paratre, 2008.
[33] E. Deloux, B. Castanier, and C. Brenguer. Condition-based maintenance models for deteriorating systems in stressful environments. In Workshop Maintenance Optimization- Erasmus University Rotterdam, 2008.
[34] E. Deloux, B. Castanier, and C. Brenguer. Integration of environmental
stress factors in maintenance optimization. In Workshop Surveillance, Sret
et Scurit des Grands Systmes 3SGS08, 2008.
[35] E. Deloux, B. Castanier, and C. Brenguer. Maintenance policy for deteriorating system evolving in a stressful environment. Journal of Risk and Reliability,
accepted for publication, 2008.
[36] E. Deloux, B. Castanier, and C. Brenguer. Maintenance policy for nonstationary deteriorating system. In Annual Reliability and Maintenability
Symposium, Las Vegas, janvier 2008. IEEE.
[37] E. Deloux, B. Castanier, and C. Brenguer. Predictive maintenance policy for
a gradually deteriorating system subject to stress. Reliability Engineering &
System Safety, doi :10.1016/j.ress.2008.04.002, In press.
[38] E. Deloux, B. Castanier, T. Yeung, and C. Brenguer. A Predictive Maintenance Policy Combining Statistical Process Control and Condition-Based
Approaches. In Proceedings of the 31th ESReDA seminar, pages 255265,
2006.
[39] L. Dieulle, C. Brenguer, A. Grall, and M. Roussignol. Sequential conditionbased maintenance scheduling for a deteriorating system. European Journal
of Operational Research, 150 :451461, 2003.
[40] Y Dijoux and O. Gaudoin.
The alert-delay competing risks model
for maintenance analysis. Journal of Statistical Planning and Inference,
doi :10.1016/j.jspi.2008.05.021, In Press.
140
Bibliographie
[41] R. Disney, C. Lipson, and Sheth N. The determination of the probability of

failure by stress/strength inference theory. In 14th Ann. Symp. Reliability and
Maintainability, pages 417422, 1968.
[42] K.A. Doksum and A. Hoyland. Models for variable-stress accelerated life testing experiments based on wiener processes and the inverse gaussian distribution. Technometrics, 34 :7482, 1992.
[43] J.F. Dupuy. Modlisation conjointe de donnes longitudinales et de dures de
vie. PhD thesis, Universit Ren Descartes-Paris V, 2002.
[44] E.A. Elsayed and C.K. Chan. Estimation of thin-oxide reliability using proportional hazards models. IEEE Transactions on Reliability, 39(3) :329335,
1990.
[45] R.M Feldman. Optimal Replacement with Semi-Markov Shocks Models. Journal of Applied Probabilty, 13 :108117, 1976.
[46] W. Feller. An Introduction to Probability Theory and Its Applications. Wiley
Series in Probability and Mathematical Statistics, 2nd edition, 1971.
[47] M. Fouladirad, A. Grall, and Dieulle L. On the use of on-line detection for
maintenance of gradually deteriorating systems. In Taylor & Francis, editor,
European Safety and Reliability Conference - ESREL 2006, 18-22 September
2006, Estoril, Portugal, 2006.
[48] M.L. Fugate, H. Sohn, and Farrar C.R. Vibration-Based Damage Detection
Using Statistical Process Control. Mechanical Systems and Signal Processing,
15 :707721, 2001.
[49] H. Garnier, M. Gilson, T. Bastogne, and H. Zbali. Contsid : un outil logiciel
pour lidentification de modles paramtriques temps continu partir de donnes exprimentales. In Journes Identification et Modlisation Exprimentale
JIME2006, 2006.
[50] O. Gaudoin and J.L. Soler. Failure rate behavior of components subjected
to random stresses. Reliability Engineering and System Safety, 58(1) :1930,
1997.
[51] I. Gertsbakh. Reliability Theory With Applications to Preventive Maintenance.
Springer, 2000.
[52] A. Grall, C. Brenguer, and L. Dieulle. A condition-based maintenance policy
for stochastically deteriorating systems. Reliability Engineering and System
Safety, 76 :167180, 2002.
[53] A. Grall, L. Dieulle, C. Brenguer, and M. Roussignol. Continuous-Time
Predictive-Maintenance Scheduling for a Deteriorating System. IEEE Transactions on Reliability, 51(2) :141150, 2002.
[54] A. Grall, L. Dieulle, C. Brenguer, and M. Roussignol. Asymptotic failure
rate of a continuously monitored system. Reliability Engineering and System
Safety, 91(2) :126130, 2006.
Bibliographie
141
[55] Z. Hamou Mamar, P. Chainais, and A. Aussem. Probabilistic classifiers and

time-scale representations : application to the monitoring of a tramway guiding
system. Proceedings of European Symposium on Artificial Neural Networks
ESANN2006, pages 659664, 2006.
[56] W.J. Hopp and Y.L. Kuo. An optimal structured policy for maintenance of
partially observable aircraft engine components. Naval Research Logistics,
45 :335352, 1998.
[57] A. Johnson. Stress-strength models for reliability, volume 7, pages 2754. Elsevier, krishnaiah, p.r. and rao, c.r. edition, 1988.
[58] E.P.C. Kao. Optimal Replacement Rules when Changes of State are SemiMarkovian. Operations Research, 22(4) :12311249, 1973.
[59] P. Kolesar. Minimum Cost Replacement Under Markovian Deterioration. Operations Research, 12(9) :694706, 1966.
[60] D. Kumar and U. Westberg. Proportionnal Hasard Modeling of TimeDependent Covariates Using Linear Regression : A Case Study. IEEE Transactions on Reliability, 45(3) :386392, 1996.
[61] C.T. Lam and R.H. Yeh. Optimal Replacement Policies for Deteriorating
Systems Under Various Maintenance Strategies. IEEE Transactions on Reliability, 43 :423430, 1994.
[62] J. Lawless and M. Crowder. Covariates and Random Effect in a Gamma
Process Model with Application to Degradation and Failure. Lifetime Data
Analysis, 10 :213227, 2004.
[63] J.F. Lawless. Statistical Methods in Reliability. Technometrics, 25(4) :305
316, 1983.
[64] J.F. Lawless. Statistical Models and Methods for Lifetime Data. Wiley, NewYork, 2nd edition, 2003.
[65] A. Lehmann. Joint modeling of degradation and failure time data.
ALT2006, Angers, France, pages 2632, 2006.
In
[66] M. Lemaire. Fiabilit structurelle : couplage mcano-fiabiliste statique. hermes,

2005.
[67] K. Linderman, K.E. McKone-Sweet, and J.C. Anderson. An integrated systems approach to process control and maintenance. European Journal of Operational Research, 164 :324340, 2005.
[68] D.V. Lindley and N.D. Singpurwalla. Multivariate distributions for the life
length of components of a system sharing a common environment. Journal of
Applied Probability, 23 :318431, 1986.
[69] K. Louati. Modles mathmatiques pour linspection non-destructive des pipelines. PhD thesis, Ecole Polytechnique, 2006.
[70] H. Luss. Maintenance Policies When Deterioration Can be Observed by Inspections. Operations Research, 24(2), 1976.
142
Bibliographie
[71] P. Lyonnet. Ingnierie de la fiabilit. Lavoisier, 2006.

[72] J.J. McCall. Maintenance Policies for Stochastically Failing Equipment : a
Survey. Management Science, 11(5), 1965.
[73] W.Q. Meeker and L.A. Escobar. Statistical Methods for Reliability Data. Wiley, New-York, 1998.
[74] MIL-HDBK-217F. Militarty Handbook-Reliability Prediction of Electronic
Equipment. United States Department Of Defense, notice 2 edition, 1995.
[75] M.H. Monplaisir and N.S. Arumugadasan. Maintenance Decision Support :
Analysing Crankcase Lubricant Condition by Markov Process Modelling.
Journal of the Operational Research Society, 45(5) :509518, 1994.
[76] J. Moubray. Reliability-centred maintenance. Industrial Press Inc., New York,
1997.
[77] J.A. Nachlas. Reliability Engineering : Probabilistic Models and Maintenance
Methods. CRC Press, 2005.
[78] W. Nelson. Accelerated Testing : Statistical Models, Test Plans and Data
Analysis. Wiley, 1990.
[79] M. Newby. Perspective on Weibull Proportional-Hazards Models. IEEE Transactions on Reliability, 43(2) :217223, 1994.
[80] NF-EN-13306-X-60-319. Terminologie de la maintenance. Norme AFNOR,
2001.
[81] R.P. Nicolai. Maintenance Models for Systems subject to Measurable Deterioration. PhD thesis, Erasmus University Rotterdam, 2008.
[82] C. Park and W.J. Padgett. New cumulative damage models for failure using
stochastic processess as initial damage. IEEE Transactions on Reliability,
54 :530540, 2005.
[83] C. Park and W.J. Padgett. Stochastic deterioration models with several accelerating variables. IEEE Transactions on Reliability, 55(2) :379390, 2006.
[84] K.S Park. Optimal Continuous-Wear Limit Replacement under Periodic Inspections. IEEE Transactions on Reliability, 37(1) :97102, 1988.
[85] S.K. Park. Optimal wear-limit replacement with wear-dependent failures.
IEEE Transactions on Reliability, 27 :293294, 1988.
[86] W.P. Pierskalla and J.A. Voelker. A survey of maintenance models : The
control and surveillance of deteriorating systems. Naval Research Logistics
Quaterly, 23 :353388, 1979.
[87] M.L. Puterman. Markov Decision Process : Discrete Stochastic Dynamic Programming. John Wiley & Sons, Inc., 1994.
[88] M. Rausand and A. Hoyland. System Reliability Theory-Models, Statistical
Methods, and Applications. Wiley, second edition, 2004.
[89] S.M. Ross. Stochastic Processes. Wiley, second edition, 1996.
Bibliographie
143
[90] B. Saassouh, L. Dieulle, and A. Grall. Adaptive maintenance policy for a

deteriorating system with random change of mode. In K. Kolowrocki, editor,
Advances in Safety and Reliability, Proceedings of the European Safety and Reliability Conference (ESREL 2005), Tri City (Gdynia-Sopot-Gdansk), Poland,
27-30 June 2005. A.A.Balkema.
[91] B. Saassouh, L. Dieulle, and A. Grall. Online maintenance policy for a deteriorating system with random change of mode. Reliability Engineering and
System Safety, 92 :16771685, 2007.
[92] G. Saporta. Probabilits, analyse des donnes et statistique. 1990.
[93] P.A. Scarf. On the application of mathematical models in maintenance. European Journal of Operational Research, 99(2) :493506, 1997.
[94] P.A. Scarf. A framework for condition monitoring and condition based maintenance. Quality Technology & Quantitative Management, 4(2) :301312, 2007.
[95] M. Shi, J.M.G. Taylor, and A. Munoz. Models for residual time to aids.
Lifetime Data Analysis, 2 :3149, 1996.
[96] N.D. Singpurwalla. Survival in Dynamic Environments. Statisticals Science,
10(1) :86103, 1995.
[97] N.D. Singpurwalla. Reliability and risk : A Bayesian Perspective. Wiley, 2006.
[98] N.D. Singpurwalla and S. Wilson. Failure Models Indexed by Two Scales.
Advances in Applied Probability, 30 :10581072, 1998.
[99] O. Tebbi. Estimation des lois de fiabilit mcanique par les essais acclrs.
PhD thesis, Universit dAngers, 2005.
[100] H.C. Tijms. Stochastic Model : An algorithm approach. John Wiley & Sons,
1994.
[101] C. Valdez-Flores and R.M. Feldman. A Survey of Preventive Maintenance
Models for Stochastically Deteriorating Single-Unit Systems. Naval Research
Logistics, 36 :419446, 1989.
[102] J.M. Van Noortwijk.
A survey of the application of gamma processes in maintenance.
Reliability Engineering and System Safety,
doi :10.1016/j.ress.2007.03.019, 2007.
[103] J.M. Van Noortwijk, R.M. Cooke, and M. Kok. A Bayesian Failure Model
Based on Isotropic Deterioration. European Journal of Operational Research,
82 :270282, 1995.
[104] J.M. Van Noortwijk, M.J. Kallen, and M.D. Pandey. Gamma processes for
time-dependent reliability of structures. In K. Kolowrocki, editor, Advances
in Safety and Reliability, Proceedings of ESREL 2005 - European Safety and
Reliability Conference 2005, Tri City (Gdynia-Sopot-Gdansk), Poland, 27-30
June 2005, 2005.
[105] J.M. Van Noortwijk and H.E. Klatter. Optimal inspection decision for the
block mats of eastern-scheldt barrier. Reliability Engineering and System Safety, 65 :203211, 1999.
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.
POLITIQUES DE MAINTENANCE CONDITIONNELLE POUR UN SYSTEME A DEGRADATION CONTINUE SOUMIS A UN ENVIRONNEMENT

STRESSANT
Rsum :
Lun des challenges de loptimisation de la maintenance est la production de modles dcisionnels conjuguant performance au niveau stratgique et au niveau oprationnel. Une
hypothse classique est de considrer que le niveau de dgradation du systme peut tre
modlis par un processus stochastique particulier caractris en rgime stationnaire sans
tenir compte des effets de lenvironnement dexploitation du systme. Cette hypothse
peut tre vue comme un des facteurs entranant des carts entre les performances attendues et celles mesures. Par contre, de nombreux travaux sont dvelopps dans le cadre
de la fiabilit pour lintgration de limpact de lenvironnement. Lobjectif de ce manuscrit
est de dvelopper des outils daide la dcision de maintenance pour des systmes dgradation graduelle voluant dans un environnement alatoire stressant. Nous proposons
diffrentes modlisations de lenvironnement et de son impact sachant quil peut influencer
soit la dfaillance du systme, soit le processus de dgradation. Nous explicitons les relations mutuelles entre lenvironnement et le processus de dgradation et nous construisons
diffrentes politiques de maintenance adaptatives qui se basent sur ltat de dgradation
du systme mais galement sur lvolution de lenvironnement. De plus, les politiques proposes permettent de se baser soit uniquement sur une connaissance a priori du systme,
soit dintgrer linformation disponible en ligne concernant lenvironnement. Nous chercherons dans ce manuscrit proposer de nouvelles approches de maintenance combinant
performances thoriques attendues dun ct et ralit et pragmatisme oprationnels dun
autre.
CONDITION-BASED MAINTENANCE POLICIES FOR A DETERIORATING SYSTEM SUBJECT TO A STRESSFUL ENVIRONMENT
Abstract :
One of the challenges of maintenance optimisation is the development of decision-making
models combining performance at the strategic level and at the operational level. A classic
hypothesis is to consider that the degradation level of the system can be modelled by a
stochastic process characterized in stationary state without taking into account the effects
of the operating environment on the system. This hypothesis can be seen as one of the
factors leading to gaps between expected performance and measured performance of maintenance policies. However, many works have been developed in the reliability field for the
integration of the impact of these environmental conditions. The main objective of this
manuscript is to develop maintenance decision tools for gradually deteriorating systems
evolving in a stressful environment. First, we propose different ways to model the environment and its impact since it can directly influence the system failure or the degradation
process. We express mutual relationships between environment and the degradation processes. Next, we propose and compare different adaptive maintenance policies which are
based not only on the degradation level, but also on the stressful environment level. In
addition, the proposed policies can be based either on an a priori knowledge of the system,
or integrate the available online information on the environment. We will try throughout
this manuscript to propose new maintenance approaches which combine theoretical expected performance on one side and operational reality and pragmatism on the other.
Mots-cls : Maintenance conditionnelle, processus de dgradation, stress environnemental,
stratgies non stationnaires, critre de performance asymptotique, modlisation stochastique, processus de renouvellement markovien
Discipline : Sciences pour lingnieur
NED 503-005

These Deloux

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

These Deloux

Transféré par

Droits d'auteur :

Formats disponibles

POLITIQUES DE MAINTENANCE

CONDITIONNELLE POUR UN SYSTEME A

To cite this version:

HAL Id: tel-00348191

HAL is a multi-disciplinary open access

Larchive ouverte pluridisciplinaire HAL, est

Thse de Doctorat de lUniversit de Nantes

Prsente et soutenue publiquement par

POLITIQUES DE MAINTENANCE CONDITIONNELLE POUR UN

Professeur, Universit de Nantes

Directeur de thse : Christophe Brenguer

Table des matires

Table des matires

Cadre de ltude : Introduction la maintenance

2 Modlisation mathmatique de la maintenance : analyse bibliographique

Table des matires

2.4.4 Les modles risques multiplicatifs . . . . . . . . . . . . . .

3 Objectifs des travaux

II Prise en compte de lenvironnement alatoire stressant

Table des matires

Critre de performance conomique . . . . . . . . . . . . . . .

6 Analyse des performances de la politique

III Vers une meilleure prise en compte du processus de

Table des matires

7 Introduction de diffrents impacts du stress sur le processus de

Table des matires

Tableau 1. Tableau rcapitulatif des politiques de maintenance proposes dans ce manuscrit

Rcapitulatif des politiques de maintenance proposes dans cette thse

cot moyen dexploitation cumul long terme par unit de temps

La stratgie de maintenance a des rpercussions directes sur lexploitation dun

De plus, une approche classique en CBM est de modliser la dfaillance du systme

dgradation graduelle voluant dans un environnement stressant. On sintresse la

Cadre de ltude : Introduction la

Chapitre 1. Modlisation de la maintenance

t largement dveloppe depuis les annes 60.

Partie I. Cadre de ltude : Introduction la maintenance

chira de certaines hypothses. En effet, on ne prendra pas en compte le management

Les types de maintenance

Fig. 1.1. Les diffrentes stratgies de maintenance

Chapitre 1. Modlisation de la maintenance

Partie I. Cadre de ltude : Introduction la maintenance

maintenance prvisionnelle : lorsque la maintenance prventive est effectue

Les approches industrielles

Chapitre 1. Modlisation de la maintenance

Partie I. Cadre de ltude : Introduction la maintenance

Modlisation et valuation de la maintenance

Lorsquon doit faire un choix vis--vis dune politique de maintenance, lefficacit

Chapitre 1. Modlisation de la maintenance

comprendre pourquoi le systme fonctionne comme on lobserve mais dcrire

Loptimisation de la maintenance consiste trouver la balance optimale entre

Partie I. Cadre de ltude : Introduction la maintenance

nement du systme et peut entraner une augmentation du cot global dexploitation

Fig. 1.2. La ncessit de contrler lquilibre entre maintenance prventive et

Conclusion et problmes poss

Chapitre 1. Modlisation de la maintenance

Chapitre 2. Modlisation mathmatique de la maintenance : analyse bibliographique

De nombreuses classifications des dfaillances existent [88]. Nous proposons ici

Classification de la dfaillance par cause

Fig. 2.1. Classification de la dfaillance en fonction de sa cause

Partie I. Cadre de ltude : Introduction la maintenance

Classification des dfaillances par impact sur les performances du systme

Modlisation dun mcanisme de dfaillance

Chapitre 2. Modlisation mathmatique de la maintenance : analyse bibliographique

Fig. 2.2. Classification de la dfaillance en fonction du niveau dinformation