Vous êtes sur la page 1sur 239

UNIVERSIT DE MONTRAL

PLANIFICATION DE LA MAINTENANCE DUN PARC DE TURBINESALTERNATEURS PAR PROGRAMMATION MATHMATIQUE

HAKIM AOUDJIT
DPARTEMENT DE MATHMATIQUES ET DE GNIE INDUSTRIEL
COLE POLYTECHNIQUE DE MONTRAL

THSE PRSENTE EN VUE DE LOBTENTION


DU DIPLME DE PHILOSOPHI DOCTOR (Ph.D)
(GNIE INDUSTRIEL)
AVRIL 2010

Hakim AOUDJIT, 2010.

UNIVERSIT DE MONTRAL

COLE POLYTECHNIQUE DE MONTRAL

Cette thse intitule :

PLANIFICATION DE LA MAINTENANCE DUN PARC DE TURBINES-ALTERNATEURS


PAR PROGRAMMATION MATHMATIQUE

prsente par : AOUDJIT Hakim


en vue de lobtention du diplme de : Philosophi Doctor
a t dment accepte par le jury dexamen constitu de :

M. LANGEVIN Andr, Ph.D., prsident


M. OUALI Mohamed-Salah, Doct., membre et directeur de recherche
M. AUDET Charles, Ph.D., membre et codirecteur de recherche
M. ADJENGUE Luc-Dsir, Ph.D., membre
M. KENN Jean-Pierre, Ph.D., membre externe

iii

DDICACE
Yemma, Vava, Djazira, Mimi et toute ma famille.

iv

REMERCIEMENTS
Ce projet a t support en partie par Hydro-Qubec. Les rsultats et les commentaires dans cette
thse appartiennent solennellement lauteur.
Je remercie messieurs Paul-Andr Levesque, Richard Primeau et Michel Demers pour leur
disponibilit et engagement pour la russite de l'incidence industrielle de ce projet.
Je remercie aussi les membres du jury pour la revue de cette thse et Dr. Mohamed-Salah Ouali
ainsi que Dr Charles Audet pour la direction de ce travail de recherche.

RSUM
Une population grandissante de groupes turbines-alternateurs dans les centrales hydrolectriques
arrive sa fin de vie utile et les gestionnaires apprhendent la concurrence des arrts pour des
rnovations majeures avec un nombre tel que les ressources disponibles dans une mme priode
ne seraient pas suffisantes. Ces retraits du rseau peuvent durer jusqu' une anne entire et
mobilisent des ressources importantes en plus de la perte de production lectrique. Les prvisions
la hausse des ventes l'export et des rythmes de production svres font craindre la mise
l'arrt de beaucoup de groupes en mme temps.
Actuellement, le jugement des experts est au cur des dcisions des retraits qui se basent
essentiellement sur des inspections priodiques et des mesures effectues in-situ et dont les
rsultats sont centraliss chez l'quipe de planification des retraits. La nature alatoire des
phnomnes de dgradations qui ont lieu, font en sorte que la capacit de prvision de l'usure par
l'inspection a un caractre de court-terme. Une vision des rnovations majeures sur le long terme
est activement recherche par les gestionnaires dans un souci de justification et de rationalisation
des ressources budgtaires alloues aux rnovations.
Les gestionnaires disposent dune quantit impressionnante de donnes. Parmi elles, figurent la
production horaire de chaque groupe depuis plusieurs annes, l'historique des rparations sur
chaque organe ainsi que les retraits majeurs effectus depuis les annes 1950.
Dans ce projet de recherche, nous nous proposons de rsoudre le problme de planification de la
maintenance dun parc de 90 groupes turbines-alternateurs du rseau de production d'HydroQubec sur un horizon de 50 ans. Nous dveloppons une mthodologie scientifique et rationnelle
de prparation des plans des retraits qui serviront de support la prise de dcision en exploitant
les donnes de mesures et les historiques disponibles tout en respectant un ensemble de
contraintes techniques et conomiques. Pour respecter la confidentialit de certaines donnes,
toutes les dnominations originales ont t modifies pour les rendre anonymes.
Ce problme de planification est trait comme un problme doptimisation avec contraintes.
D'abord, un groupe est tudi pour ressortir les organes les plus influents. Un modle de taux de
dfaillance est dvelopp pour prendre en compte les caractristiques technologiques de l'organe
et d'utilisation du groupe. Ensuite, des stratgies de remplacements et de rparations sont

vi
values pour chacun des composants et des modles pour le groupe sont proposs. Des
stratgies classiques une variable de dcision telles que la stratgie de remplacement priodique
selon l'ge et la stratgie de rparation minimale sont values. Ces stratgies sont tendues pour
construire des stratgies de remplacement 2 variables de dcision ainsi qu'une stratgie de
rparation o l'tat d'un composant, aprs une rparation, est rajeuni par un coefficient constant.
Ces modles forment la base du calcul des fonctions objectifs du problme de planification. Ce
problme est trait en premier lieu comme un problme non linaire dans lequel l'objectif est la
minimisation du cot total moyen de maintenance par unit de temps sur un horizon infini du
parc de groupes avec des contraintes techniques et conomiques. Une formulation est propose
dans le cas d'un horizon fini.
Par la suite et advenant le cas o la production lectrique varie, et que le profil d'utilisation
probable est connu, linfluence des scnarios de production est reflte sur les composants des
groupes travers leurs taux de dfaillance. Dans un tel contexte, des pronostics sur des problmes
ventuels de ressources sont raliss en tudiant les caractristiques des plans gnrs.
En second lieu, les retraits des groupes turbines-alternateurs sont subordonns deux critres de
dcision. En plus de minimiser le cot total moyen de maintenance par unit de temps sur un
horizon infini, la meilleure fiabilit des groupes restant en exploitation est recherche. Ce
problme est trait comme programme non linaire biobjectif.
Finalement une srie de problmes dcrivant plusieurs contextes sont rsolus pour la planification
des rnovations des 90 groupes turbines-alternateurs en considrant 3 composants majeurs par
groupe et 2 types de stratgies de maintenance par composant.

vii

ABSTRACT
A growing number of Hydro-Qubec's hydro generators are at the end of their useful life and
maintenance managers fear to face a number of overhauls exceeding what can be handled.
Maintenance crews and budgets are limited and these withdrawals may take up to a full year and
mobilize significant resources in addition to the loss of electricity production. In addition,
increased export sales forecasts and severe production patterns are expected to speed up wear that
can lead to halting many units at the same time.
Currently, expert judgment is at the heart of withdrawals which rely primarily on periodic
inspections and in-situ measurements and the results are sent to the maintenance planning team
who coordinate all the withdrawals decisions. The degradations phenomena taking place is
random in nature and the prediction capability of wear using only inspections is limited to shortterm at best. A long term planning of major overhauls is sought by managers for the sake of
justifying and rationalizing budgets and resources.
The maintenance managers are able to provide a huge amount of data. Among them, is the hourly
production of each unit for several years, the repairs history on each part of a unit as well as
major withdrawals since the 1950's.
In this research, we tackle the problem of long term maintenance planning for a fleet of 90 hydro
generators at Hydro-Qubec over a 50 years planning horizon period. We lay a scientific and
rational framework to support withdrawals decisions by using part of the available data and
maintenance history while fulfilling a set of technical and economic constraints.
We propose a planning approach based on a constrained optimization framework. We begin by
decomposing and sorting hydro generator components to highlight the most influential parts. A
failure rate model is developed to take into account the technical characteristics and unit
utilization. Then, replacement and repair policies are evaluated for each of the components then
strategies are derived for the whole unit. Traditional univariate policies such as the age
replacement policy and the minimal repair policy are calculated. These policies are extended to
build alternative bivariate maintenance policy as well as a repair strategy where the state of a
component after a repair is rejuvenated by a constant coefficient.

viii
These templates form the basis for the calculation of objective function for the scheduling
problem. On one hand, this issue is treated as a nonlinear problem where the objective is to
minimize the average total maintenance cost per unit of time on an infinite horizon for the fleet
with technical and economic constraints. A formulation is also proposed in the case of a finite
time horizon.
In the event of electricity production variation, and given that the usage profile is known, the
influence of production scenarios is reflected on the units components through their failure rate.
In this context, prognoses on possible resources problems are made by studying the
characteristics of the generated plans.
On the second hand, the withdrawals are now subjected to two decision criteria. In addition to
minimizing the average total maintenance cost per unit of time on an infinite time horizon, the
best achievable reliability of remaining turbo generators is sought. This problem is treated as a
biobjective nonlinear optimization problem.
Finally a series of problems describing multiple contexts are solved for planning renovations of
90 turbo generators units considering 3 major components in each unit and 2 types of
maintenance policies for each component.

ix

TABLE DES MATIRES


DDICACE ................................................................................................................................... III
REMERCIEMENTS ..................................................................................................................... IV
RSUM ........................................................................................................................................ V
ABSTRACT .................................................................................................................................VII
TABLE DES MATIRES ............................................................................................................ IX
LISTE DES TABLEAUX ........................................................................................................... XV
LISTE DES FIGURES ............................................................................................................ XVIII
LISTE DES SIGLES ET ABRVIATIONS ............................................................................ XXII
LISTE DES ANNEXES .......................................................................................................... XXIII
INTRODUCTION ........................................................................................................................... 1
1.1

Organisation de la thse ................................................................................................... 3

1.2

Problmatique................................................................................................................... 3

1.3

Hypothses scientifiques .................................................................................................. 4

1.4

Objectifs de recherche ...................................................................................................... 4

1.5

Sommaire des contributions ............................................................................................. 5

CHAPITRE 2
2.1

REVUE DE LA LITTRATURE ....................................................................... 7

Vieillissement des quipements ....................................................................................... 9

2.1.1 Modles stochastiques ................................................................................................ 10


2.1.2 Mthodes bases sur la dgradation ........................................................................... 15
2.1.3 Mthodes d'analyse des effets des dfaillances .......................................................... 28
2.2

Stratgies de maintenance .............................................................................................. 31

2.2.1 Stratgies pour systme un seul composant ............................................................ 33


2.2.2 Stratgies pour systme plusieurs composants ........................................................ 38

x
2.3

Planification de la maintenance...................................................................................... 46

2.3.1 Planification par la gestion des actifs ......................................................................... 46


2.3.2 Planification par programmation mathmatique ........................................................ 47
2.4

Optimisation de la planification de la maintenance ....................................................... 52

2.4.1 Mthodes de recherche directe ................................................................................... 53


2.4.2 Mthode utilisant des mta-heuristiques .................................................................... 54
2.4.3 Mthode utilisant l'intelligence artificielle ................................................................. 55
2.4.4 Mthode utilisant les rseaux de neurones ................................................................. 56
2.4.5 Mthodes hybrides ..................................................................................................... 57
CHAPITRE 3

GNRALITS ET TUDE DES DONNES SUR LES GROUPES TA ..... 58

3.1

Rappels ........................................................................................................................... 61

3.2

Profils de fonctionnement des groupes TA .................................................................... 63

3.2.1 Cas de la centrale C1 .................................................................................................. 64


3.2.2 Cas de la centrale C2 .................................................................................................. 65
3.2.3 Cas de la centrale C3 .................................................................................................. 66
3.2.4 Cas de la centrale C4 .................................................................................................. 68
3.2.5 Cas de la centrale C5 .................................................................................................. 69
3.2.6 Cas de la centrale C6 .................................................................................................. 70
3.2.7 Rcapitulatif des profils d'utilisation des centrales .................................................... 71
3.3

Gnration d'un scnario de fonctionnement ................................................................. 71

3.4

tude des donnes de dfaillance des alternateurs ......................................................... 73

3.4.1 Caractristiques de l'chantillon d'alternateurs .......................................................... 73


3.4.2 Estimation directe du taux de dfaillance des alternateurs ........................................ 74
3.4.3 Facteurs potentiellement influents sur les dures de vie des alternateurs .................. 77

xi
3.5

tude des donnes de dfaillance des turbines............................................................... 80

3.5.1 Caractristiques de l'chantillon de turbines .............................................................. 80


3.5.2 Estimation directe du taux de dfaillance des turbines .............................................. 81
3.5.3 Facteurs potentiellement influents sur les dures de vie des turbines ........................ 83
3.6

tude des donnes de dfaillance des systmes d'excitation SE .................................... 86

3.6.1 Caractristiques de l'chantillon de SE ...................................................................... 86


3.6.2 Estimation directe du taux de dfaillance des SE ...................................................... 86
3.6.3 Facteurs potentiellement influents sur les dures de vie des SE ................................ 89
3.7

Discussion ...................................................................................................................... 90

CHAPITRE 4
4.1

MODLISATION DU TAUX DE DFAILLANCE D'UN GROUPE TA ..... 92

Variables dpendantes et indpendantes ........................................................................ 93

4.1.1 Caractristiques technologiques ................................................................................. 94


4.1.2 Environnement de fonctionnement ............................................................................ 94
4.2

Modle de dfaillance risques proportionnels PHM ................................................... 95

4.2.1 Motivation .................................................................................................................. 95


4.2.2 Dfinition du modle PHM ........................................................................................ 95
4.2.3 Estimation des paramtres du modle PHM .............................................................. 97
4.2.4 Algorithmes destimation des paramtres .................................................................. 99
4.2.5 Application aux alternateurs..................................................................................... 100
4.2.6 Application aux turbines .......................................................................................... 106
4.2.7 Application aux SE................................................................................................... 110
4.3

Modle de dfaillance bas sur l'ge virtuel................................................................. 114

4.3.1 Motivation ................................................................................................................ 114


4.3.2 Processus d'ge virtuel ............................................................................................. 115

xii
4.3.3 Application un groupe TA ..................................................................................... 125
CHAPITRE 5
5.1

STRATGIES DE MAINTENANCE DUN PARC DE GROUPES TA ...... 126

Stratgie de remplacement d'un groupe TA ................................................................. 128

5.1.1 Expression du cot de maintenance moyen ............................................................. 128


5.1.2 Expression du cot de maintenance actualis .......................................................... 132
5.2

Stratgies de rparation d'un groupe TA ...................................................................... 133

5.2.1 Stratgie de rparation SRI ...................................................................................... 134


5.2.2 Stratgie de rparation SRII ..................................................................................... 135
CHAPITRE 6

PLANIFICATION DE LA MAINTENANCE DUN PARC DE


GROUPES TA ................................................................................................ 138

6.1

Planification par programmation non linaire .............................................................. 138

6.1.1 Programme avec la stratgie SR0............................................................................. 139


6.1.2 Programme avec la stratgie SRI ............................................................................. 139
6.1.3 Programme avec la stratgie SRII ............................................................................ 140
6.2

Planification par programmation biobjectif ................................................................. 140

6.3

Contraintes du problme de planification .................................................................... 142

6.3.1 Fentres de maintenance .......................................................................................... 142


6.3.2 Dbut de la maintenance .......................................................................................... 142
6.3.3 Dure et continuit de la maintenance ..................................................................... 143
6.3.4 Achvement de la maintenance ................................................................................ 143
6.3.5 Capacit de production ............................................................................................. 143
6.3.6 Priorit de la maintenance ........................................................................................ 143
6.3.7 quilibre de l'offre et de la demande ........................................................................ 143
6.3.8 Maintien de la rserve .............................................................................................. 143

xiii
6.3.9 Remise sous tension du rseau ................................................................................. 144
6.3.10

quipes et ressources de maintenance ................................................................. 144

6.3.11

Lissage des dbours de maintenance .................................................................... 144

6.3.12

Priode damortissement ...................................................................................... 145

6.4

Algorithmes de rsolution ............................................................................................ 145

6.4.1 La librairie NOMAD ................................................................................................ 145


6.4.2 La librairie LINDO API ........................................................................................... 147
CHAPITRE 7
7.1

PLANIFICATION DES RETRAITS DE 90 GROUPES TA ......................... 149

Systmes d'information pour la planification ............................................................... 150

7.1.1 Interface graphique utilisateur GUI.......................................................................... 151


7.1.2 Programme principal ................................................................................................ 152
7.1.3 Base de donnes ....................................................................................................... 153
7.2

Hypothses supplmentaires pour les rsolutions ........................................................ 155

7.3

Planification avec la stratgie SR0 ............................................................................... 157

7.3.1 Plan de dpart ........................................................................................................... 157


7.3.2 Problme I : Minimisation des cots de maintenance avec scnario 1 .................... 159
7.3.3 Problme II : Minimisation des cots de maintenance avec scnario 2 ................... 164
7.3.4 Comparatif des plans des problmes 1 et 2 .............................................................. 168
7.3.5 Problme III : Maximisation de la fiabilit .............................................................. 171
7.3.6 Problme IV : Planification multicritre avec la stratgie SR0 ............................... 173
7.4

Planification avec la stratgie SRI ............................................................................... 176

7.4.1 Plan de dpart ........................................................................................................... 176


7.4.2 Problme V : Minimisation des cots de rparation ................................................ 176
7.4.3 Problme VI : Planification multicritre avec la stratgie SRI ................................ 178

xiv
7.5

Discussion .................................................................................................................... 180

CONCLUSION ........................................................................................................................... 181


BIBLIOGRAPHIE ...................................................................................................................... 185
ANNEXE .................................................................................................................................... 202

xv

LISTE DES TABLEAUX


Tableau 2.1 : Plan de concepts pour la recherche documentaire ..................................................... 7
Tableau 3.1 : Heures de maintenance cumules des composants majeurs d'un groupe TA .......... 60
Tableau 3.2 : chantillon de groupes avec donnes de fonctionnement ........................................ 63
Tableau 3.3 : chantillon de groupes avec donnes de fonctionnement ........................................ 63
Tableau 3.4 : Modles de rgression des facteurs de fonctionnement - Centrale C1 .................... 65
Tableau 3.5 : Modles de rgression des facteurs de fonctionnement - Centrale C2 .................... 65
Tableau 3.6 : Modles de rgression des facteurs de fonctionnement - Centrale C3 .................... 66
Tableau 3.7 : Modles de rgression des facteurs de fonctionnement - Centrale C4 .................... 68
Tableau 3.8 : Modles de rgression des facteurs de fonctionnement - Centrale C5 .................... 69
Tableau 3.9 : Modles de rgression des facteurs de fonctionnement - Centrale C6 .................... 71
Tableau 3.10 : Rcapitulatif des modles de rgression des facteurs de fonctionnement ............. 71
Tableau 3.11 : Identification de l'chantillon d'alternateurs........................................................... 73
Tableau 3.12 : Extrait des dures de vie de l'chantillon d'alternateurs ......................................... 74
Tableau 3.13 : Codage des facteurs de construction ...................................................................... 78
Tableau 3.14 : Identification de l'chantillon de turbines .............................................................. 80
Tableau 3.15 : Extrait des dures de vie de l'chantillon de turbines............................................. 80
Tableau 3.16 : Identification de l'chantillon de SE....................................................................... 86
Tableau 4.1 : Estimation des paramtres des facteurs de construction des alternateurs .............. 101
Tableau 4.2 : Estimation des paramtres des facteurs de fonctionnement des alternateurs ......... 101
Tableau 4.3 : Paramtres du modle PHM pour les alternateurs ................................................. 102
Tableau 4.4 : Interaction du facteur charge avec le temps pour les alternateurs.......................... 103
Tableau 4.5 : Estimation des paramtres des facteurs de construction des turbines .................... 106
Tableau 4.6 : Estimation du paramtre du facteur fabricant des turbines .............................. 107

xvi
Tableau 4.7 : Estimation des paramtres des facteurs de fonctionnement des turbines............... 107
Tableau 4.8 : Paramtres du modle PHM pour les turbines ....................................................... 108
Tableau 4.9 : Interaction des facteurs du modle PHM des turbines avec le temps .................... 109
Tableau 4.10 : Estimation du paramtre du facteur de construction des SE ................................ 111
Tableau 4.11 : Estimation des paramtres des facteurs de fonctionnement des SE ..................... 111
Tableau 4.12 : Paramtres du modle PHM pour les SE ............................................................. 112
Tableau 4.13 : Rsultats de l'estimation avec interactions avec le temps .................................... 112
Tableau 7.1 : Identification des centrales hydrolectriques ......................................................... 150
Tableau 7.2 : Organisation des donnes sur l'chantillon de groupes TA ................................... 154
Tableau 7.3 : Donnes sur les caractristiques des composants des groupes TA ........................ 154
Tableau 7.4 : Dtails des caractristiques des composants des groupes TA ................................ 155
Tableau 7.5 : Caractristiques du plan de dpart du problme I .................................................. 157
Tableau 7.6 : Caractristiques du plan de retraits pour le problme I .......................................... 159
Tableau 7.7 : Caractristiques du plan de retraits amlior pour le problme I ........................... 161
Tableau 7.8 : Caractristiques du plan de retraits pour le problme II ........................................ 164
Tableau 7.9 : Caractristiques du plan de retraits amlior pour le problme II ......................... 166
Tableau 7.10 : Variation entre les plans pour les problmes I et II.............................................. 169
Tableau 7.11 : Caractristiques du plan de retraits pour le problme II avec relaxation de
contraintes ............................................................................................................................ 169
Tableau 7.12 : Caractristiques du plan de retraits pour le problme III ..................................... 171
Tableau 7.13 : Caractristiques du plan de retraits amlior pour le problme III ...................... 171
Tableau 7.14 : Caractristiques du plan de retraits pour le problme IV ..................................... 174
Tableau 7.15 : Caractristiques du plan de retraits pour le problme V ...................................... 176
Tableau 7.16 : Caractristiques du plan de retraits pour le problme VI ..................................... 179
Tableau 7.17 : Rcapitulatif des caractristiques des plans de retraits ........................................ 180

xvii
Tableau 7.18 : Plan de dpart dtaill avec la stratgie SR0........................................................ 202
Tableau 7.19: Caractristiques dtailles du plan de retrait du problme I ................................. 205
Tableau 7.20: Caractristiques dtailles du plan amlior des retraits du problme I ............... 206
Tableau 7.21: Caractristiques dtailles du plan des retraits du problme II ............................. 208
Tableau 7.22: Caractristiques dtailles du plan amlior des retraits du problme II .............. 209
Tableau 7.23: Caractristiques dtailles du plan de retrait du problme III ............................... 212
Tableau 7.24: Plan Pareto-optimal du problme IV ..................................................................... 213
Tableau 7.25: Plan de retraits optimal pour le problme V ......................................................... 215
Tableau 7.26: Plan de retraits dtaill pour le problme VI......................................................... 216

xviii

LISTE DES FIGURES


Figure 2.1 : Types de documents et annes de publication .............................................................. 8
Figure 2.2 : Modle Markovien quatre tats ............................................................................... 13
Figure 2.3 : Stratgie de remplacement base sur la dgradation ................................................. 16
Figure 2.4 : Trajectoires d'un processus de Wiener avec diffrentes valeurs de , ..................... 17
Figure 2.5 : Trajectoires d'un processus de chocs de Poisson , ................................................. 18
Figure 2.6 : Calibration dun modle heuristique .......................................................................... 19
Figure 2.7 : Puissance du signal RMS du CH-47D ........................................................................ 22
Figure 2.8 : chelle indpendante de la charge .............................................................................. 23
Figure 2.9 : Architecture de la mthodologie ................................................................................. 29
Figure 2.10 : Arbre de dfaillance dune unit de production ....................................................... 30
Figure 2.11 : Facteurs qui influencent les stratgies de maintenance ............................................ 33
Figure 2.12 : Plan pour niveler la rserve ...................................................................................... 51
Figure 3.1 : Vue schmatique dun groupe TA .............................................................................. 58
Figure 3.2 : Contribution des composants au taux dindisponibilit d'un groupe .......................... 59
Figure 3.3 : Diagrammes Pareto du nombre d'heures de maintenance par composant .................. 59
Figure 3.4 : Diagramme Pareto des heures de maintenance de a) turbine, b) alternateur, c) SE ... 61
Figure 3.5 : Courbes relles et de rgressions des facteurs de fonctionnement de C1-A03 .......... 64
Figure 3.6 : Courbes relles et de rgressions des facteurs de fonctionnement de C2-A32 .......... 66
Figure 3.7 : Courbes relles et de rgressions des facteurs de fonctionnement de C3-A01 et A02
................................................................................................................................................ 67
Figure 3.8 : Courbes relles et de rgressions des facteurs de fonctionnement de C4-A01 et A02
................................................................................................................................................ 68
Figure 3.9 : Courbes relles et de rgressions des facteurs de fonctionnement de C5-A01 et A02
................................................................................................................................................ 69

xix
Figure 3.10 : Courbes relles et de rgressions des facteurs de fonctionnement de C6-A31 A36
................................................................................................................................................ 70
Figure 3.11 : Scnario avec une charge cumule augmente de 50% pour la centrale C1 ............ 72
Figure 3.12 : (a) Histogrammes. (b) densit. (c) fiabilit. (d) taux de dfaillance observ de
l'chantillon d'alternateurs ...................................................................................................... 75
Figure 3.13 : Modles des taux de dfaillance approchs de l'chantillon d'alternateurs .............. 76
Figure 3.14 : Comparaison des taux de dfaillance approchs des alternateurs par centrale......... 77
Figure 3.15 : Diagrammes de frquences des facteurs de construction des alternateurs ............... 78
Figure 3.16 : Diagrammes de frquences des facteurs de fonctionnement des alternateurs .......... 79
Figure 3.17 : Histogramme, densit, fiabilit et taux de dfaillance des turbines ......................... 81
Figure 3.18 : Taux de dfaillance approchs de l'chantillon de turbines...................................... 82
Figure 3.19 : Comparaison des taux de dfaillance approchs des turbines par centrale .............. 83
Figure 3.20 : Diagrammes de frquences des facteurs de construction des turbines ..................... 84
Figure 3.21 : Diagrammes de frquences des facteurs de fonctionnement des turbines ................ 85
Figure 3.22 : Histogramme, densit, fiabilit et taux de dfaillance des SE .................................. 87
Figure 3.23 : Modles des taux de dfaillance approchs de l'chantillon de SE .......................... 88
Figure 3.24 : Comparaison des taux de dfaillance approchs des SE par centrale ...................... 89
Figure 3.25 : Diagrammes de frquences du facteur de construction des SE ................................ 89
Figure 3.26 : Diagrammes de frquences des facteurs de fonctionnement des SE ........................ 90
Figure 3.27 : Approximation par spline des taux de dfaillances .................................................. 91
Figure 4.1 : Acclration du temps par le modle PHM ................................................................ 96
Figure 4.2 : Trac log-log des fiabilits pour un modle PHM...................................................... 96
Figure 4.3 : Mthode destimation des paramtres du modle PHM ............................................. 97
Figure 4.4 : Test de proportionnalit des taux de dfaillance des alternateurs ............................ 103
Figure 4.5 : Taux de dfaillance des alternateurs avec augmentation de 50% de la charge ........ 105

xx
Figure 4.6 : Test de proportionnalit des taux de dfaillance pour les turbines ........................... 108
Figure 4.7 : Modles des taux de dfaillance des turbines avec augmentation de 50% de la charge
.............................................................................................................................................. 110
Figure 4.8 : Test de proportionnalit des taux de dfaillances ..................................................... 112
Figure 4.9 : Modles des taux de dfaillance des SE avec augmentation de 50% de la charge... 113
Figure 4.10 : Illustration de l'volution de lge virtuel avec taux de rajeunissement alatoire .. 114
Figure 4.11 : Influence des rparations sur le taux de dfaillance ............................................... 115
Figure 4.12 : Calcul de l'ge virtuel ............................................................................................. 116
Figure 4.13 : Processus multivariable de rparation du systme srie ......................................... 119
Figure 4.14 : Ralisations typique du processus bivariable ......................................................... 120
Figure 4.15 : Taux de dfaillance d'un systme srie 2 composants ......................................... 122
Figure 4.16 : Taux de dfaillance d'un TA bas sur le modle d'ge virtuel ............................... 125
Figure 5.1 : Priodicits optimales avec une stratgie SR0 pour les composants ........................ 129
Figure 5.2 : Cot et priodicits optimales en fonction de l'horizon............................................ 131
Figure 6.1 : Description sommaire de l'algorithme MADS ......................................................... 146
Figure 7.1 : Annes de mise en services des groupes TA planifier ........................................... 150
Figure 7.2 : Architecture du systme d'information ..................................................................... 151
Figure 7.3 : Interface utilisateur du programme principal avec la fentre de saisie des donnes 152
Figure 7.4 : Aperu des tables de la base de donnes .................................................................. 153
Figure 7.5 : Prparation des donnes pour la rsolution pour un groupe ..................................... 156
Figure 7.6 : Diagramme du plan de dpart avec la stratgie SR0 ................................................ 158
Figure 7.7 : Diagramme des retraits pour le problme I .............................................................. 160
Figure 7.8 : Diagramme des retraits amlior pour le problme I ............................................... 162
Figure 7.9 : Amlioration de l'objectif du problme I par le solveur NOMAD ........................... 163
Figure 7.10 : Diagramme des retraits pour le problme II ........................................................... 165

xxi
Figure 7.11 : Diagramme amlior des retraits pour le problme II ............................................ 167
Figure 7.12 : Amlioration de l'objectif du problme II par le solveur NOMAD........................ 168
Figure 7.13 : Diagramme des retraits pour le problme II avec 3 quipes et 2 ponts
supplmentaires .................................................................................................................... 170
Figure 7.14 : Diagramme des retraits pour le problme III .......................................................... 172
Figure 7.15 : Amlioration de l'objectif du problme III par le solveur NOMAD ...................... 173
Figure 7.16 : Front Pareto-optimal pour le problme IV ............................................................. 174
Figure 7.17 : Diagramme des retraits Pareto-optimal pour le problme IV ................................. 175
Figure 7.18 : Diagramme des retraits pour le problme V ........................................................... 177
Figure 7.19 : Front Pareto-Optimal pour le problme VI ............................................................ 178
Figure 7.20 : Diagramme des retraits pour le problme VI ......................................................... 179

xxii

LISTE DES SIGLES ET ABRVIATIONS


ALT

Alternateur dun groupe turbine-alternateur hydrolectrique

Cdf

Fonction de rpartition (Cumulative density function)

Hf

Taux de dfaillance (Hazard rate)

NLP

Programme Non Linaire

Pdf

Densit de probabilit

PHM

Modle de risques proportionnels (Proportional Hazard Model)

SE

Systme dexcitation dun groupe turbine-alternateur hydrolectrique

TA

Groupe turbine-alternateur hydrolectrique

TURB

Turbine dun groupe turbine-alternateur hydrolectrique

VAP

Processus d'ge virtuel (Virtual Age Process)

xxiii

LISTE DES ANNEXES

Annexe 1 : Plans dtaills pour les problmes I VI ......................................................... 202

INTRODUCTION
La croissance continue de la demande en nergie, la drglementation des marchs, et les
proccupations grandissantes lies aux missions de gaz effet de serre exercent une pression sur
les propritaires de centrales lectriques pour que ces derniers exploitent leurs installations de
manire plus efficace. Pour Hydro-Qubec, la nature cologique de lnergie produite par les
centrales hydrolectriques satisfait dj les contraintes sur les missions mais fait en sorte que
lexportation de cette denre verte est de plus en plus en demande. Les gestionnaires des
centrales font alors face des rythmes de production croissants et variables qui soumettent les
quipements un stress important qui acclre leurs dgradations.
De plus, les parcs de production hydro-lectriques comportent plusieurs centaines d'units, et sont
vieillissants. Ces groupes ont des dures de vie de plusieurs dizaines d'annes et sont trs fiables.
L'habitude est d'inspecter ces machines des intervalles de plus en plus courts vers la fin de la
priode dexploitation et de dterminer la date de retrait. Avec cette approche, on apprhende
l'arrive d'un nombre important de groupes leurs fins de vie la mme priode.
Un grand intrt est exprim alors pour des mthodes et des outils permettant de dterminer les
stratgies des retraits pour les rnovations majeures de ces groupes qui vont permettre de
rpondre la demande tout en respectant un large ventail de contraintes lis aux ressources, la
fiabilit, la scurit des livraisons d'lectricit, et la prennit des installations.
L'efficacit et de meilleurs rendements sont aussi recherchs. La technologie et les matriaux
utiliss ayant atteint leurs limites, cest avec une meilleure planification des oprations de
production et de maintenance que des gains sur les cots d'opration pourront tre atteints.
Les pertes de production durant les arrts des groupes sont minimales et la production n'est
gnralement pas perturbe par l'arrt d'un seul groupe dans une centrale qui peut en contenir
plusieurs dizaines. Par exemple, l'eau est stocke dans le rservoir et peut tre utilise
ultrieurement. La planification de la maintenance devra donc reposer principalement sur les
aspects lis au vieillissement, la fiabilit et la stratgie de maintenance. En effet, pendant la dure
d'exploitation, des entretiens rguliers et des rparations sont raliss et reprsentent une
enveloppe de plusieurs dizaines de millions de dollars annuellement. Le plus grand effort est
entrepris sur la modlisation de lincertitude sur lusure et le vieillissement des parcs par

2
lintgration de modles de fiabilit dans la planification systmatique des oprations de
maintenance.
En rsum, nous pouvons dcrire la planification de la maintenance d'un parc de groupes
turbines-alternateurs TA de la faon suivante : tous les systmes technologiques tant sujets des
dfaillances alatoires, il faut trouver une squence de ralisation des rnovations des groupes de
faon optimiser un ou plusieurs critres de performance sous un ensemble de contraintes. Ces
critres peuvent reprsenter des cots moyens de maintenance ou la disponibilit des groupes.
Les contraintes quand elles peuvent tre rglementaires, technologiques, conomiques et de
ressources.
Pour des rseaux de petite taille, et principalement pour des parcs de production de type
thermique, les techniques de modlisation et de rsolution telles que la programmation linaire et
dynamique ont t appliques depuis les annes 60 (Chen & Toyoda, 1988; Garver, 1963, 1972).
En fait, cest la production lectrique qui est planifie sur un horizon d'une anne ou deux, en
tenant compte de la ncessit darrter les machines pour des rnovations avec une priodicit
tablie par le constructeur. Concernant les centrales hydrauliques, trs peu de travaux sont ddis
la planification ayant pour objectif loptimisation des cots de maintenance ou de la
disponibilit. La planification repose souvent sur un savoir-faire interne acquis au fil des annes
ainsi que sur des approches heuristiques conduisant des programmes de maintenance faisables,
sans possibilit de se situer par rapport loptimalit.
De nombreux modles mathmatiques correspondant autant de stratgies de maintenance pour
la dtermination dintervalles optimaux de maintenance existent. Ils concernent souvent un
composant ou un systme complexe considr comme un systme en srie, en parallle ou
hybride. Des modles labors intgrant mme l'effet des rparations sur la dure de vie
rsiduelle des composants ont t dvelopps. Par contre, ce qui nest pas tudi, cest la
planification simultane de la maintenance dun ensemble de systmes complexes avec un
ensemble de contraintes comme celles existant dans les rseaux hydrolectriques actuels. Une de
nos contributions est de proposer une stratgie de maintenance d'un parc de systmes complexes
en utilisant la programmation mathmatique et son application pour la planification des retraits
des groupes TA. Elle permet d'avoir une vision sur le long terme de l'tat des systmes et rpartir
les oprations de maintenance sur l'horizon. Elle rpond aussi au besoin dautomatisation de la

3
gnration des plans pour faire face des vnements non prvus qui viennent modifier un plan
prtablis. La capacit de gnrer des plans automatiquement, en rsolvant un programme
mathmatique, permet une rvision rapide de ces derniers en tenant compte des nouveaux
paramtres. Le besoin de rvision peut natre de l'ajout ou la modification d'une contrainte
comme le dmantlement d'une quipe d'intervention ou la diminution des budgets allous.
Des planifications avec l'optimisation de critres multiples peuvent aussi tre recherches. Elles
prsentent des attraits non ngligeables pour l'aide la dcision dans des situations complexes de
plus en plus courantes actuellement. Les travaux de recherche en maintenance pour l'optimisation
de critres multiples sont rares ou inexistants notre connaissance cause des difficults de
modlisation et de rsolution. Une seconde contribution de ce travail est la planification des
oprations de maintenance par l'optimisation biobjectif.

1.1 Organisation de la thse


La dmarche de recherche est du type analytique. La mise en uvre du projet est organise de la
faon suivante : la problmatique gnrale est prsente et est dcompose en sujets spcifiques.
Par la suite, lobjectif gnral de recherche est tabli et est dtaill par des objectifs spcifiques.
Limpact scientifique du travail accompli est rsum dans le sommaire des contributions
scientifiques.

1.2 Problmatique
L'objectif de ce travail de recherche est de formuler une mthodologie de prise de dcision des
retraits pour des rnovations majeures d'un parc de groupes TA sur un horizon de 50 ans. Cette
formulation peut aider les gestionnaires de centrales lectriques optimiser certains critres
comme la rduction des cots de maintenance tout au long du cycle de vie des groupes tout en
satisfaisant la demande en nergie lectrique et en respectant un ensemble de contraintes
techniques et oprationnelles. L'atteinte de ces objectifs ncessite des amliorations au niveau de
la prvision de ltat des groupes en tenant compte du mode dexploitation en utilisant
notamment une prvision de la charge (production lectrique), et l'historique des entretiens et des
dfaillances.

1.3 Hypothses scientifiques


La ralisation de ce projet de recherche est supporte par les hypothses suivantes :
1. Il existe une reprsentation mathmatique du problme de la planification des rnovations des
groupes TA base sur lusage et l'historique des entretiens sous des contraintes de production,
de ressources humaines et technologiques ;
2. Une relation existe entre la priodicit des rnovations d'un groupe et la charge affecte au
groupe ;
3. La reprsentation des dures de vie travers les taux de dfaillance, la charge affecte et des
rparations successives des composants des groupes TA prserve la proprit dun taux de
panne croissant.

1.4 Objectifs de recherche


Lobjectif de ce projet est de dvelopper une mthodologie de planification sur le long terme de
la maintenance dun parc de systmes complexes constitue de groupes TA, en considrant le
taux de dfaillance des composants bass sur lusage et l'historique des entretiens, et de driver
un ordre des retraits pour effectuer les rnovations en respectant un ensemble de contraintes. Plus
particulirement, le projet comprend :
i) la modlisation des profils de chargement des groupes au niveau de chaque centrale
hydrolectrique en tudiant les donnes de fonctionnement ;
ii) le dveloppement dun modle gnral de dfaillance dun groupe TA en faisant
intervenir des lments de la technologie, le profil de chargement et l'historique des
dfaillances et des rparations ;
iii) la modlisation du problme de planification de la maintenance dun parc de groupes TA
avec l'optimisation d'un seul critre avec des contraintes techniques et conomiques dans
le cas de 2 scnarios de demande en lectricit ;
iv) la modlisation du problme de planification de la maintenance dun parc de groupes TA
avec l'optimisation de deux critres et avec des contraintes techniques et conomiques ;
v) la proposition de mthodes de rsolution dans chacun des cas ;
vi) la validation du modle sur le cas d'un parc de 90 groupes TA du rseau d'Hydro-Qubec.

1.5 Sommaire des contributions


La ralisation de ce projet de recherche a apport les contributions originales suivantes :
i) elle prsente deux nouvelles approches de modlisation du problme de planification de la
maintenance d'un parc de groupes TA en utilisant la programmation non linaire avec un
seul critre, ainsi que la programmation biobjectif ;
ii) dans les deux approches de modlisation, elle propose des mthodes de rsolution ;
iii) elle utilise judicieusement le modle des taux de dfaillances proportionnels pour btir
des scnarios de vieillissement partir des prvisions de la demande en lectricit ;
iv) elle propose une mthode de calcul de lge des systmes sries en considrant des
rparations successives qui rajeunissent les composants ;
v) la contribution industrielle du projet est la prparation du support thorique pour la
conception dun systme d'information d'entreprise pour la planification des travaux
majeurs chez Hydro-Qubec.
Les principales contributions mthodologiques sont :
i) Deux nouveaux modles sont dvelopps pour la rsolution du problme de planification
de la maintenance d'un rseau de groupes TA. Les modles intgrent des scnarios de la
demande et permettent au plan de ragir la variation de cette demande. Nous pensons
que ce modle est le premier modle propos pour le problme de planification de la
maintenance ;
ii) Le modle rsolu pour un rseau de 90 groupes nous montre que les calculs sont
suffisamment rapides pour traiter les problmes de plus grandes dimensions. Le modle
possde galement la flexibilit ncessaire pour accommoder dautres types de machines
complexes telles que des transformateurs lectriques, des moteurs et autres ;
iii) Les plans prliminaires montrent une meilleure performance que les plans actuellement en
cours dans la pratique (plans sur 10 ans seulement). Lensemble des 90 groupes sont pris
en compte sur lhorizon de 50 ans ;
iv) En simulant les effets de diffrents profils de demande, nous avons pu estimer la variation
dans les budgets de maintenance annuels et ltat des groupes restant en exploitation.

6
Nous montrons travers un indice de fiabilit comment l'tat gnral des groupes restant
en exploitation volue;
v) Bien que le modle soit dvelopp pour les groupes TA, nous pensons que certaines des
ides exprimes ici peuvent tre appliques aux autres problmes de gestion de la
maintenance de parcs ou des flottes dautres quipements tels que les transformateurs
lectriques ou les motorisations des engins lourds ou des navires.
La suite de ce travail est organise comme suit : dans le chapitre 2, nous passons en revue les
travaux les plus pertinents sur la planification de la maintenance ainsi que les problmatiques
spcifiques sur le vieillissement des quipements, de calcul de la fiabilit, de choix des stratgies
de maintenance et de loptimisation de la planification.
Dans le chapitre 3, aprs une brve description technique des lments constitutifs d'un groupe,
une tude des donnes d'indisponibilit permet de raliser une dcomposition pour retenir les
composants les plus significatifs. Ensuite, les donnes historiques de fonctionnement et des
dfaillances de ces composants sont analyses pour dgager des tendances et orienter la
modlisation entreprise dans le chapitre 4.
Ce dernier fournit une vue d'ensemble du problme de modlisation du taux de dfaillance d'un
systme complexe. Aprs la dfinition des variables dpendantes et indpendantes, deux sections
dcrivent les propositions de modlisation des taux de dfaillance.
Dans le chapitre 5, des stratgies de remplacements et dautres stratgies de rparations sont
dfinies pour la formulation des fonctions objectifs pour la planification.
Finalement, dans le chapitre 6, deux sections dcrivent les modles de planification selon les
stratgies de maintenance en utilisant l'optimisation non linaire ainsi que la formulation du
problme en utilisant l'optimisation biobjectif. Deux autres sections examinent les contraintes du
problme ainsi que les mthodes de rsolution.
Le dernier chapitre montre, travers la rsolution d'une srie de problmes, une application de la
mthode de planification pour un rseau de 90 groupes TA du rseau d'Hydro-Qubec. Cette
section inclut aussi la description d'un systme d'information prliminaire pour l'intgration de
ces modles dans un rseau d'entreprise.

CHAPITRE 2

REVUE DE LA LITTRATURE

La planification de la maintenance dun parc de machines est la croise de plusieurs disciplines


chacune d'elles riche d'un nombre impressionnant de rfrences. Une recherche documentaire par
concepts et mots cls a t effectue laide des moteurs de recherche tels que Compendex,
Inspec, et Web of Science pour retenir les disciplines qui interviennent, au sens large, dans la
planification de la maintenance dun parc de machines (tableau 2.1). Nous avons retenu le terme
gnral Actifs pour dsigner les quipements, ensuite la fiabilit et la maintenance dans leurs
sens le plus gnral et ensuite l'optimisation pour faire rfrence la planification et
l'optimisation.
Tableau 2.1 : Plan de concepts pour la recherche documentaire
Concept # 1
Asset
Management
Intensive
Risk
Safety
Information system
Utilization
Productivity
Power systems
Power Plant
Fleet

Concept # 2
Reliability
Degradation
Damage
Wear
Deterioration
Failure
Complex systems
Availability
Modeling

Concept # 3
Maintenance
Inspection
Replacement
Repair
Overhaul
Personnel
Safety
Planning
Life cycle Cost
Policy
Long term strategy

Concept # 4
Optimisation
Maximization
Minimisation
Algorithms
Mathematical model
Stochastic
Computer
Software
model

Un nonc de recherche simple est constitu partir de chacune des colonnes du tableau 2.1. Cet
nonc est alors introduit dans les moteurs de recherche des bases de donnes bibliographiques.
Une recherche de base est effectue avec un concept la fois. Par la suite, lnonc est
amlior dans le but daffiner la recherche, en faisant intervenir les domaines de publication
prsentant un intrt. Finalement, un croisement des concepts 1&2, 1&3 et 1&4 est ralis pour
retenir les travaux pertinents.
La figure 2.1 montre que la majorit des travaux recenss a t publie soit dans des journaux
scientifiques, soit a fait lobjet dactes de confrences. La dernire dcennie a t aussi la plus
prolifique en recherches scientifiques, ce qui dmontre un intrt croissant pour ce domaine de
recherche.

Types de documents

35000
30000
25000
20000
15000

Articles dans
journaux

10000
Autres
documents

Articles de
confrence

5000
0

Figure 2.1 : Types de documents et annes de publication


En septembre 2006, la recherche documentaire a ressorti un nombre total de 2477 notices
bibliographiques rparties (selon la combinaison de deux concepts) comme suit :

Rsultats pour concepts 1&2 : 698 notices ;

Rsultats pour concepts 1&3 : 924 notices ;

Rsultats pour concepts 1&4 : 855 notices.

Bien que la quantit de notices bibliographiques reste dans les normes (3000 notices environ sur
10 ans), elle est relativement grande. Il est alors ncessaire dappliquer des filtres pour affiner la
recherche et rduire la quantit de notices tudier. Des mthodes de limitation simples ont t
utilises telles que linclusion des termes contrls (classement fournis dans les bases de
donnes tel que Compendex) dans les noncs de recherche en analysant des rfrences
pertinentes, et la limitation selon le type de revues (facteur dimpact).
Un total denviron 1000 publications a t produit de cette faon. Le fichier de donnes est alors
import dans le logiciel de gestion bibliographique PROCITE. La base prsente alors un
ensemble denviron 730 publications.
Dans ce chapitre, une synthse des travaux les plus pertinents se rapportant la thmatique de
planification de la maintenance est prsente. Les travaux concernent le vieillissement des
quipements, la modlisation des stratgies de maintenance, et loptimisation de la planification
des travaux de maintenance sur le long terme.

2.1 Vieillissement des quipements


La reprsentation du vieillissement est un problme de modlisation des modes de dfaillance qui
altrent le bon fonctionnement dun quipement au fur et mesure que le temps passe. Ces
modes peuvent provenir de sources alatoires telles que la dgradation comprenant lusure, la
cavitation, lrosion et la fatigue. Les modes de dfaillance par dgradation dcrivent les
dysfonctionnements qui rsultent de laccumulation de la dgradation sur une longue priode de
temps. Quand latteinte du seuil critique nest pas dtecte suffisamment lavance pour
effectuer la maintenance ncessaire, la dfaillance apparait. Il existe aussi dautres modes de
dfaillances comme les erreurs humaines et les phnomnes naturels tels que les inondations et la
foudre.
l'issue de la modlisation du vieillissement, c'est la prvision de la dure de vie future qui est
recherche. Pour arriver cette fin, deux facteurs importants sont pris en compte pour les
quipements de production en gnral et des groupes TA en particulier. Les modles doivent
fournir une relation entre la charge et le vieillissement et doivent intgrer l'historique des
rparations durant la priode d'exploitation. Des modles mathmatiques adapts de la mcanique
de la fracture (Gallestey et al., 2002), des processus stochastiques (Ross, 1996) et de
reprsentation de lge sur une chelle de temps multidimensionnelle (Gertsbakh & Kordonsky,
1997, 1998; Kordonsky & Gertsbakh, 1993) sont des exemples de solutions utilises dans
plusieurs domaines de la science.
Parmi les modles, il y a ceux qui caractrisent la dure de vie dun quipement, partir de
modles probabilistes issus de la thorie de la fiabilit. Ces modles sont continus et permettent
de calculer la probabilit daccomplissement de la mission de lquipement sur un horizon donn.
De faon gnrale, un quipement est considr comme un systme complexe form d'un
assemblage de composants partir de structures prdfinies telles que les structures sries,
parallles, et hybrides. Ces modles sont trs utiles et suffisants dans beaucoup de situations.
Mais dans d'autres, et compte tenu des simplifications inhrentes ces architectures, les rsultats
de ces modles de fiabilit peuvent tre loppos des attentes en ne concordant pas avec les
donnes mesures. Une des limitations est la difficult de tenir compte des interactions qui
peuvent exister entre les composants en mettant par exemple un composant neuf en srie avec un
composant de mme nature mais dj usag pour raliser un remplacement sur le systme.

10
Pour les systmes complexes de production, la thorie de la fiabilit fournit des outils pour
lestimation du vieillissement en utilisant une varit de mthodes mathmatiques. Ces mthodes
peuvent tre scindes en trois familles principales :
-

les modles stochastiques ;

les mthodes bases sur la dgradation ;

et les mthodes danalyse des effets des dfaillances.

La reprsentation du vieillissement nacquire de sens que si la quantit suffisante de donnes est


disponible pour l'estimation des paramtres des modles. Certaines donnes sont souvent
difficiles obtenir et prsentent un degr assez marqu dincertitude (Billinton & Allan, 1984). Il
arrive aussi que des quantits normes de donnes telles que celles fournies par des capteurs de
toutes sortes installs sur les groupes TA, puissent tre collectes. Ce sont des donnes
concernant les vibrations, les tempratures, les courants, etc. Il est alors essentiel de dterminer
quel type et quantit de donnes sont ncessaires pour la modlisation recherche.
Dans ce qui suit, les modles recenss dans les trois familles principales sont dcrits et
comments.

2.1.1 Modles stochastiques


Parmi les modles de vieillissement stochastiques quatre sous-familles sont revues : les modles
de risques proportionnels, les modles issus des processus de Markov, et ceux bass sur
l'estimation Baysienne. Quelques modles plus gnraux sont aussi exposs.
2.1.1.1 Modles de risques proportionnels PHM
Dans les modles de dures de vie bass sur les PHM (proportional hazard model), la fonction de
risque se compose en gnral de deux parties : la premire est une fonction appele risque de
base et dcrit la variation du risque avec le temps. La seconde est une fonction dite de risques
relatifs et inclut un ensemble de paramtres appels paramtres des effets et permet de relier
le risque certains facteurs qui peuvent varier d'un individu l'autre. Si ces individus se trouvent
dans des tats diffrents, le modle permet alors de reprsenter la relation entre ces tats.
Le modle le plus utilis est celui o le risque de base est multipli par les risques relatifs. Le
terme gnrique, modles de risques proportionnels paramtriques est utilis quand le risque

11
de base est spcifi. Quand il ne l'est pas, Cox (Cox & Oakes, 1984) a montr que si lhypothse
de proportionnalit tient, il est alors possible destimer les paramtres des effets sans aucune
considration pour le risque de base. Son modle est alors appel modle de risque proportionnel
semi-paramtrique.
Dans sa forme la plus commune, le PHM relie le risque ou taux de dfaillance
dun individu dans un tat , par rapport un tat de rfrence
Cox :

avec

linstant ,

, en utilisant la relation dite de

une fonction positive et

1 (Meeker & Escobar,

1998).
Un des avantages des PHM est lanalyse exploratoire des donnes. Ces analyses permettent de
mesurer quantitativement limportance relative des facteurs qui influencent le comportement dun
systme et de dterminer la forme du modle. La version semi-paramtrique des PHM montre
limportance relative des facteurs sur le comportement de la dfaillance. De ce fait, cest une
probabilit relative de dfaillance qui est value et non pas sa valeur absolue (Newby, 1994). Il
est relev que pour la comprhension du mcanisme sous jacents la dfaillance, il y a toujours
besoin de plus dinvestigations en utilisant par exemple les tests de dfaillances acclrs. Dans
ces tests, lquipement est soumis des conditions dutilisation beaucoup plus svre que la
normale qui acclrent la dgradation est rduisent sa dure de vie.
La technique base sur les PHM a donc beaucoup de valeur dans lanalyse des donnes de
fiabilit ramasses sur le terrain, mais les auteurs conseillent de faire attention dans
linterprtation des rsultats.
Un autre point avantageux est le fait que lon peut construire une fonction de probabilit partielle
qui estime les paramtres de la fonction

sans devoir indiquer un taux de dfaillance de base.

Ceci est utile si lon sintresse seulement aux magnitudes relatives des effets des facteurs. Par
contre pour le mcanisme de dfaillance en soi, il est ncessaire de spcifier la formulation
paramtrique de tout le modle (fonctions

et

). Il est possible ensuite dutiliser le PHM

pour analyser un systme comme une boite noire, pour lequel on recherche une indication de
ltendue de la relation entre ltat

en entre et la probabilit de dfaillance en sortie.

Dans son expression la plus simple, un modle PHM possde une fonction

rduite une

constante . Le taux de dfaillance sapparente au taux d'une loi de Weibull 2 paramtres avec
. Il dcrit un processus de dfaillance un seul mode comme lusure. Ce modle

12
a t utilis pour modliser les dfaillances survenues sur un type de pompe dvacuation dans la
centrale nuclaire Bruce (Newby, 1994).
Les auteurs de (Gasmi et al., 2003) dveloppent un modle statistique dans un environnement
opration/maintenance. Ils quantifient limpact des oprations de maintenance sur le taux de
dfaillance. Dans le cas dun systme oprant selon deux modes tels que le mode en charge et le
mode au repos, il est concevable de penser que le taux de dfaillance dans la priode de repos o
les mcanismes sont fonctionnels mais non sollicits, est plus faible. Cest le cas des groupes TA
o des units sont mises hors service en tant tout de mme synchronises avec le rseau.
Bien que mcaniquement en tat de service, le systme nest plus sous linfluence de charges
normales. Un cadre de reprsentation bas sur un PHM est utilis pour capturer cette transition
entre les deux modes opratoires. Dans lun ou lautre des modes, lanalyse des historiques de
maintenance montre que le systme a t occasionnellement mis hors service et divers types de
rparations ont t entrepris. Il a t observ que dans lun ou lautre des modes, des dfaillances
peuvent survenir.
2.1.1.2 Processus de Markov
Des bnfices substantiels ont t tirs de lutilisation des processus de dcision Markoviens pour
slectionner des stratgies de maintenance conditionnelles. La dgradation est modlise en
supposant que les composants transitent entre un nombre limit dtats avec des probabilits
constantes sans tenir compte de la dure passe dans un tat en particulier, les temps de
commutation, et les rparations. Bien que ces hypothses ne soient pas ralistes, la simplicit
dapplication de ce modle et les succs obtenus dans bien des domaines, en font encore un outil
assez rpandu (Black et al., 2005).
Les modles de Markov homognes dfinissent le comportement stochastique dun composant
laide de deux ou plusieurs tats, dans lesquels le composant sjourne durant sa vie et desquels il
transite avec un taux de dfaillance constant entre les tats possibles. Ce taux exprime le fait que
la probabilit conditionnelle de la dure coule entre deux tats successifs est distribue selon
une loi exponentielle. Le sous-comit de travail de lIEEE sur lapplication de mthodes issues de
la thorie des probabilits, a propos un modle simple quatre tats (figure 2.2). Lapplication
des quations de Kolmogorov la limite, donne les probabilits de transition entre les diffrents
tats.

13

0, 2
0 - Arrt
pour chute
de la rserve

2- En
Service

2,0
0 ,3

3, 2

1,0
1Arrt forc et
quipement
non requis

3,1

1,3

2,3

3Arrt forc
mais
quipement
requis

Figure 2.2 : Modle Markovien quatre tats


Pour rpondre aux insuffisances voques plus haut, les auteurs dans (Van Casteren et al., 2000)
reprsentent la dure de sjour dans un tat non pas par une loi exponentielle mais par une loi de
Weibull. Le modle Weibull-Markov propos est compltement compatible avec le modle dans
le cas homogne. Les mthodes dvaluation de la fiabilit qui sappliquent dans le cas
homogne, sappliquent aussi bien avec leur modle.
Pour compenser aussi les faiblesses notes plus haut, une autre possibilit est la relaxation de
lhypothse dhomognit obtenue avec les processus semi-Markovien. Le temps pass dans un
tat particulier est distribu selon une loi choisie arbitrairement. De ce fait, les probabilits de
transition entre les tats vont dpendre de la dure passe dans ltat. Plus le temps pass est long,
plus les probabilits de transition seront fortes. Ceci correspond dautant mieux la ralit.
Dans larticle (Black et al., 2005), les auteurs utilisent un tel modle pour tudier la dgradation
de la peinture dun groupe de 309 transformateurs lectriques dcrit par quatre tats de
dgradation : bon , pelure lgre , rouille visible et rouill . Les donnes historiques
sur les tats et les dures passes entre les tats ont t ou bien collectes, ou bien estimes en
utilisant le jugement dexperts. Les dures passes entre les tats ont t reprsentes par une loi
de Weibull, capable de dcrire diverses formes de courbes en variant seulement deux paramtres,
et en connaissant les probabilits de transition sur une anne, toutes les probabilits de transition
annuelles ont t dtermines. Par la suite, les cots de chacune des stratgies possibles de remise
en tats ont t calculs et la stratgie optimale a t compare aux cots actuels.
Ouhbi et Limnios (Ouhbi & Limnios, 1997) appliquent un modle semi Markovien pour analyser
les donnes de fiabilit de rotors de turbo gnrateurs chez EDF (lectricit de France). Les

14
donnes ont t collectes partir de rapports de maintenance qui stalaient des annes 1964
1994.
Les chanes de Markov temps continu sont aussi utilises dans (Billinton et al., 1997; Chan &
Asgarpoor, 2006; Lam & Yeh, 1994). Les auteurs dans (Lam & Yeh, 1994) considrent que plus
la dtrioration augmente plus les cots de maintenance encourus augmentent. Le systme est
dcrit par des tats successifs dgradations croissantes. Un tat donn est caractris par sa
dgradation et les cots de maintenance relatifs cet tat. Les transitions entre les tats sont
reprsentes par un processus Markovien temps continu. Des algorithmes explicites sont
drivs pour l'optimisation de stratgies de maintenance classiques. Un modle plus simple
deux phases seulement de dgradation est trait dans (Coolen & Dekker, 1995).
2.1.1.3 Estimation Baysienne
La fiabilit des systmes est value gnralement avec lhypothse de stress dterministe (ayant
une valeur connue) avec une amplitude nominale. Le stress sur les composants peut tre de type
lectrique, thermique ou mcanique. Dans les bobinages des alternateurs par exemple, les pics de
tensions, ont des effets nfastes reconnus, particulirement sur les isolants, mais cette influence
est difficile prendre en compte dans la modlisation. Dans ce contexte, lapplication
dapproches baysiennes est privilgie par nombre de chercheurs. Ces approches incorporent de
linformation a priori comme les connaissances sur les tats de fonctionnement du systme et la
technologie employe dans le processus de modlisation. Ces dernires peuvent tre amliores
au moyen dobservations, donnant lieu une valuation a posteriori .
Dans cet ordre dide, les auteurs de (Chiodo & Mazzanti, 2006) construisent une mthodologie
pour estimer la fiabilit de composants dans des systmes avec un ge avanc. Elle est base sur
deux variables alatoires : lune est la rsistance de lisolation lectrique suivant une loi de
Weibull inverse, de paramtre de forme constant, et de paramtre dchelle suivant le modle
IPLA (Inverse Power Law Analog). Lautre variable est le stress caus par limpulsion lectrique
modlise aussi partir dune distribution de Weibull avec un paramtre dchelle inconnu. Ils
dmontrent que le taux de dfaillance suit une loi Log Logistique sous certaines conditions et
drivent les modles de fiabilits a priori et a posteriori ainsi que dautres paramtres (centiles de
dures de service, moyenne, intervalles de confiance,).

15
La mthodologie prcdente est applique pour ltude de la fiabilit de lisolation de cble pour
le transport dlectricit sous un champ lectrique sinusodal ainsi que de tempratures
constantes. Lisolation des cbles est sujette des pics de tension distribus selon une loi de
Weibull. La procdure destimation ncessite seulement des donnes statistiques sur le stress et
une connaissance des valeurs approximatives des paramtres de la loi de la rsistance de lisolant.
Selon les auteurs (Chiodo & Mazzanti, 2006), les rsultats obtenus sont trs probants tant donn
la simplicit relative de la mthodologie.

2.1.2 Mthodes bases sur la dgradation


Les mthodes bases sur la dgradation peuvent tre regroupes en quatre classes de mthodes :
la dgradation cumule, lanalyse de donnes de dgradation, lanalyse de vibrations, et la
commande prdictive.
2.1.2.1 Modles de dgradation cumule
La dmarche usuelle utilisant lanalyse de la dgradation est de dduire la distribution de la dure
de vie dun quipement partir de la distribution des paramtres alatoires des trajectoires de
dgradation dun chantillon dindividus (Abdel-Hameed, 1986; Kiessler et al., 2002; Satow &
Nakagawa, 1997). Cette approche requiert une forme fonctionnelle de la distribution conjointe
des paramtres alatoires qui apporte son lot de difficults. Mais une fois quune forme de
distribution est trouve, le but est en gnral, de construire des stratgies de maintenance
capables de profiter de donnes de mesure de la dgradation

pour optimiser les critres de

prise de dcision. Lune des stratgies est de fixer un seuil de dgradation dalarme infrieur
au seuil critique de dfaillance (figure 2.3) pour amorcer une action de remplacement. Des
exemples de modlisation sont proposs dans (Barros et al., 2002; Ebrahimi, 2006; Grall et al.,
2006; Zuckerman, 1978).

16

Figure 2.3 : Stratgie de remplacement base sur la dgradation (tire de (Grall et al., 2006))
Les modles concerns par la dfaillance par usure, utilisent des processus monotones (taux de
dfaillance croissant) pour dcrire le comportement stochastique. Ils peuvent dcrire un
phnomne ou une composition de phnomnes de vieillissement sous jacents. Les plus courants
se composent dun processus dusure continue croissant, coupl avec un autre processus
reprsentant un phnomne ponctuel et dont lvolution se traduit par des sauts dans la
dgradation avec des amplitudes alatoires (Klutke & Yang, 2002; Lim et al., 2005). Le
processus de dgradation cumulatif

0 dcrit alors la dgradation totale subie l'instant t.

Considrant que le systme a un seuil de dgradation fixe L, il est alors dclar dfaillant au del
de cette limite. Cet instant de dfaillance est appel temps de premier passage du processus (first
passage time) par la barrire L.
Si la dgradation de l'quipement volue de faon continue dans le temps, comme dans le cas de
l'usure par fatigue, le processus de Wiener donne une bonne reprsentation de cette volution. La
dgradation cumule scrit alors

avec

0 un mouvement Brownien

standard (Ross, 2000). La figure 2.4 dcrit des ralisations typiques d'un processus de Wiener.

17

10

Limite: 10
( 0.009 ,0.004 )
( 0.0135 ,0.008 )
( 0.02025 ,0.016 )

9.5
9
8.5
8
7.5
7

Dgradation X(t)

6.5
6
5.5
5
4.5
4
3.5
3
2.5
2
1.5
1
0.5

100 200

300 400

500

600

700

800 900 1 000 1 100 1 200 1 300 1 400 1 500 1 600 1 700 1 800 1 900 2 000
Temps (h)

Figure 2.4 : Trajectoires d'un processus de Wiener avec diffrentes valeurs de

Quand le seuil L est constant, le temps de premire dfaillance T du systme est connu pour avoir
une distribution gaussienne inverse (Chhikara, 1989).
Par contre, quand la dgradation survient par bonds discontinus dans le temps, les processus de
chocs (Marked Point Processes) sont utiliss pour dcrire lvolution discrte de la dgradation
sont donns par une suite

dans le temps. Les instants successifs d'apparition des chocs


croissante 0
marque alatoire

de variables alatoires. chaque fois, le point

est associ une

valeur relle. Il dcrit la dgradation additionnelle cause par le

choc.

Un exemple typique de modle de dgradation par bonds discontinus est le processus de Poisson
compos (Aven & Jensen, 1999; Ross, 2003), dans lequel le processus d'arrive des chocs est un
processus de Poisson

0 de taux

et les valeurs de dgradation

sont des variables

alatoires indpendantes mais identiquement distribues avec une distribution

de taux

dans le cas exponentiel. Le temps de premire dfaillance T du systme est l'instant o la


dgradation accumule atteint le seuil L. Le processus modlise l'occurrence des chocs dans le
temps et la marque associe caractrise l'amplitude de la dgradation. La figure 2.5 prsente des
ralisations du processus pour diffrentes valeurs des paramtres

18

10
Limite: 10
( 0.50, 15.00)
( 0.17, 7.50)
( 0.06, 3.75)

9.5
9
8.5
8
7.5
7
6.5
Dgradation X(t)

6
5.5
5
4.5
4
3.5
3
2.5
2
1.5
1
0.5
0
0

100

200

300

400

500

600

700

800

900 1 000 1 100 1 200 1 300 1 400 1 500 1 600 1 700 1 800 1 900 2 000
Temps (h)

Figure 2.5 : Trajectoires d'un processus de chocs de Poisson

2.1.2.2 Analyse de donnes de dgradation


Linformation obtenue en utilisant le monitoring de ltat de dgradation, quand cela est possible,
est utilise de plus en plus par les industriels pour la maintenance des actifs. Cette tendance est
acclre avec la disponibilit de capteurs trs fiables ainsi que le dveloppement rapide des
technologies de linformation (Kumar, 2000).
Dans la plupart des installations, les inspections ralises rgulirement fournissent aux
techniciens une connaissance tacite du risque quune dfaillance survienne. Lintgration de cette
connaissance dans les modles de fiabilit des composants peut amliorer la prcision du modle
pour le systme en entier, et de se reflter sur les rsultats des actions de maintenance.
Idalement, chaque classe de composants pourrait tre caractrise par une quation qui calcule
le taux de panne comme une fonction dun certain nombre de paramtres critiques.
Brown et al. (Brown et al., 2004) proposent une mthode heuristique qui utilise les rsultats de
linspection pour raliser des classements relatifs et normaliss des tats du systme. Ces
classements sont ensuite superposs des fonctions de taux de dfaillance en se basant sur les
donnes des units les plus mauvaises, celles de condition moyenne et les meilleures dentre

19
elles. Pour raliser ce classement, lun des tats suivants est affect au systme lors de
linspection :

0 pour la meilleure condition,

pour le plus mauvais tat. Chaque rsultat

0.5 pour une condition moyenne et

est pondr par un poids

bas sur limportance

relative du composant dans ltat gnral du systme. Ces donnes sont issues de la connaissance
dexperts (designers, techniciens etc.) et sont corriges selon les expriences vcues sur chaque
installation. Ltat final est valu finalement par la moyenne pondre des

. Les priorits de

maintenance sont alors donnes aux quipements se retrouvant dans le plus mauvais tat. Les
auteurs fournissent une srie de tables pour des transformateurs lectriques dcrivant les
composants et leurs coefficients de pondration respectifs. Par la suite, cette connaissance de
ltat est intgre dans la modlisation du taux de dfaillance. Ils ont dtermin de faon
empirique, quun modle exponentiel dcrit le mieux la relation entre ltat normalis x de
lquipement et le taux de dfaillance . Ils ont choisi la relation

. Trois paires

de donnes sont ncessaires pour rsoudre le systme dquation en A, B et C. Les plus videntes
sont

0 ,

0.5 et

1 selon le systme de classement. La valeur de

0.5 peut tre

approxim par le taux de dfaillance moyen selon la littrature adquate. Les autres valeurs sont
plus difficiles dterminer, bien que des analyses statistiques, du benchmarking (selon un
prcdent travail du mme auteur) ou des heuristiques donnent des alternatives pour lestimation
(Brown et al., 2004).
Une fois les paramtres calculs, le modle (figure 2.6) est calibr pour concorder avec les
donnes historiques, gnralement en minimisant une fonction derreur.

Figure 2.6 : Calibration dun modle heuristique (traduit de (Brown et al., 2004))

20
Dans un autre type dapproches, le rsultat des inspections sont des mesures physiques dun ou
de plusieurs paramtres de dgradation. Pour une unit linstant , les mesures de dgradation
observes

diffrents points dans le temps alimentent directement un modle dvolution du

processus de dgradation tel que celui dcrit par Meeker et Escobar (Meeker & Escobar, 1998).
,

Dans ce modle les donnes sont reprsentes par


1

o
0,

est la trajectoire de dgradation,

1, , ,

un ensemble de paramtres et

une quantit dcrivant la combinaison de lerreur de mesure et du modle selon une

loi normale centre de paramtre . Cette quation est un modle de trajectoire de dgradation
qui peut tre base sur des mcanismes physiques ou chimiques.
Une autre approche trs intressante dveloppe rcemment, fait des infrences directement sur la
distribution de la dure de vie en procdant en quatre tapes (Chen & Zheng, 2005). Les donnes
de dgradation sont dabord utilises pour calculer des pseudos dures de vie en minimisant la
somme des carrs des erreurs (mthode LSE). Ensuite, des prdictions sur les intervalles des
dures de vie individuelles sont produites en spcifiant des bornes suprieure et infrieure. Un
algorithme dimputation spcifique est finalement utilis pour estimer la distribution de la dure
de vie. En dernier lieu, lintervalle de confiance est calcul en tudiant le comportement
asymptotique de cette distribution.
2.1.2.3 Analyse de vibrations
Sur le registre du monitoring des missions sonores ou vibratoires des machines tournantes, cette
technique danalyse est largement accepte comme outil de diagnostic et dvaluation de ltat de
ce type dappareils dans le milieu industriel. Lanalyse traditionnelle de vibrations aux fins de
diagnostic, tente de faire correspondre les lignes spectrales des frquences connues a priori,
comme celles surgissant lors dapparition de dfauts caractristiques de la machine. Les
transformations de Fourrier court terme STFT et les mthodes connexes (temps-frquences,
temps-chelle) sont souvent utilises pour dtecter les signatures non stationnaires des
dfaillances des composants qui rsultent gnralement de la prsence de dfauts. Le fait que les
dfauts des composants sont localiss dans lespace, et ont une frquence de dfaillance
caractristique, rend possible lassociation de motifs de vibrations particuliers avec des
composants spcifiques des appareils tournant (Parker Jr et al., 2000).

21
Une des plus grandes difficults dans le diagnostic est le tri des normes quantits de lignes de
frquences dans le spectre des frquences pour en extraire des informations utiles associes la
sant dun composant donn. Ce spectre contient souvent des mixtures de frquences trangres
qui ne renseignent en rien sur ltat du systme. La frquence la plus forte compatible avec celle
de la dfaillance est gnralement celle la plus proche de la frquence du mode de rsonance.
Lanalyse spectrale de puissance (power spectral analysis) dordre 2, la mthode des cumulants
dordre suprieur (high order statistics HOS) (Sanabria & Dillon, 1998; Yan et al., 2000)
(Sanabria et Dillon, 1998; Yan Ma et al. 2000) et les transformes de Fourier associes, sont les
outils mathmatiques utiliss pour extraire des informations utiles du spectre de vibration.
Parker et Ware (Parker Jr et al., 2000) notent un certain nombre de dficiences dans ces mthodes
et proposent une technique pour implmenter une analyse bi-spectrale lusage des applications
utilisant le monitoring de ltat aux fins de maintenance. Ils montrent comment la dtection de
changements statistiques (SCD) dans le domaine bi-spectral peut effectivement dtecter et
isoler des dfaillances sans faire appel une grande quantit de donnes a priori. Avec lapproche
SCD, ils recherchent la manifestation dune nergie certaines paires de frquences, connues a
priori, dans le bi-spectre et qui est supporte par la thorie et par des rsultats empiriques. Un
dtecteur rapide dans le domaine mono-spectral est dfini par
spectral (deux frquences indpendantes) par

et bi. Dans des

conditions dutilisation normales, le dtecteur bi-spectral se trouve avoir une moyenne nulle et
non nulle en prsence dun dfaut dans lappareil. Il est naturel de rechercher alors une drive
statistiquement significative de ce dtecteur en recherchant un optimum local dune fonction de
test de drive. La performance de ce test dans le diagnostic de panne a t vrifie avec des
donnes de vibrations dune bote de vitesse dun hlicoptre CH-47D. Les rsultats montrent la
prsence dune dformation sur les dents des pignons par fatigue. Deux acclromtres
fournissent les donnes simultanment et sont numrises un taux dchantillonnage de 121212
Hz et sont disponibles 30s chaque minute pendant une dure de mesure de 23 mn.
La figure 2.7 montre que la dfaillance se manifeste environ 20 mn. Mais le test statistique
rvle une drive 16 mn dj. Cette dure de 4 mn pour un appareil volant peut tre critique
pour un atterrissage durgence.

22

Figure 2.7 : Puissance du signal RMS du CH-47D (tire de (Parker Jr et al., 2000))
Plus rcemment encore, Zhan, Makis et Jardine (Zhan et al., 2003) proposent un outil comparable
dvaluation des tats sous des conditions de fonctionnement variables. Un modle despace des
tats des signaux de vibrations multivariables non stationnaires est solutionn en utilisant une
version modifie de lalgorithme de filtration de Kalman tendu et une analyse spectrale dans le
domaine temps-frquences. Ce modle a t appliqu pour dtecter la dtrioration de machines
rotatives sous des conditions dutilisation variables.
2.1.2.4 Estimation sur des chelles multiples
Lchelle de temps utilise le plus frquemment pour la description du processus de dfaillance
dans diverses applications est lchelle de temps chronologique. Dans les tudes de fiabilit,
plusieurs chelles de temps peuvent tre prise en considration, comme discut dans Farewell et
Cox (Farewell & Cox, 1979), Kordonsky et Gertsbakh (Kordonsky & Gertsbakh, 1993),
Singpurwalla et Wilson (Singpurwalla & Wilson, 1998) et les travaux de Duchesne et Lawless
(Duchesne & Lawless, 2002). Lexemple classique est celui de lestimation de la fiabilit des
automobiles pour lapplication de stratgies de couverture sous la garantie. Celle-ci est dfinie
sur deux chelles : l'chelle de temps chronologique dfinie par
kilomtrage accumul

dans l'intervalle 0, . L'chelle

0 et l'chelle dfinie par le


prend souvent la forme d'un

processus stochastique croissant. Ltude de la distribution du temps de dfaillance de


lquipement est alors possible en utilisant l'quivalence entre les deux probabilits

et

23
. Lchelle de kilomtrage y joue le rle dune nouvelle chelle au lieu de
lchelle de temps chronologique t. Dans ce contexte, en ayant une fonction de rpartition de
l'usage
est donne par

et celle de dfaillance

une relation entre les chelles

. Avec un usage proportionnel au temps, la formulation la plus

simple est linaire, et prend la forme de

0.

Finkelstein (Finkelstein, 2004), propose une tude du comportement de la loi de dfaillance avec
diverses formes d'usage comme l'usage intermittent et l'usage alatoire. Il montre quun usage
alatoire de lquipement peut changer de faon importante la forme du taux de dfaillance
comparativement un usage dterministe. Ce qui est surprenant, cest quun accroissement aigu
du taux de dfaillance dans un cas peut se changer en un taux dcroissant dans l'autre. Diffrents
exemples sont exposs pour illustrer les rsultats.
Dans le cas o plusieurs chelles de mesure de l'usage sont possible, les auteurs de (Kordonsky &
Gertsbakh, 1993) proposent une mthode de slection base sur un coefficient de variation not
c.v par rapport au temps chronologique d'apparition des pannes. La meilleure chelle est celle qui
possde le plus petit coefficient. Ils recherchent une chelle

sur laquelle le seuil

de

dclenchement des oprations de maintenance est indpendant de la charge q sur le systme


(figure 2.8). Lexemple illustrant cette approche est ralis sur ltude de leffet de deux types de
charges (basse/haute) sur la rupture par fatigue dun chantillon de poutre cylindriques en acier.
Les rsultats obtenus sont apparemment aussi bons que ceux prdits par une formule empirique
utilise en ingnierie appele lchelle de Miner.

Figure 2.8 : chelle indpendante de la charge

24
Une extension du modle prcdent est dvelopp dans (Kordonsky & Gertsbakh, 1995). Ainsi, il
est fait mention d'une mthode de gnration d'chelles supplmentaires autres que celles pouvant
tre mesures directement. Par exemple en utilisant des quipements spcifiques comme les
compteurs de dgradation (damage counters DC) utiliss surtout en aviation. Lide derrire
un DC est de mesurer des dformations cycliques, et de convertir celles-ci en dgradation
accumule. Un DC install sur un avion, combine en fait lchelle de temps temps de vol ,
lchelle nombre de vols en une chelle unique qui dcrit plus adquatement la dgradation
totale par fatigue accumule selon ces deux chelles. De plus, avec lchelle temps courant , il
y a prsence dun systme de mesure sur trois dimensions.
Par la suite, des stratgies de maintenance de type remplacement sont calcules sur la base de ces
modles. Avec , lensemble des conditions doprations possibles dont un sous ensemble Q
dlments est ralis avec la probabilit dPQ, les auteurs de (Gertsbakh & Kordonsky, 1997)
dfinissent une fonction de rpartition de la dure de vie de lquipement comme une mixture
note

Dans le cas unidimensionnel, la fonction de revenus moyens accumuls

, |

(comprenant

les cots de maintenance) oprant dans les conditions dfinies par Q et ayant des intervalles de
remplacement de dure z, est maximise pour dterminer un intervalle optimal de remplacement
. Dans le cas dchelle de temps plusieurs dimensions, la fonction cot est tablie pour
chaque dimension et une combinaison de ces cots est ralise avec les paramtres dquivalence
adquats.
Les auteurs de (Singpurwalla & Wilson, 1998) construisent un modle de dfaillance index sur
une chelle bidimensionnelle constitue du temps chronologique et de lusage. En notant T la
dure de vie et
,

lusure accumule jusqu linstant t, ils formulent la densit conjointe par


|

. Les candidats pour modliser lusure sont naturellement les

processus stochastiques de la forme

0 . Les auteurs montrent lintrt des processus de

Poisson pour reprsenter le nombre de fois quun quipement est allum et teint ou le processus
de Poisson compos pour lusure par chocs comme dans le cas dun train datterrissage sur un
avion. Ces processus sont utiles quand lusage se manifeste par des dommages cumulatifs et
quand les incrments sont indpendants, c'est--dire, quand lutilisation future nest pas
influence par lhistorique dutilisation. Si les incrments ont une distribution stationnaire, le

25
processus de Lvy est aussi propos. Quand lusage se manifeste par une usure continue,
croissante avec un taux constant, le processus Gamma montre des potentialits intressantes selon
les auteurs.
Dans le cas de lusure continue mais intermittente, comme dans le cas dquipements qui
fonctionnent avec des priodes de repos, les processus de Markov additifs sont utiliss. Les
changements dtats, entre priode de fonctionnement et priodes de repos, sont dcrits par un
processus de Markov temps continu. Lusage cumulatif

est dcrit par un processus de

Lvy dans les priodes de fonctionnement, et reste constant dans les priodes de repos.
Pour dcrire leffet de ces variables sur linstant de dfaillance, les auteurs proposent un modle
de taux de panne additif (additive hazard model) de la forme

un taux de dfaillance de base comptabilisant lusure due des causes naturelles et

est
une

constante connue.
Pour illustrer une application pratique, lexemple de dtermination des limites de garantie
optimales pour des moteurs de locomotives est expos. Les donnes utilises recensent les temps
de dfaillance depuis la mise en service et le kilomtrage parcouru jusqu larrive au dpt pour
la maintenance. Un processus de poisson doublement stochastique est utilis pour reprsenter les
donnes. Une fonction dutilit est maximise pour une dure en jours et un parcours en nombre
de miles.
Il faut noter que dans les modlisations prcdentes, les combinaisons dchelles de temps sont
ralises par des combinaisons linaires des chelles primaires. Ce fait est relev dans (Duchesne
& Lawless, 2000) o les auteurs proposent un cadre plus gnral pour la recherche et le choix de
la meilleure chelle possible et tablissent des thormes pour valider loptimalit de la meilleure
chelle. Plus tard, les mmes auteurs dans (Duchesne & Lawless, 2002) dfinissent une autre
mesure pour la recherche de la meilleure chelle base sur la mthode dinfrence semi
paramtrique (rank based estimator) au lieu du coefficient de variation c.v introduit dans
(Kordonsky & Gertsbakh, 1993).
La stratgie de maintenance de type ge est modifie pour prendre en compte une chelle deux
dimensions. La formulation est due (Frickenstein & Whitaker, 2003). En effet, les auteurs
tendent la fonction de cot classique deux dimensions afin dtablir les conditions de
dtermination de la stratgie optimale. Les conclusions sont ralises pour une combinaison

26
linaire des chelles. Des tudes de cas de la littrature sont reprises et values par cette
mthode.
Un autre point relever est le fait que plusieurs des tudes de cas raliss dans la littrature se
basent sur des donnes de dfaillance ou de dgradation complte. Cest le cas pour toutes les
estimations des c.v . Le cas o les donnes sont incompltes est trait dans le travail ralis
rcemment dans (Jiang & Jardine, 2005). Lide est de transformer lchantillon incomplet
dobservations de dfaillances en chantillon complet quivalent. La meilleure chelle est
dtermine en appliquant une transformation faisant intervenir une fonction de rpartition
obtenue par la mthode maximum de vraisemblance et en utilisant la formulation du c.v .
2.1.2.5 Modle de commande prdictive
Le modle de commande prdictive ou MPC, est une mthode avance de contrle de processus.
Elle a t mise en service dans les industries de processus telles que les usines chimiques et les
raffineries de ptrole depuis les annes 80. Le contrleur se fonde sur un modle de processus
dusine empirique obtenu en ralisant des essais sur les installations en cours de fonctionnement
et larrt. Le modle prvoit le comportement des variables dpendantes d'un systme
dynamique bas sur des variables indpendantes pour calculer une commande qui minimise les
cots (cost minimizing control). Ltat de lusine un instant donn, est reprsent par un
ensemble dindicateurs (calculs ou mesurs grce des capteurs). Les principaux fournisseurs
commerciaux de logiciel MPC aux USA sont Honeywell, AspenTech, et Emerson.
En principe, un problme de contrle non linaire pourrait tre trait en mode arrt (avant que
l'usine entre en fonction). Ceci dterminera la commande optimale pour chaque tat possible de
l'usine. Mais dans le cas des grandes installations, cette approche est compltement impraticable
dun point de vue mathmatique, informatique et de stockage de donnes. La mthode MPC vient
bout de ce problme en portant une attention limite l'tat courant de l'usine et un horizon
,

relativement court dans l'avenir. Un calcul est effectu pour explorer la trajectoire d'tat

qui mane de l'tat actuel et pour trouver une stratgie de commande minimisant le cot jusqu'au
temps

. ce moment-l, ou plus tt, l'tat d'usine est relev encore et les calculs sont

rpts partir de l'tat actuel, donnant lieu une nouvelle commande et par consquent, une
nouvelle trajectoire d'tat. Les horizons de prvision continuent de se dcaler vers lavant et cest

27
pour cette raison que les MPC s'appellent galement les contrles horizons glissants
(receding horizon).
Gallestey et al. (Gallestey et al., 2002) appliquent cette approche pour tenter de rpondre la
ncessit dintroduire la baisse du potentiel de dure de vie dans une centrale lectrique, qui
tienne compte de linfluence du mode opratoire dans le processus de vieillissement. Un modle
agrg est utilis pour l'valuation de la dure de vie afin d'obtenir une indication du
vieillissement de l'ensemble de la centrale en considrant tous les composants individuels. Le
vieillissement des composants est mesur via une valeur normalise de la longueur dune fissure
virtuelle prvue, une longueur de fissure critique, qui est dpendante du composant. Il propose
deux mthodologies pour traiter ce problme.
La premire mthodologie a une structure classique et permet, dans un contexte de vieillissement,
de quantifier limpact dune stratgie doprations sur la performance conomique des
installations de production. Lide naturelle est de minimiser une fonction cots moins
revenus en respectant un certain nombre de contraintes dont la satisfaction de la charge.
La seconde mthodologie pose le problme doptimisation en termes de dpistage (tracking)
dune trajectoire prdfinie de la vie de linstallation. La centrale est vue comme un actif
financier dont la valeur intrinsque (fonction du temps), doit se comporter selon une faon
prdfinie. Le dcideur nest pas seulement intress dans les profits immdiats, mais aussi dans
la perte de valeur associe son actif. Cette perte est relie directement la dure de vie
consomme. Suivre une trajectoire prdfinie, correspondant par exemple un plan de rnovation
prdfini, se ralise :
-

en dfinissant une dure de vie nominale dsirable pour la centrale, tenant compte des
besoins stratgiques ;

en calculant une charge optimale ;

en trouvant un compromis entre laspect purement conomique et la dgradation de


linstallation.

Les auteurs renvoient au modle MPC pour solutionner ce problme. Une squence de
rnovations optimales futures est choisie en accord avec des prdictions sur lvolution future (
court ou moyen terme) de linstallation. Le premier terme de la squence est appliqu. Quand des

28
mesures ainsi que de nouvelles informations parviennent, une nouvelle squence est applique.
Chaque squence est obtenue par une procdure doptimisation.

2.1.3 Mthodes d'analyse des effets des dfaillances


En analyse de fiabilit par lnumration des tats, les rsultats de la FEA (Failure Effects
Analysis) sont statistiquement pondrs par les frquences ou les probabilits stationnaires des
diffrents tats du systme. En appliquant la thorie de renouvellement, les tats du systme,
dfinis partir des dures passes dans un tat et les probabilits de transitions antrieurs,
peuvent tre dtermins.
Dans ce contexte, la FEA est loutil didentification des sources de dfaillances dans les systmes
en utilisant une mthodologie structure. Elle limine rapidement les dfaillances sans
importance et se concentre sur les pannes ayant un impact significatif sur le fonctionnement de
lquipement. Larborescence de pannes se construit sur les rsultats de la FMEA (Failure Modes
and Effects analysis). Elle caractrise les scnarios de dfaillance les plus significatifs en utilisant
des arrangements de structures logiques ET et OU pour dterminer le taux global de
perturbation du systme. Larborescence classe aussi les dfaillances selon leurs probabilits
dapparition. Ce classement permet dapporter des modifications pour ne pas permettre aux
dfaillances critiques de se dvelopper. Cette revue qualitative et quantitative fournit une
mthode pour valuer la frquence des pannes, la fiabilit et didentifier les points faibles du
systme et dveloppe des recommandations damliorations. Dans larticle (Bono et al., 2004),
des canevas pour ltablissement des arborescences, du classement des dfauts, du calcul des
frquences sont proposs.
Dans le mme ordre dides et pour rduire les risques de pannes et leurs consquences, les
auteurs de (Krishnasamy et al., 2005), proposent une mthodologie dtaille de planification de la
maintenance base sur le risque tabli avec la mthode FMECA. La mthodologie permet de
maximiser la fiabilit et de minimiser les cots de maintenance. Le diagramme de la figure 2.9
rsume la mthodologie.

29

Identification des sous systmes et


des composants

Dfinition des relations entre


composants sous systmes et le
systme principal

Cueillette des donnes et


dfinition des modles de
dfaillance et de rparation

valuation du risque :
- Identification
- Analyse probabiliste des dfaillances
- valuation des consquences
- Quantification du risque

Estimation du risque :
- Slection du critre dacceptation
- Comparaison entre le risque estim et
le risque acceptable

Planification de la maintenance :
- Dveloppement dun plan pour
rduire les risques

Figure 2.9 : Architecture de la mthodologie (traduit de (Krishnasamy et al., 2005))


Pour lidentification de ltendue du projet, lunit est divise en systmes majeurs, chaque
systme est divis en sous-systmes et les composants de chaque sous-systme sont identifis.
Chaque systme est analys un la fois jusqu ce que toute lunit soit analyse. Les donnes
requises pour analyser les scnarios potentiels de dfaillance pour chaque systme sont
collectes. Les relations physiques, oprationnelles et logiques entre les composants sont
tudies, partir des trois tapes dcrites ci-dessous.
Lestimation du risque. Elle commence avec lidentification des vnements majeurs (top event)
conduisant un scnario de dfaillance. Un arbre de dfaillance est utilis pour identifier les
vnements de base et les trajectoires intermdiaires qui conduisent lvnement majeur (figure
2.10). Les donnes de dfaillance des vnements de base des sous systmes sont utilises pour
estimer la probabilit de dfaillance du sous systme. Une analyse de consquence quantifie les

30
effets doccurrence de chaque scnario de dfaillance. Ceci est bas sur ltude des cots de
maintenance incluant les cots encourus la suite dune dfaillance. la fin, une mesure
quantitative du risque est obtenue.
Lvaluation du risque. Un critre de risque acceptable est dtermin et utilis pour dcider
si le risque estim pour chaque scnario de dfaillance est acceptable ou pas. Les scnarios de
dfaillance qui produisent un risque inacceptable sont utiliss pour dterminer les stratgies de
maintenance pour les composants impliqus.

Figure 2.10 : Arbre de dfaillance dune unit de production (traduit de (Krishnasamy et al.,
2005))
Planification de la maintenance. Les sous-systmes qui ne rencontrent pas le critre de risque
acceptable sont tudis dans le but de concevoir un plan de maintenance qui va rduire le risque.
Le type ainsi que lintervalle de maintenance sont dcids ce niveau. En modifiant lintervalle
de maintenance, les probabilits de dfaillance changent. Lanalyse inverse de larbre de

31
dfaillance permet de dterminer, les probabilits pour chaque vnement de base. Les intervalles
de maintenance, qui produisent ces probabilits, sont ensuite calculs.
Lapplication de la mthode pour lunit 3 de la Holyrood Power Station Terre-Neuve a pris en
compte les donnes de dfaillance enregistres par la compagnie et lajustement des donnes par
la mthode des moindres carrs a ressorti des lois exponentielles et de Weibull pour les
composants identifis sur 53 arbres de dfaillances.
La mme approche est adopte dans (Yun et al., 2004) en mettant lemphase sur les dtails des
modles mathmatiques et le calcul des intervalles. Ils tracent aussi des pistes pour le choix des
composants tudier.

2.2 Stratgies de maintenance


Une stratgie de maintenance est une rgle de dcision qui spcifie la squence des actions
entreprendre pour maintenir ou rtablir le systme dans un tat donn. Ces actions sont classes
en deux catgories : les actions correctives, faisant suite la dfaillance, ou prventives si le
systme est encore en tat de fonctionnement.
Les pionniers dans la modlisation des stratgies de maintenance sont sans doute Barlow et
Proschan (Barlow & Hunter, 1960). Leurs modles mathmatiques ont permis deffectuer des
analyses de sensibilit et dtablir les conditions dexistence et dunicit dune stratgie optimale.
Cependant, ces modles font lhypothse que le systme tudi est constitu dune seule entit.
Loptimisation de la stratgie tient alors compte de la performance globale du systme et non pas
de la performance individuelle de ses composants.
Pour les systmes avec plusieurs composants, les stratgies optimales appliques sur chaque
composant ne garantissent pas lobtention dune stratgie optimale pour tout le systme. De ce
fait, une autre catgorie de recherche sest dveloppe concernant la modlisation des stratgies
de maintenance des systmes multicomposants (Cho & Parlar, 1991; Dekker et al., 1997;
Nakagawa & Murthy, 1993; zekici & Nato, 1996).
La dpendance entre les actions de maintenance est aussi lun des facteurs les plus importants
dans la modlisation dune stratgie. Cette dpendance peut tre conomique lorsque des actions
de maintenance sont ralises simultanment et se traduit par une conomie dchelle. Elle peut
tre aussi structurelle lorsque le remplacement dun composant du systme entrane dautres

32
remplacements cause de sa configuration. Elle est stochastique lorsque la dfaillance dun
composant influence la dure de vie des autres composants du systme et par consquent, peut
modifier les actions de maintenance prvues initialement.
En plus de la dpendance entre les actions de maintenance, lhorizon de la planification joue un
rle important. Un horizon infini implique que la stratgie demeure invariante (modles
stationnaires). Avec un horizon de planification fini, la stratgie est dynamique, les dcisions
peuvent changer dans le temps (modles dynamiques). La rsolution de ces modles exige des
techniques plus labores que pour les modles stationnaires.
Finalement, la stratgie de maintenance conduit l'laboration du critre doptimisation. cause
de limportance des cots engags dans les oprations de maintenance, la grande majorit des
modles minimisent le cot total moyen des actions de maintenance sur un horizon donn.
Les modles qui maximisent la disponibilit sont souvent limits aux systmes un seul
composant. Les modles multiobjectif optimisant plus dun critre, sont rares aussi et limits un
seul composant (Shelokar et al., 2002).
Par ailleurs, dans la majorit des modles, on considre que les actions de maintenance sont
effectues dune manire parfaite. Ltat du composant ou du systme aprs la ralisation de
laction est ramen exactement son tat avant la dfaillance autrement dit un tat neuf. Or,
plusieurs actions de rnovation sont des actions imparfaites.
En ce qui concerne les donnes, telles que les cots encourus par les actions de maintenance, les
pertes de revenus et les pnalits, la plupart des modles les considrent comme disponibles et
constantes. Or, lorsque lhorizon de la planification est relativement long, il est bien ncessaire
dactualiser les cots affrents. Des modles conomiques ou financiers peuvent fournir des
solutions ce problme.
Pour modliser et optimiser convenablement une stratgie de maintenance, Wang (Wang, 2002)
rsume les principaux facteurs prendre en compte sur la figure 2.11. Pour une stratgie de
maintenance donne, il existe une grande varit de modles qui peuvent lui tre associs selon le
contexte. Chaque combinaison de facteurs donne lieu un modle en particulier et un optimum
spcifique sil existe.

33

Figure 2.11 : Facteurs qui influencent les stratgies de maintenance (traduit de (Wang, 2002))
Une revue des principales stratgies de maintenance ainsi que leurs classifications sont prsentes
dans la section suivante.

2.2.1 Stratgies pour systme un seul composant


2.2.1.1 Stratgies bases sur l'ge
Les stratgies bases sur lge sont les plus tudies dans la littrature (Valdez-flores & Feldman,
1989). Elles suggrent le remplacement dun composant la dfaillance ou aprs T units de
temps sans dfaillance. Lge de remplacement est une constante mesure partir du dernier
remplacement du composant (Barlow & Hunter, 1960). Pour cette famille de stratgies, les
actions de maintenance peuvent tre prventives, correctives, minimales, parfaites ou imparfaites.
Une maintenance est prventive quand elle est ralise avant la dfaillance. Elle est corrective
quand elle est effectue pour remdier une dfaillance. Elle est minimale quand le taux de
dfaillance est rtabli au niveau o il tait juste avant la dfaillance. La maintenance est parfaite
quand le taux de dfaillance du composant est quivalent celui dun composant neuf au mme
instant. Elle est imparfaite par opposition la maintenance minimale et parfaite.
Nakagawa et Toshio proposent dans (Nakagawa, 1984) une variante de la stratgie de
remplacement selon lge o le remplacement est effectu un ge fixe T ou aprs la dtection de

34
N dfaillances. Cette variante permet de considrer plus quune dfaillance entre deux
remplacements prventifs conscutifs. Les dfaillances sont rpares par des actions de
maintenance corrective minimales. Les cots associs aux oprations de maintenance sont
constants. C'est une stratgie deux variables doptimisation.
Deux autres variantes de la stratgie de remplacement selon lge sont proposes par Sheu et al.
(Sheu et al., 1995; Sheu et al., 1993). Dans la premire variante, si un composant est trouv dans
un tat de dfaillance un ge

, le composant peut faire lobjet dune rparation parfaite

ou dune rparation minimale avec une probabilit 1

avec une probabilit

. Une fois

lge atteint, le composant est remplac la 1re dfaillance qui survient ou aprs un ge
lavance. Selon les valeurs prises par

et

fix

, les modles de la stratgie de remplacement

selon lge ou de la stratgie priodique avec rparation minimale la dfaillance peuvent tre
retrouvs.
La deuxime variante est une stratgie qui suggre deffectuer des rparations minimales jusqu
la

dfaillance qui apparat avant lge

(ces dfaillances sont qualifies de mineures) ou

bien de remplacer le composant la premire dfaillance aprs lge Z (dfaillance qualifie de


catastrophique ), ou un ge T fix lavance. Les dfaillances mineures surviennent avec
une probabilit

et les dfaillances catastrophiques avec la probabilit complmentaire. Les

variables doptimisation de cette stratgie sont n et T.


Block et al. (Block et al., 1988) proposent deffectuer des rparations minimales autant de fois
quune certaine priode de temps , fixe la lavance, na pas t atteinte depuis la dernire
rparation minimale ou le dernier remplacement. Une fois cette priode dpasse, le composant
sera remplac la premire dfaillance. Cette stratgie pourrait tre intressante pour doter les
composants, dont les dfaillances sont constamment partielles, dune politique de remplacement.
2.2.1.2 Stratgies priodiques
Dans la stratgie de remplacement priodique de base, un composant est remplac un intervalle
de temps constant

1,2, , et ce indpendamment de lhistorique des dfaillances entre

deux remplacements priodiques conscutifs. la dfaillance, le systme est remplac. Pour les
systmes multicomposants, cette stratgie est connue sous lappellation de stratgie bloc o

35
tous les composants dun systme sont remplacs simultanment un intervalle de temps
constant,

peu importe lhistorique des dfaillances de chacun dentres eux.

Pour les systmes un seul composant, la premire stratgie priodique classique est dsigne
par Policy II dans (Barlow & Hunter, 1960). Dans cette stratgie, le composant est remplac
priodiquement des temps prdtermins
remplacements prventifs conscutifs

. Toutes les dfaillances qui surviennent entre deux


1 sont corriges par des rparations minimales.

Nakagawa et Toshio prsentent trois modifications de la stratgie priodique de base dans


(Nakagawa, 1980a, 1980b). Les trois stratgies proposes considrent deux variables de
dcision : un temps de rfrence

et une priodicit T. Dpendamment de linstant doccurrence

de la dfaillance, les dcisions suivantes sont prises : si le composant tombe en panne avant
est rpar minimalement. Sil atteint T, il est remplac. Sil tombe en panne entre

, il

et T, la

dcision sera soit de ne rien faire (le composant demeure en panne), de raliser une rparation
minimale ou bien deffectuer un remplacement. Selon les valeurs prises par
les stratgies priodiques de base

0 et avec rparation minimale

, on peut retrouver
.

Liu et al. (Liu et al., 1995) proposent une extension de la stratgie de Barlow et Hunter (Barlow
& Hunter, 1960), o un composant peut tre soumis un certain nombre prdtermin de
rnovations prventives au cours de son exploitation. Ces interventions prventives sont
considres comme ayant une incidence mineure sur la performance du composant. Dans cette
stratgie, le composant est remplac priodiquement aux temps prdtermins
atteint un ge

ou aprs avoir

, N tant le nombre dinterventions prventives mineures. Toute

dfaillance du composant est corrige par une rparation minimale.


2.2.1.3 Stratgies de dfaillance limite
Pour cette famille de stratgies, le remplacement prventif est effectu une fois que la
performance du composant se dgrade en dessous dun niveau prdtermin. Les valeurs des
fonctions du taux de dfaillance et de la fiabilit sont des critres souvent utiliss pour
caractriser la performance du composant un moment donn. Les dfaillances fortuites sont
rpares.
Dans (Bergman, 1980), un composant est remplac la dfaillance ou lorsque le niveau de
dgradation, de dommage accumul ou de stress dpasse un seuil critique prdfini. Ce niveau est

36
caractris par la fonction du taux de dfaillance. Le modle minimise le cot total moyen de
maintenance sur un horizon infini. La stratgie optimale est caractrise par lge moyen
avant que le taux de dfaillance ne dpasse le seuil maximum tolr. La stratgie de
remplacement selon lge constitue un cas particulier de ce modle.
Lie et Chun (Lie & Chun, 1986) proposent une stratgie dans laquelle deux types dactions de
maintenance sont considrs : prventif simple (type 1) et remplacement (type 2). Ces actions
sont planifies de manire ce que la fiabilit du composant ne descende pas en dessous dun
certain seuil prdtermin. La maintenance de type 1 est imparfaite : la performance du
composant se situe entre aussi bon que neuf et aussi mauvais que vieux . Ces expressions,
rencontres souvent en fiabilit, dcrivent respectivement que la maintenance est telle que
llment rpar est comme neuf, et que llment rpar est dans un tat similaire celui juste
avant la panne. Un facteur damlioration est utilis pour quantifier leffet de ces actions sur le
taux de dfaillance du composant et par consquent sur sa fiabilit. Le modle permet de
dterminer le nombre optimal dactions de type 1 avant deffectuer une action de type 2. Le
modle minimise le cot total moyen des actions de maintenance sur un horizon infini. Jayabalan
et Chaudhuiri (Jayabalan & Chaudhuri, 1992) modlisent la mme stratgie en considrant les
cots actualiss des actions de maintenance pendant un nombre fini de priodes.
2.2.1.4 Stratgies squentielles
Dans cette famille de stratgies, les dures entre les travaux de maintenance

sont ingales.

Elles sont de plus en plus courtes au fur et mesure que le temps passe et que le composant prend
de lge. Une fois quune maintenance prventive est ralise sur la base de lintervalle
prochain intervalle
de vie rsiduelle

le

est calcul de faon ce que le cot total moyen sur la dure


soit minimal. Barlow et Proschan (Barlow & Proschan, 1967) proposent une

squence optimale sur un horizon fini.


Nguyen et Murthy (Nguyen & Murthy, 1981) considrent une stratgie squentielle dans laquelle
un remplacement prventif nest requis que si le composant atteint un ge de rfrence
quil tombe en panne ou aprs avoir accumul k rparations minimales. Lge

sans

est le maximum

de temps tolr sans que le composant ne fasse lobjet dune maintenance, et ce depuis la dernire
rparation ou remplacement. Le modle minimise le cot total moyen sur un horizon infini.

37
Dans (Nakagawa, 1988), les auteurs modlisent une stratgie squentielle intervalles fixes
,

1,2, Dans cette stratgie, le composant est remplac la

intervention prventive. Si

le composant tombe en panne entre deux maintenances prventives conscutives, il est


minimalement rpar. Les variables de dcision sont N et

. Contrairement aux stratgies

squentielles prcdentes, le modle de Nakagawa contrle la longueur des intervalles

et non

pas le taux de dfaillance ou la fiabilit. Ce qui offre plus de flexibilit lors de la planification de
la maintenance.
Kijima et Nakagawa (Kijima & Nakagawa, 1992) proposent une extension du modle prcdent
en incluant le concept de dommage accumul. Dans la formulation du modle, le dommage est
accumul selon un modle de chocs gnrs selon un processus de Poisson, et les dfaillances du
composant apparaissent avec une probabilit

dpendante du dommage total accumul . Les

dfaillances sont corriges par des rparations minimales. Chaque maintenance prventive permet
de rduire le dommage accumul par un certain facteur.
2.2.1.5 Stratgies bases sur le cot de rparation
Dans cette famille de stratgies, quand un composant tombe en panne, le cot de rparation est
estim. Si le cot est acceptable (en dessous dune limite donne), le composant est rpar, sinon
il est remplac. Dans la littrature, cette famille de stratgies est connue sous lappellation
repair cost limit policy .
Yun et Bai (Yun & Bai, 1987) considrent la maintenance des composants dont le cot de
rparation peut tre estim aprs inspection. Lorsque le composant tombe en panne, son cot de
rparation H est compar un cot prdtermin L. Si

le composant est alors rpar, sinon

le composant est remplac. Aprs une rparation, le composant est dans un tat comme neuf avec
une probabilit 1

et comme minimalement rpar avec une probabilit . Le modle peut

optimiser le seuil L pour un composant dont le taux de dfaillance suit une loi de Weibull.
Koshimae et al. (Koshimae et al., 1996) et Dohi et al. (Dohi et al., 1997) introduisent le concept
de dure de vie totale dun composant soumis une stratgie base sur le cot de rparation. Les
modles permettent de dterminer le moment optimal pour arrter deffectuer la rparation
minimale du composant et procder son remplacement. Ainsi, les modles considrent
simultanment le cot de rparation et la dure de vie totale espre du composant. Une

38
application informatique est dveloppe dans (Koshimae et al., 1996) pour dterminer
graphiquement et numriquement la stratgie optimale. Dohi et al. (Dohi et al., 1997) ont valid
leur modle par simulation.

2.2.2 Stratgies pour systme plusieurs composants


L'tude des stratgies de maintenance des systmes multicomposants a fait lobjet de plusieurs
travaux de recherche durant les deux dernires dcennies. Les modles recenss traitent le
problme de la modlisation des interactions ou de dpendances entre les actions de maintenance
effectues sur les composants dun mme systme. Rappelons que cette dpendance peut tre
conomique lorsque plusieurs composants sont remplacs simultanment, structurelle lorsque le
remplacement dun composant entrane dautres remplacements cause de la configuration du
systme et stochastique lorsque la dfaillance dun composant dgrade les composants
avoisinants.
Cho et Parlar (Cho & Parlar, 1991) classent les modles en cinq catgories : les modles de
rparation/interfrence machine, les modles groupe/bloc/cannibalisation/opportunisme, les
modles de gestion dinventaire, les modles dinspection et autres modles de maintenance (non
classables). Dekker et al.(Dekker et al., 1997) regroupent les modles en se basant sur la
dpendance conomique.
noter que les articles portant sur les stratgies de maintenance avec dpendances structurelles
et stochastiques ne sont pas nombreux. Les articles tels que (Jhang & Sheu, 2000; Nakagawa &
Murthy, 1993; Satow & Osaki, 2003) considrent des systmes constitus de 2 composants, les
modles proposs se compliquent trs rapidement lorsquon veut les gnraliser plusieurs
composants. Dans ce qui suit, une revue des modles de stratgies avec dpendance conomique
est prsente. Deux familles de stratgies de maintenance sont discutes. Ce sont les stratgies de
regroupements stationnaires, et les stratgies de regroupements dynamiques.
2.2.2.1 Stratgies de regroupements stationnaires
Les stratgies de regroupements stationnaires sont subdivises en trois catgories : le
regroupement de maintenance corrective, le regroupement de maintenance prventive et les
stratgies opportunistes.

39
Dans le regroupement de maintenance corrective, les systmes prsentent une certaine forme de
redondance des composants. Les composants dfaillants peuvent tre laisss en tat de
dfaillance jusqu ce que le systme se dgrade dune manire significative. Une maintenance
corrective est alors applique sur tous les composants trouvs dfaillants afin de rtablir le
systme dans son tat initial.
Assaf et Shanthikumar (Assaf & Shanthikumar, 1987) proposent un modle pour N composants
identiques et oprant selon une structure parallle. La dfaillance des composants est distribue
selon une loi exponentielle (taux de dfaillance constant). La stratgie suggre deffectuer des
inspections priodiques chaque

1,2, units de temps et de remplacer simultanment

tous les composants trouvs dfaillants si et seulement si leur nombre atteint ou dpasse un
nombre limite prdtermin m. Le modle optimise la priodicit des inspections/remplacements
correctifs sur un horizon infini. Les variables de dcision du modle sont m et T.
Ritchken et Wilson (Ritchken & Wilson, 1990) dveloppent un algorithme de rsolution du
modle prcdent pour nimporte quelle loi de dfaillance. Les dfaillances des N composants
sont indpendantes mais restent identiquement distribues.
Jansen et Van der Duyn Schouten (Jansen & Van der Duyn Schouten, 1995) proposent une
extension du modle dcrit dans (Assaf & Shanthikumar, 1987). Leur modle est dvelopp pour
des systmes constitus de N composants identiques afin deffectuer des analyses par rapport la
dure dattente (idle time) dun composant avant deffectuer son remplacement.
Sculli et Wu (Sculli & Wu, 1981) proposent un modle pour des systmes constitus de N
composants non identiques. Les composants oprent indpendamment les uns des autres. Chaque
composant est sujet la dfaillance alatoire selon sa propre loi de Weibull. La stratgie consiste
remplacer tous les composants du systme ds que lun des composants tombe en panne. Le
modle permet de calculer une approximation de la moyenne des minimums des dures de vie
des composants.
La deuxime catgorie de stratgies est le regroupement de maintenance prventive. Ces
regroupements sont ensuite planifis sur un horizon donn. Cette catgorie distingue les modles
pour les systmes dont les composants forment un seul regroupement, cest--dire, tous les
composants du systme sont remplacs simultanment (remplacement de type bloc) et les

40
modles pour les systmes dont les composants peuvent former plusieurs regroupements. Pour
ces derniers modles, la structure optimale des regroupements doit tre dtermine.
Vergin et Scriabin (Vergin & Scriabin, 1977) considrent une stratgie de regroupement pour des
systmes constitus de composants non identiques ayant des taux de dfaillance croissants. Dans
la stratgie propose, un composant i est remplac sil fonctionne pendant
fait lobjet dun remplacement de groupe sil fonctionne pendant

priodes ou bien il

priodes au moment o un

autre composant j tombe en panne ou atteint son ge de remplacement prventif

. Un modle

de programmation dynamique est construit pour solutionner le problme. Le modle permet


dobtenir une stratgie optimale pour des systmes constitus de 2 ou 3 composants, la stratgie
est sous optimale au-del de 3 composants.
Love et al. (Love et al., 1982) tablissent deux stratgies de remplacement de groupe pour une
flotte de vhicules de distribution de courriers chez Poste canada. Dans la premire stratgie, un
vhicule est tout simplement remplac ds quil atteint un ge prdtermin ou accumule un
certain kilomtrage son odomtre. Dans la deuxime stratgie, le remplacement dun vhicule
dpend des cots de rparation. Le vhicule est remplac si le cot de rparation dpasse un seuil
limite prdtermin, sinon, le vhicule est rpar. Les rsultats du modle markovien utilis dans
la modlisation des stratgies montrent que la seconde stratgie est nettement plus conomique
que la premire.
Dekker et Roelvink (Dekker & Roelvink, 1995) introduisent une stratgie de regroupement de
maintenance prventive uniquement lorsque le systme nest pas requis pour la production (pas
de maintenance corrective). Bas sur lvaluation de lge actuel de chaque composant, le modle
propos permet de dterminer le moment optimal pour effectuer un remplacement de tout le
systme ou ses composants majeurs. Comme la structure du problme est complexe, les auteurs
utilisent un critre de planification bas sur lvaluation du cot marginal du remplacement.
Lide de base est dvaluer la dcision deffectuer un remplacement du systme tout de suite ou
de reporter la prise de dcision la prochaine priode. Ce critre est formul dans les deux cas de
prise de dcision en continu et en discret. Une formulation du modle propos est obtenue par le
biais des chanes de Markov. La rsolution du modle permet de trouver une solution optimale
pour un systme constitu de 2 composants. Pour les systmes comptant plus que 2 composants,

41
une approche par simulation est propose. Cependant, aucune formulation analytique de la
fonction cot na t dveloppe.
Par ailleurs, loptimisation simultane de plusieurs regroupements de maintenance prventive
prsente un aspect combinatoire, souvent difficile solutionner. Dekker et al. (Dekker et al.,
1997) distinguent les modles de regroupement direct et les modles de regroupement indirect.
Dans le regroupement direct, le problme est de trouver une rpartition optimale des composants
dans diffrents groupes. Ce problme est gnralement NP-complet. Une rpartition optimale
peut tre trouve pour un petit nombre de groupes.
Van Dijkhuizen et Van Harten (van Dijkhuizen & van Harten, 1997) modlisent une stratgie de
regroupement direct dans laquelle la priodicit des remplacements de groupe est gale la plus
grande des priodicits de remplacements individuels des composants qui le constituent. Dans ce
cas particulier, les auteurs montrent que le problme devient polynomial et le rsolvent
loptimalit laide de la programmation dynamique. Lorsque le nombre de composants dpasse
la cinquantaine, le temps de calcul devient trs long.
Dans le regroupement indirect, deux catgories de modles peuvent tre distingues : les modles
standard et les modles de rnovation ou de remisage (overhaul models). Dans les modles
standards, une priodicit de base T est dfinie, et reprsente une occasion pour effectuer la
maintenance. Chaque composant i du systme est maintenu prventivement une priodicit
avec

un entier positif. Comme chaque composant possde son propre multiplicateur

,
des

regroupements indirects se formeront naturellement. Un exemple de modlisation de cette


stratgie est propos dans (Goyal & Kusy, 1985).
Dans les modles de rnovation, une priodicit T des travaux majeurs est dsigne. chaque
priode, tous les composants du systme sont rnovs simultanment. Chaque composant i reoit
une rnovation mineure tous les

units de temps. Aprs une rnovation majeure, ltat du

systme est aussi bon que neuf . Alors quaprs une rnovation mineure, ltat du systme ne
change pas ncessairement, il reste aussi mauvais que vieux .
Habituellement le regroupement indirect est plus performant que le regroupement direct. Lorsque
les cots des arrts sont bas, lcart entre les deux types de regroupements est faible.

42
Par ailleurs, un modle de rnovation/rparation/remplacement est dcrit dans (Kececioglu &
Sun, 1995). Sur un systme complexe rgulirement inspect, deux dcisions peuvent tre prises
lors de la dcouverte dune dfaillance : rparer ou remplacer. Si le systme est quand mme en
bonne condition, un remplacement partiel ou une rnovation est de mise. La stratgie est de
trouver la squence des meilleures dcisions prendre chaque point de dcision pour minimiser
le cot total moyen futur pour les prochaines priodes de temps (nombre fini).
Un cot de transition est affect la dcision d, de passage de ltat i ltat j avec une
probabilit

, quand N tats sont possibles. partir de lvaluation du cot de la premire

dcision, et en utilisant une relation de rcurrence en programmation dynamique, le cot total


moyen est calcul. En sachant que la dcision d peut tre une rnovation O, une rparation r ou
un remplacement rp dpendamment de ltat initial i, le cot minimum parmi les cots relatifs
chacune de ces dcisions est dtermin.
Pour un horizon infini, le cot est rparti en une partie stationnaire et une partie transitoire
dpendant de ltat initial. Lauteur de propose un algorithme de rsolution dun systme de N
quations pour trouver la meilleure squence de dcisions afin de minimiser le cot moyen total
sur un horizon infini.
2.2.2.2 Stratgies opportunistes
Les stratgies opportunistes dcoulent directement de la dpendance conomique entre les
diffrents composants dun systme. Le principe de base est de profiter des arrts planifis ou
fortuits de certains composants du systme pour effectuer la maintenance prventive sur dautres
composants. Ces stratgies sont particulirement valables dans le cas des systmes sries o la
dfaillance de n'importe quel composant entrane larrt du systme au complet, offrant ainsi,
loccasion deffectuer simultanment la maintenance d'autres composants en mme temps que la
rparation du composant dfaillant.
Zheng et Fard (Zheng & Fard, 1991) proposent une stratgie opportuniste pour un systme
constitu de k composants diffrents. Dans cette stratgie, le composant i est rpar ou remplac
dpendamment de son taux de dfaillance
la panne si

se trouve dans l'intervalle 0,

l'intervalle

et finalement remplac si

. Plus spcifiquement, le composant est rpar


, ou remplac la panne s'il se trouve dans
atteint la limite L sans l'occurrence d'une

43
panne. Lorsquun composant i est remplac, tous les composants dont les taux de dfaillance se
trouvent dans lintervalle

sont remplacs galement. Les variables de dcision du


,

modle sont L et u. Une stratgie optimale

minimisant le cot total moyen sur un horizon

infini est drive.


Dagpunar (Dagpunar, 1996) gnre les opportunits des remplacements prventifs selon un
processus de Poisson homogne (taux darrive constant). A chaque opportunit qui se prsente,
le systme peut tre remplac un cot

si son ge t dpasse une certaine limite prdtermin

K. la dfaillance, le systme peut tre soit minimalement rpar un cot


cot

Finalement, le systme peut tre remplac en tout moment un cot

minimisant le cot total moyen sur un horizon infini est optimale pour une valeur

soit rpar un
. La stratgie
.

Pham et Wang (Pham & Wang, 2000) tudient la maintenance opportuniste dun systme dont
les composants sont agencs selon une structure k-parmi-n. Les composants sont sujets la
dfaillance partielle (i.e. le systme continue fonctionner mais en mode dgrad). Les auteurs
proposent deux stratgies opportunistes

avec maintenance prventive parfaite et imparfaite

lge T. Dans les deux stratgies, les composants dfaillants avant uniquement sont
immdiatement et minimalement rpars. Tous les composants dfaillants aprs sont laisss en
attente (idle) et seront soumis une maintenance corrective (rparation) en mme temps que la
maintenance prventive du reste des composants en opration, si et seulement si leur nombre
atteint exactement m composants dfaillants

1 . Lorsque lge du systme atteint

T, il est soumis une maintenance prventive parfaite. Considrant les dures et les cots de
maintenance, les modles proposs permettent dvaluer le cot total moyen et la disponibilit du
systme sur un horizon infini. Les modles sont appliqus la maintenance de moteurs davions.
Un exemple de systme de 2 moteurs parmi 3, ayant un taux de dfaillance croissant, est rsolu
laide dun algorithme doptimisation non linaire.
2.2.2.3 Stratgies de regroupements dynamiques
Les stratgies de regroupements dynamiques sont des stratgies non stationnaires. Elles
permettent de prendre en compte linformation sur la maintenance effectue et/ou sur ltat de
dgradation du systme relev au cours des inspections (information considre court terme).
Les stratgies de regroupement dynamique peuvent tre classes en deux catgories : les
stratgies dfinies sur un horizon fini et celles dfinies sur un horizon glissant. Un horizon fini

44
suppose implicitement que le systme est hors usage (non utilisable) aprs la fin de son horizon.
Une fonction rsiduelle est souvent incorpore dans les modles proposs afin dvaluer la valeur
rsiduelle du systme la fin de son horizon fini.
Les modles avec horizon glissant utilisent un horizon fini rptitif pour reproduire le long terme
(horizon infini). Une fois que lhorizon en cours scoule ou que de nouvelles informations sont
rendues disponibles, un nouvel horizon fini est calcul, et un essai pour gnrer un plan de
maintenance est ralis.
Dans la catgorie des modles avec horizon fini, Stinson et Khumawala (Stinson & Khumawala,
1987) formulent un problme de planification des remplacements prventifs dun systme de
production constitu de N machines en sries laide de la programmation non linaire
variables entires mixtes et dveloppent une heuristique pour le rsoudre. tant donn un horizon
fini de planification, le modle propos tente de dterminer les priodes durant lesquelles le
systme en entier doit tre arrt et de slectionner la machine ou les machines qui feront lobjet
dun remplacement prventif durant ces priodes darrt. Le modle suppose que le cot dun
arrt est constant et ne dpend pas du nombre de machines remplacer. Le cot de remplacement
de chaque machine est considr part. Un exemple dapplication de ce modle est prsent dans
(Kralj & Petrovic, 1988). Il traite le problme de la planification de la maintenance des centrales
thermiques. Selon (Dekker et al., 1997), ce modle prsente quelques faiblesses dont la sensibilit
de la solution la longueur de lhorizon de planification.
Dans le domaine de lentretien routier, Worm et Van Harten (Worm & Van Harten, 1996)
proposent un modle de planification multipriode. Le modle cherche minimiser la valeur
nette actualise des cots de maintenance sur un horizon fini. Dans ce modle, les routes sont
scindes en N segments de mme longueur. La stratgie cherche effectuer la maintenance sur
des segments adjacents minimisant, entre autres, les cots dimmobilisation et de transport des
quipements de rfection. Les auteurs appliquent tout dabord un modle de maintenance sur un
horizon infini afin de dterminer la meilleure action entreprendre sur chaque segment. Ensuite,
sur un horizon fini de quelques annes, ils analysent et comparent les profits rsultant de
diffrentes possibilits de regroupement de segments faisant lobjet de la mme action de
maintenance.

45
Gupta et Lawsirirat (Gupta & Lawsirirat, 2006) tudient un systme dont les composants se
dtriorent avec lusage. Les composants font lobjet dune surveillance continue laide de
capteurs dans le cadre dun programme de maintenance conditionnelle (CBM). La dtrioration
des composants est caractrise par un modle continu combinant un processus de Wiener et un
processus de choc. Les composants sont subdiviss en deux groupes : critique et non critique.
Leffet de la dfaillance dun composant sur la dtrioration du systme est dtermin laide
dune classification AMDEC (Analyse des Modes de Dfaillance, de leurs Effets et de leur
Criticit). Un modle de simulation sur un horizon fini T mettant contribution des heuristiques
doptimisation, est propos pour dterminer les actions ou les regroupements dactions de
maintenance stratgiquement optimaux pour le systme dans sa globalit. Un exemple de systme
constitu de 6 composants oprant selon une structure srie est tudi. Plusieurs scnarios de
stratgies sont analyss tels que par exemple remplacer tout le systme, remplacer uniquement les
composants critiques et remplacer les composants non critiques si leurs dtriorations dpassent
une certaine limite.
Dans la catgorie des modles avec horizon glissant, Dekker et al. (Dekker & Smeitink, 1991)
examinent le problme de dtermination des regroupements dactivits de maintenance et du
moment de leurs ralisations. Les auteurs introduisent pour chaque composant, une pnalit (cot
supplmentaire) pour devancer ou retarder la ralisation de sa maintenance par rapport son
moment optimal prvu. Chaque composant est soumis une stratgie priodique afin de trouver le
moment optimal pour effectuer son remplacement. Pour chaque horizon fini donn (horizon
glissant), le modle tente de retrouver les meilleurs regroupements directs des remplacements. La
fonction de pnalit est utilise pour valuer et comparer les cots de scarter des solutions
optimales individuelles des composants concerns dans lhorizon en cours. Un algorithme de
partition est utilis pour dterminer le plan optimal des regroupements.
Des amliorations du dernier modle sont prsentes dans (Dekker, 1996; Wildeman & Dekker,
1997). Ces amliorations concernent principalement la formulation du problme pour dautres
types de regroupements, la proposition de nouvelles heuristiques doptimisation et la rduction
du temps de calcul pour un grand nombre de composants.
Wildeman et Dekker (Wildeman & Dekker, 1997) examinent leffet de la prise en compte des
taux dutilisation des composants dans un systme et loccurrence des opportunits de

46
maintenance sur le plan de maintenance sur le long terme. partir du modle de base dans
(Dekker & Smeitink, 1991), ils proposent une approche de rsolution en 5 phases. La phase 1
permet de retrouver la priodicit optimale des remplacements pour chaque composant. La phase
2 calcule la fonction de pnalit pour chaque composant qui exprime le cot du dcalage entre le
moment optimal (dtermin dans la phase 1) et le moment planifi T. Dans la phase 3, le facteur
dutilisation de chaque composant concern par la maintenance dans lhorizon T est introduit. Ce
facteur peut faire dcaler le remplacement dun composant dun horizon un autre. La phase 4
minimise les pnalits des regroupements des composants se trouvant sur le mme horizon T.
Dans la phase 5, selon les opportunits de maintenance disponibles, les tapes 3 et 4 sont itres
de nouveau offrant ainsi plusieurs horizons finis de planification. Les rsultats de cette approche
dynamique montrent une rduction considrable des cots de maintenance comparativement
une approche stationnaire.

2.3 Planification de la maintenance


2.3.1 Planification par la gestion des actifs
La gestion des actifs dsigne la gestion des ressources physiques dun bien tout au long de son
cycle de vie. Elle considre lensemble du cycle de vie dun bien : conception, fabrication,
installation, exploitation/maintenance et mise au rebut. Elle tient compte de tout ce qui assure le
profit dun bien tel que la capacit de la production, les conditions du march, la conduite des
oprations et la maintenance.
Applique la maintenance, la gestion des actifs se prsente comme une tentative dunification
de diverses mthodes et techniques pour aider les gestionnaires prendre des dcisions dans un
contexte souvent incertain. Cette incertitude se manifeste, tant sur le plan conomique, avec la
fluctuation des marchs sur long terme, que sur le plan technique avec des installations de plus en
plus vieillissantes laissant planer le doute sur leurs dures dexploitation.
Shreiner (Schreiner, 2004) dcrit, dans son introduction, la gestion des actifs comme un problme
doptimisation des capitaux qui cherche assurer une croissance substantielle long terme des
revenus et des bnfices tout en maintenant des cots oprationnels rduits et en mme temps, en
exploitant le systme avec un niveau lev de sret et de fiabilit.

47
Selon Sherwin (Sherwin, 2000), le problme de gestion des actifs est un problme de gestion de
la maintenance au sens large (maintenance management) o les nouvelles technologies de
linformation prennent une place importante dans la saisie des donnes de fonctionnement, de
dgradation des quipements, dans leur traitement (analyse et pronostic) et dans la prise de
dcision. Lauteur dresse galement un portrait des modles de gestion globale de la
maintenance.
Dans les articles (Haraldsson, 2004; Mohseni, 2003; Schreiner, 2004), les auteurs sentendent sur
le fait que le problme de gestion des actifs est un problme de grande taille et quil est trs
complexe modliser. Plusieurs domaines peuvent y tre considrs : le design des centrales, les
modes dexploitation, les stratgies de maintenance et dinspection, et les dures de vie. Dautres
aspects sont aussi introduits, tels que lenvironnement, les lois et les rglements rgissant le
milieu de production lectrique, et des aspects conomiques en termes de cots de maintenance,
de perte de production et de pnurie, du prix de vente et de parts de marchs.
On souligne dans (Mohseni, 2003) quil nexiste aucun modle ou application informatique
capable dintgrer de manire efficiente tous ces domaines. Les difficults sont nombreuses,
citons entre autres : linteractivit des domaines impliqus (un domaine influence les autres et
vice versa), les rgles dexploitation qui risquent de changer en prsence dautres sources de
production, le contexte conomique variable avec des nouvelles contraintes financires, et les
ncessits de maintenance qui augmentent avec le vieillissement des quipements.
Tout rcemment, un projet, pilot par lEPRI (Electric Power Research Institute), tmoigne de
lauthenticit et de limportance de ce genre de problmatique industrielle. Le projet lance un
appel pour former un consortium autour de la gestion dun parc de transformateurs de puissance.
Bas sur des donnes de maintenance, de performance, de dfaillance et de fonctionnement, le
but poursuivi est de trouver la meilleure planification des interventions en maintenance y compris
les budgets requis afin de pallier la dgradation acclre des transformateurs.

2.3.2 Planification par programmation mathmatique


En optimisation, on cherche dterminer parmi un ensemble de solutions, celle qui optimise
(maximise ou minimise selon le cas) la valeur dune fonction, nomme fonction objectif. Le
degr de difficult varie normment dun problme doptimisation lautre. tant donn que la

48
structure du problme de planification des retraits des groupes TA na pas t encore tablie,
nous prsenterons dans un premier temps, les mthodes dj utilises pour rsoudre des
problmes de planification dans le domaine de production lectrique. Les mthodes utilises sont
principalement lis la production dans des rseaux de type thermique en utilisant la
programmation linaire mixte en nombres entiers et la programmation stochastique. Dans un
deuxime temps, nous prsenterons brivement dautres mthodes doptimisation utilisant les
mta-heuristiques, la recherche directe, lintelligence artificielle, les rseaux neuronaux ainsi que
certaines mthodes hybrides potentiellement intressantes pour la planification de la
maintenance. Aussi, dans ce problme complexe plus dun titre, plusieurs types de contraintes
interviennent dont un aperu non exhaustif est esquiss dans (Gallestey et al., 2002; Mukerji et
al., 1991) incluant les :
i)

contraintes de rserve ou de limitation sur la capacit disponible pour la maintenance


dans chaque priode ;

ii)

contraintes de squence, voulant qu'une unit soit arrte tant de semaines aprs que
qu'une autre unit soit remise en service ;

iii) contraintes dexclusion, voulant que pas plus dun nombre fix d'units ne doivent tre
maintenues simultanment ;
iv) contraintes relies aux ressources humaines et la technologie ;
v)

contraintes de budget dinvestissement en maintenance ;

vi) contraintes de fiabilit et/ou de disponibilit du systme ;


vii) contraintes de charge sur le systme.
Plusieurs critres peuvent tre considrs pour l'optimisation, nous pouvons citer titre
dexemples :
i)

minimiser les cots de la maintenance ;

ii)

maximiser la disponibilit des groupes ;

iii) minimiser le ratio cot du cycle de vie par le profit ;


iv) maximiser la dure de vie ou la fiabilit des groupes ;
v)

quilibrer ou lisser les investissements en maintenance sur le long terme ;

vi) quilibrer la charge de travail des rparateurs par rgion ;


vii) maximiser le rendement de leau.

49
Des critres doptimisation, combinant plusieurs des critres prcits (fonction multiobjectif),
prsentent des attraits non ngligeables pour rsoudre des situations de plus en plus courantes
actuellement.
2.3.2.1 Programmation linaire mixte
La programmation linaire mixte en nombres entiers est la mthode la plus recense dans la
littrature pour rsoudre des problmes de planification de la maintenance dans le domaine de la
production thermique de llectricit. Cette mthode gnralise la programmation linaire en
imposant certaines ou toutes les variables de se restreindre aux entiers. La nature linaire de la
fonction objectif et des contraintes, permet llaboration de mthodes qui exploitent cette
structure. Cependant, le fait que certaines variables soient entires, entrane une complexit
combinatoire qui rduit considrablement la taille des problmes que lon peut rsoudre. Les
approches pour cette classe de problmes comprennent lnumration implicite, les mthodes de
coupes et des techniques de relaxations (Nemhauser & Wolsey, c1988).
Parmi ces problmes, celui de loptimisation de la planification des oprations est un exemple de
problmes de nature combinatoire. Dopazo et Merrill (Dopazo & Merrill, 1975) ont propos un
programme linaire en nombres entiers 0-1 pour la planification de la maintenance des groupes
TA, garantissant de trouver une solution optimale si elle existait. Cette formulation traitait des
problmes de petite taille.
Dans la mme priode, Zurn et Quintana (Zurn & Quintana, 1975) montrent que la
programmation dynamique avec des approximations successives, aborde de meilleure manire
cette difficult inhrente la taille.
Dans larticle (Chattopadhyay, 1998), la planification de la maintenance considre un systme
sous contrainte dapprovisionnement et la dcision de la planification des oprations est
considre plus prioritaire. Ceci cause du fait quune mauvaise planification de la maintenance
va directement reflter une augmentation dans le niveau de lnergie non servie. Le plan de
maintenance tient compte de phnomnes relis, tels que la gnration, linterruption alatoire de
service, lapprovisionnement en carburant et le transport.
Les contraintes du rseau dinterconnexion des quipements sont considrs dans (Marwali &
Shahidehpour, 1998a, 1998b) pour tenir compte des limitations dues aux lignes de transport. Un

50
plan de maintenance intgr est formul et rsolu par dcomposition en un problme principal et
des sous problmes par la mthode de dcomposition de Bender (Benders, 1962). La rsolution
du problme principal donne des solutions pour les variables de dcision du plan de maintenance.
Dans la deuxime tape, les sous problmes sont rsolus pour minimiser les cots tout en
satisfaisant les contraintes dues au rseau dinterconnexion. Lapproche est dterministe dans
(Marwali & Shahidehpour, 1998a) et stochastique dans (Marwali & Shahidehpour, 1998b).
2.3.2.2 Programmation stochastique
La programmation stochastique est un cadre de modlisation de problmes d'optimisation qui
impliquent des variables incertaines, caractrises par des lois de distribution. Elle tente de
trouver une solution faisable pour presque toutes les variables considres tout en maximisant
l'esprance d'une certaine fonction de dcision et des variables alatoires. Plus gnralement, de
tels modles sont formuls, rsolus analytiquement ou numriquement, et analyss afin de fournir
des informations utiles pour la prise de dcision.
Les modles de programmation stochastiques les plus largement tudis et appliqus sont les
programmes linaires deux tapes (two-stage linear programs). Dans ces modles, une dcision
est prise dans une premire tape. Aprs quoi, un vnement alatoire se produit affectant les
rsultats de cette premire dcision. Par la suite, une dcision dite de recours est alors prise dans
une seconde tape pour compenser tous les mauvais effets qui pourraient avoir t encourus en
raison de la premire dcision. La stratgie optimale d'un tel modle est une stratgie unique la
premire tape, suivie dune collection de dcisions de recours dans la seconde tape.
Diverses approches intgrant des aspects stochastiques, ont t dveloppes pour la planification
de la maintenance dans le domaine de la production thermique de llectricit. Les buts
poursuivis dans les tous premiers travaux, taient ceux dit de nivellement de la rserve et qui sont
traditionnels dans ce domaine.
Le nivellement de la rserve a t largement utilis comme index de fiabilit grce sa simplicit
(Chen & Toyoda, 1988). Cette mthode ne tient pas compte des taux darrts forcs et des
incertitudes sur les charges. La figure 2.12 illustre la situation o 5 units de production sont
planifies sur un horizon de 3 intervalles pour niveler la rserve.

51

Charge+Mainte nance
4100MW
100MW

4100MW

4100MW

100MW

100MW
4000MW

300MW

400MW

3800MW

3500MW

2
Intervalle

Figure 2.12 : Plan pour niveler la rserve (tire de (Garver, 1972))


Le calcul des risques est valu par la probabilit de perte de charge (Loss Of Load Probability).
Cest la probabilit que la charge sur le systme dpasse sa capacit de gnration. Le calcul
exact du LOLP se fait travers lutilisation des tables des probabilits des taux darrts forcs
FOR (capacity outage probability table) ou partir de routines dapproximations. Le FOR est le
ratio de la dure ou une unit est en arrt forc sur la dure totale de fonctionnement.
Niveler les risques sur les arrts de production le long de lanne est lobjectif poursuivi dans
(Garver, 1972). Un comparatif entre la planification base sur le nivellement de la rserve et le
nivellement du risque est ralis. Lauteur montre que de meilleurs rsultats peuvent tre obtenus.
Chen et Toyoda (Chen & Toyoda, 1988) dmontrent que les plans de maintenance peuvent tre
amliors en nivelant plutt le risque incrmentiel annuel. Dans la prcdente approche le
risque est nivel sur chaque priode. Leur mthodologie cherche niveler le risque total sur toute
lanne. Le risque considr est le LOLP.
Pour contourner la difficult pose par le problme combinatoire, la rsolution du modle
propos est entreprise selon la mthode de dcomposition deux niveaux. Le problme est
subdivis en un problme principal rsolu en premier et en sous problmes multiples. Le rsultat
de la rsolution du problme principal est un ensemble de charges virtuelles qui sont appliques
dans les sous problmes pour ressortir des schmas (patterns) de maintenance. Les sous
problmes sont rsolus par les algorithmes de type MIP ou par numration implicite (branch and
bound).

52
La mthode est applique sur un systme comportant 8 centrales avec chacune un certain nombre
dunits totalisant 19 units. Douze priodes sont considres et la courbe de charge est suppose
connue pour les 12 priodes y compris les pics de charge pour chaque journe de lanne. Les
donnes ncessaires sont la capacit, le taux darrts forc, la priode de maintenance en mois
ainsi que ltendue de la priode pendant laquelle la maintenance peut tre effectue (par
exemple : 200MW, 0.02, 1, 1~7) pour chaque unit. Comme les units ncessitent entre 1 et 3
mois de maintenance, le problme est divis en un problme principal et 3 sous problmes avec
respectivement 7, 8 et 4 units.
Les contraintes de maintenance sont telles que chaque unit doit tre maintenue une fois durant la
priode spcifie et dans une priode, seulement une seule unit peut tre entretenue. Les
rsultats obtenus en galisant le LOLP ainsi que celle galisant le LOLP incrmental sont
compares. La mthode propose montre quil y a un risque moindre en adoptant le plan de
maintenance ainsi trouv.
Dans (Krishnasamy et al., 2005), lobjectif est aussi de concevoir un programme de maintenance
qui va rduire le risque. Les sous systmes qui ne rencontrent pas le critre de risque accept sont
tudis avec le type ainsi que lintervalle de maintenance qui doit tre appliqu. La probabilit
des vnements majeurs est dcide sur la base du risque acceptable. Une analyse inverse de
larbre de dfaillance est utilise pour estimer la nouvelle probabilit doccurrence de chaque
vnement de base. Les intervalles de maintenance produisant ces nouvelles probabilits sont
calculs.

2.4 Optimisation de la planification de la maintenance


videmment, lorsque confront un problme doptimisation, nous souhaitons trouver la
meilleure solution faisable, et de plus, avoir la certitude quil nen existe pas de meilleure. Une
mthode garantissant ce fait est dite exacte. Il a t dmontr (Stephens & Baritompa, 1998) que
ce souhait ne peut pas tre exauc dans le cas gnral. Les mthodes exactes ne peuvent tre
dfinies que dans le cas o le problme doptimisation possde une structure suffisamment riche
et exploitable. Les mthodes exactes concernent principalement les problmes de :
programmation linaire, programmation linaire mixte en nombre entier, optimisation convexe et
optimisation globale.

53
Les problmes de programmation linaire, o la fonction objectif et toutes les contraintes sont
linaires sont un exemple de problmes structurs. Cette linarit est exploite par la mthode du
Simplexe, et permet de rsoudre des problmes contenant des dizaines de milliers de variables et
de contraintes. Malheureusement, plusieurs applications relles ont une non-linarit inhrente et
donc ne peuvent tre formules adquatement sous forme linaire.

2.4.1 Mthodes de recherche directe


Les mthodes de recherche directe sont utilises lorsque le problme doptimisation ne possde
pas de structure ou que sa structure nest pas exploitable. Loptimisation de boites noires,
loptimisation sans drives, les algorithmes GPS (Torczon, 1997), MADS (Abramson et al.,
2006; Audet & Dennis, 2006) et Direct (Jones et al., 1993; Powell, 1998), lutilisation de
fonctions substituts sont des exemples de mthodes et d'outils de la recherche directe.
Le cas typique de la recherche directe est le cas o lvaluation de la fonction objectif ou la
dtermination de lappartenance dune solution au domaine ralisable se fait via un code
informatique. Les valeurs de ces fonctions ne sont pas calcules analytiquement, mais plutt par
une srie de codes informatiques, de simulations ou mme dexpriences.
videmment, lors de tels calculs, les valeurs des fonctions peuvent tre bruites ou imprcises. Il
arrive mme frquemment que le code calculant les valeurs des fonctions choue pour des raisons
internes au code (par exemple, divergence dune mthode itrative interne). Il sensuit que
lexistence mme des drives est compromise. Et mme sil tait possible destimer des valeurs
de drives via des diffrences finies ou par une diffrentiation automatique, il est frquent que
ces valeurs ne soient pas fiables, et que lutilisation de ces approximations cause des difficults
numriques.
Les mthodes de recherche directe, telles GPS, MADS et DIRECT, permettent de sattaquer des
problmes doptimisation de botes noires. Ces mthodes nutilisent que la valeur des fonctions.
Un avantage de ces mthodes est quil existe une analyse de convergence dtaille. Il est
dmontr que ces mthodes produisent une solution satisfaisant des conditions doptimalit
proportionnelle la diffrentiabilit locale (Audet & Dennis, 2002). Cette analyse repose sur
le calcul des fonctions non-lisses de Clarke (Clarke, 1990).

54
Habituellement, les problmes doptimisation de botes noires sont coteux valuer. Le temps
requis pour une seule valuation des fonctions peut varier de quelques secondes plusieurs jours.
Il arrive aussi davoir disposition une deuxime bote noire qui partage certaines ressemblances
loriginale, mais qui est beaucoup moins coteuse valuer. Cette deuxime bote est appele
fonction substitut. Les mthodes de recherche directe mentionnes ci-dessus peuvent tre
utilises conjointement avec ces fonctions substituts afin de guider la recherche.

2.4.2 Mthode utilisant des mta-heuristiques


La difficult rencontre par les mthodes exactes est quen plus didentifier la solution optimale,
ces mthodes doivent dmontrer que ladite solution est optimale. Il nest pas rare que ces
mthodes passent plus de 90% de leur temps dmontrer que la solution obtenue en 10% du
temps, est bien optimale. Les mthodes heuristiques se spcialisent trouver rapidement une
bonne solution en tentant de se sortir dun optimum local. Cependant, ces mthodes ne
possdent habituellement pas danalyse de convergence rigoureuse. Souvent elles ne peuvent
mme pas assurer de gnrer une solution localement optimale. Lavantage de ces mthodes est
leur rapidit. Parmi ces mthodes, nous retrouvons : le recuit simul, la recherche tabou, les
algorithmes gntiques et la recherche voisinages variables.
Les mthodes de recuit simul sont des mthodes itratives qui, chaque itration acceptent de se
dplacer un nouveau point choisi parmi les points voisins sil est ralisable ou sil amliore la
valeur de la fonction objectif. Le dplacement est autoris un point qui namliore pas la
fonction, mais selon une probabilit inversement proportionnelle laccroissement de la fonction.
De plus cette probabilit dcrot au fil des itrations. Le nom donn ces mthodes vhicule
limage dun procd de recuit des mtaux o ces derniers recherchent un tat dnergie
minimum qui confre un tat cristallin stable (Kim et al., 1995, 1997). Lquivalence est faite
entre la solution du problme doptimisation combinatoire et les tats physiques dun systme et
le cot de la solution avec lnergie de ltat. La temprature du systme est traite comme
paramtre de contrle. Une nouvelle solution est gnre partir dune structure voisine et un
mcanisme de gnration (Satoh & Nara, 1991). Une unit est slectionne en gnrant un
nombre entier alatoire uniformment distribu entre 1 et le nombre total dunits.
La recherche tabou permet essentiellement de se dplacer dun point lautre en amliorant la
meilleure solution actuelle. chaque dplacement, la mthode interdit un retour la solution

55
prcdente. Cette interdiction donne le nom la mthode tabou. En prsence d'un minimum
local, la mthode gnrera un nouveau point moins bon que ce minimum local. partir de ce
nouveau point, elle ne pourra revenir au minimum local, et devra donc poursuivre une remonte.
Lobjectif vis par cette mthode est quventuellement un point dans un autre bassin sera gnr
et que la descente identifie une meilleure solution locale.
Les mthodes gntiques cherchent combiner diffrentes solutions afin den produire de
nouvelles, potentiellement meilleure (Mohanta et al., 2004). Ces faons de combiner des
solutions portent des noms tels que croisement, mutation, volution, do le nom de la mthode
gntique. La grande difficult rencontre par les utilisateurs de ces mthodes est de dfinir des
faons efficaces de combiner ces solutions. La nature et la structure du problme doivent tre
bien connues et exploites.

2.4.3 Mthode utilisant l'intelligence artificielle


La planification automatise et la planification sont une branche de l'intelligence artificielle qui
concerne la ralisation dun ordre d'actions devant tre excut par des agents intelligents, des
robots autonomes ou vhicules sans pilotes. la diffrence des problmes classiques de
commande, les solutions sont complexes, inconnues et doivent tre dcouvertes et optimises
dans un espace multidimensionnel.
Dans des environnements connus avec des modles disponibles, la planification peut tre faite en
diffr. Des solutions peuvent tre trouves et values avant l'excution. Dans les
environnements dynamiques, la stratgie doit souvent tre mise jour en ligne. Les modles et
les stratgies doivent tre radapts. La rsolution recourt habituellement des processus
essais/erreurs itratifs, gnralement rencontrs en intelligence artificielle. Ceux-ci incluent la
programmation dynamique, le renforcement dapprentissage et loptimisation combinatoire.
Un planificateur typique prend trois entres : une description de l'tat initial, une description du
but dsir, et un ensemble d'actions possibles, tous cods dans un langage formel tel que STRIPS
(STanford Research Institute Problem Solver). Le planificateur produit un ordre des actions qui
mnent en partant de l'tat initial un tat rencontrant le but dsir. Un autre langage alternatif
pour dcrire des problmes de planification est celui de rseaux hirarchiques de tches, dans

56
lequel un ensemble de tches est donn, et chaque tche peut tre ou bien ralise par une action
primitive ou dcompose dans un ensemble d'autres tches (Russell & Norvig, 2003).
La difficult de la planification dpend des hypothses de simplification utilises. Les techniques
les plus populaires incluent : la recherche espace/tat par chanage avant et arrire (forward
chaining and backward chaining state-space search), augment par l'utilisation de relations entre
les conditions ou d'heuristiques synthtise partir du problme, ainsi que la recherche dans
lespace de plan (search through plan space), et la translation la satisfaction de propositions
(translation to propositional satisfiability satplan).

2.4.4 Mthode utilisant les rseaux de neurones


Un rseau artificiel de neurones communment not ANN (artificial neural network) est construit
sur un paradigme biologique similaire celui des algorithmes gntiques sur la slection
naturelle. Il se base sur un groupe de neurones artificiels interconnects, qui, linstar du modle
vivant, cherche rsoudre des problmes doptimisation. Les paramtres les plus importants de
ce rseau sont les coefficients synaptiques. Les ANN construisent le processus de rsolution en
fonction des flux dinformations qui traversent le rseau, en commenant par calculer les valeurs
des coefficients synaptiques en fonction des exemples disponibles. Ils sont gnralement utiliss
dans des problmes de nature statistiques et perceptives, telles que la classification ou
lvaluation. Par exemple, si un chantillon suffisamment grand de donnes de centrales
lectriques, constitus du types de centrale, de l'ge, du nombre de dfaillances subies, des heures
de production, et de la classification de l'tat de la centrale (bonne, moyenne,..), est disponible, il
peut tre utilis pour lentranement dun rseau de neurones. Le rseau prsentera alors les
caractristiques dune centrale pouvant subir potentiellement une dfaillance en gnralisant
partir des cas quil connat. Si le rseau de neurones fonctionne avec des nombres rels, la
rponse traduit une probabilit de dfaillance. Les valeurs typique sont 1 pour la certitude que la
centrale tombera en panne, -1 pour le fait qu'elle restera en fonction et 0 pour l'absence de
prvision.
Avec les rseaux de neurones, des auteurs ont dvelopp des modles pour lvaluation de la
fiabilit (Amjady & Ehsan, 1999) ainsi que pour le diagnostic de pannes (Sun et al., 2004).

57

2.4.5 Mthodes hybrides


Certains problmes doptimisation sont trop difficiles pour que lon puisse esprer appliquer des
mthodes exactes en un temps raisonnable. Il est parfois possible de combiner diffrentes
stratgies de rsolution. L'une d'elles serait par exemple dapprocher le problme via une
mthode heuristique, et de dcomposer certaines parties en sous-problmes qui seront rsolus par
des mthodes exactes. Par exemple, la linarisation dun sous-problme peut tre rsolue
exactement par la mthode du simplexe. Une autre technique utilise est lapplication dune
mthode heuristique de faon identifier rapidement une solution potentiellement optimale, et de
dmarrer par la suite une mthode exacte avec cette solution comme point de dpart.
Les mthodes de recherche par motifs ont t conues pour tre utilises conjointement avec
dautres mthodes. En effet, chaque itration dune recherche par motif, il est possible
dappliquer une heuristique de faon gnrique afin didentifier de nouvelles rgions
potentiellement intressantes. En particulier, dans (Audet et al., 2008a), les auteurs proposent une
faon gnrique d'inclure une recherche voisinage variable dans un algorithme de recherche
directe.
Concernant les mthodes hybrides impliquant les SA, GA et TS, Nara (Nara, 2000) recense la
majorit des applications en planification pendant une dizaine dannes. Un de ces travaux par
exemple, montre lapplication avec succs dun algorithme SA pour trouver des solutions des
problmes de taille moyenne et de grande taille en planification (Satoh & Nara, 1991). La
technique est ensuite amliore par linclusion dun algorithme gntique et lintgration dune
recherche tabou (Kim et al., 1995, 1997).

58

CHAPITRE 3

GNRALITS ET TUDE DES DONNES SUR LES


GROUPES TA

Nous commenons par donner un aperu des lments technologiques sur un groupe TA dans la
figure 3.1. Il s'agit d'une machine imposante par sa taille et la diversit de ses composants. Du
point de vue de la fiabilit, il constitue un systme complexe d'une dizaine de composants
majeurs dont l'alternateur et la turbine, et chacun de ces composants peut contenir plusieurs
dizaines de sous composants. Nous proposons dans ce qui suit la dcomposition et le
recensement des organes qui entrainent larrt des groupes pour une maintenance majeure.

Figure 3.1 : Vue schmatique dun groupe TA


Le rapport de lAssociation Canadienne de llectricit sur les tats des quipements de
production hydraulique, en terme de fiabilit pour la priode 1999-2003 (Anon, 2003), liste une
srie de composants qui contribuent au taux dindisponibilit total dun groupe TA. Selon cette
rfrence, une analyse des occurrences des arrts forcs, montre que la contribution de
l'alternateur, de la turbine, et des systmes auxiliaires au taux d'indisponibilit des groupes TA est
majoritaire.

59

Figure 3.2 : Contribution des composants au taux dindisponibilit d'un groupe


En analysant les donnes fournies sur les groupes TA d'Hydro-Qubec concernant les
occurrences des arrts forcs au cours de la priode 1954-2007, il apparait que sur 119
composants raports, 23 seulement dentre eux participent 80% de lindisponibilit totale. La
turbine (portant le code 41100) et l'alternateur (code 42100) venant en tte (figure 3.3) en
concordance avec les prcdentes observations de la figure 3.2. La nomenclature et la
codification des composants suivent les standards de lassociation NERC (North American
Electric Reliability Association).

Figure 3.3 : Diagrammes Pareto du nombre d'heures de maintenance par composant

60
Le tableau 3.1 montre les relevs des heures de maintenance cumules au cours de la priode
1954-2007 pour chacun des composants du groupe TA ayant les heures de maintenance les plus
importantes. Ce sont la turbine, l'alternateur et le systme d'excitation.
Tableau 3.1 : Heures de maintenance cumules des composants majeurs d'un groupe TA
Composant

41100

42100

42200

41110
41122
41125
TURB 41133
41150
41700
41710
41715
42110
42113
42120
42123
ALT 42126
42171
51120
51130
51136
51150
42210
42220
SE
42230
42240
42260

Sous composant
roue de la turbine
palier guide de turbine
vidange du puits de turbine
leviers des directrices et goupilles de cisaillement
arbre de la turbine
systme de rgulation de vitesse
rgulateur de vitesse
rservoir olopneumatique et systme auxil. du rgulateur
rotor de l'alternateur
bobinages et connections du rotor
stator de l'alternateur
bobinage du stator
systme de refroidissement du stator
palier de bute de l'alternateur
transformateur de puissance
appareillage de sectionnement de l'alternateur
alternateur - sectionneur de puissance
barres blindes (omnibus), conduits et cbles
Transformateur du systme d'excitation
Systme d'excitation statique
Disjoncteur de champs
Excitation rotative
Rgulateur de tension du SE

Heures de
Maintenance
207,441
27,456
3,020
8,538
2,970
6,666
119,282
32,237
191,256
104,079
63,482
229,572
21,399
35,846
51,155
15,106
42,446
18,970
10,704
5,649
5,161
7,671
11,647

Plus spcifiquement, ce sont la roue de la turbine et le bobinage du stator qui consomment le plus
d'heures de maintenance pour la turbine et l'alternateur. Il ny a par contre pas de composants
spcifiques pour le systme d'excitation (figure 3.4).

61

b) heures de maintenance pour les organes de


lalternateur

a) heures de maintenance pour les organes de la turbine

c) heures de maintenance pour les organes du SE

Figure 3.4 : Diagramme Pareto des heures de maintenance de a) turbine, b) alternateur, c) SE


Nous considrons alors dans la suite, qu'un groupe TA est un systme 3 composants : la turbine
note TURB et l'alternateur not ALT et le systme d'excitation SE.

3.1 Rappels
Dans ce qui suit, on suppose que toutes les applications sont dfinies sur un espace de probabilit
, ,

o est lespace des vnements lmentaires,

probabilit telle que

une mesure de

1. Les dures entre les dfaillances sont dcrites par une squence

de variables alatoires continues positives


fonction de densit de probabilit
,

une tribu sur et

et

qui possdent une fonction de rpartition

qui satisfont les relations suivantes :


.

(3.1)

et une

62
La fonction de fiabilit

est la fonction complmentaire de


1

Le taux de dfaillance

donne par :
(3.2)

donne la probabilit conditionnelle de panne immdiate l'instant .

Elle est dfinie par (Aven & Jensen, 1999) :


.

(3.3)

La fonction taux cumulatif de dfaillance

est dfinie par :

(3.4)

Par ailleurs, une relation bien utile qui relie le taux de dfaillance la fiabilit est donne par :
.
Il en rsulte que,

(3.5)
dtermine de faon unique la fonction de densit de probabilit
.

par :

(3.6)

Le taux de dfaillance conditionnel, linstant est dfini par (Cox & Oakes, 1984) :
|
,

Avec

lim

(3.7)

0 lhistorique des vnements survenus jusqu linstant . Il est suppos que la

probabilit de lapparition de 2 dfaillances ou plus dans lintervalle

est nulle quand

0.
Les estimations non paramtriques des fonctions de fiabilit et du taux cumulatif de dfaillance
sont donnes respectivement par l'estimateur Kaplan-Meier (3.8) et Nelson-Aalen (3.9) :

t
avec

,
,

(3.9)

, les instants des dfaillances,

survivants juste avant l'instant

(3.8)

le nombre de dcs et

le nombre de

63

3.2 Profils de fonctionnement des groupes TA


Les profils d'utilisations typiques de plusieurs groupes appartenant plusieurs centrales (tableau
3.2) rparties sur plusieurs bassins hydrographiques ont t tudis. Les donnes sont fournies
sous la forme de la puissance produite enregistre toutes les heures entre janvier 2002 et
dcembre 2006. On remarque quen gnral, un cycle typique commence par la mise du groupe
sous une puissance assez faible pendant environ une heure, ensuite le groupe est mis la
puissance ncessaire pendant la priode dsire. la fin du cycle, la baisse en puissance
seffectue aussi de la mme faon. Ces phases de dmarrages et d'arrts tant de toutes vidences
transitoires, elles seront ignores dans la suite.
Tableau 3.2 : chantillon de groupes avec donnes de fonctionnement
Id
Centrale Nb Groupes Donnes pour les groupes
1-6
C1
6
A03
7-44
C2
38
A32
45-57
C3
12
A01,A02
58-70
C4
16
A01,A02
71-83
C5
12
A01,A02
84-90
C6
6
A31 A36

Pour chacun des ensembles de donnes fournies par centrale, des blocs sont forms
correspondant aux plages 0,

,, des dures de vie successives pour un groupe. Des

blocs distincts sont forms de la faon suivante : connaissant la date de mise en service et de
retrait d'un groupe, la plage de donnes de fonctionnement correspondante est extraite et passe
une routine de calcul qui permet de prparer les tableaux selon le canevas suivant :
Tableau 3.3 : chantillon de groupes avec donnes de fonctionnement
Id Centrale Groupe Temps (h) Nb Dm. Charge cumule (h) Dormance cumule (h) Rgime
1
C1
A03
17
1
12
5
0.79
1
C1
A03
77
2
64
13
0.79
1
C1
A03
122
3
80
42
0.8
1
C1
A03
145
4
95
50
0.81
1
C1
A03
277
5
117
160
0.79
1
C1
A03
287
6
118
169
0.32
...
...
...

64
La routine permet de gnrer les triplets (nombre de dmarrages, charge cumule, rgime) de la
faon suivante :
-

Rechercher le dbut dun cycle (la o puissance est positive) ;

Incrmenter le nombre de cycles par un ;

Additionner les dures de production jusquau prochain arrt ;

Calculer la moyenne du rgime (pourcentage de la puissance nominale) sur le cycle ;

Additionner les heures sans production jusquau prochain dmarrage.

3.2.1 Cas de la centrale C1


La figure 3.5 donne l'volution dans le temps des facteurs de fonctionnement du groupe A03 de
la centrale C1. Le temps, en abscisse, est exprim en heures.
35000

700

CharCum = 0.66*t

600

30000

500

25000
Charge cumule (h)

Nombre dmarrages

NBdem = 0.017*t

400

300

20000

15000

10000

200

5000

100

0
1

10001

20001

30001

40001

10001

20001

30001

40001

Temps (h)
(b)

Temps (h)
(a)

1.0

14000

Rgime = 0.77

DormCum = 0.34*t
12000
0.8

0.6

8000

Rgime

Dormance cumule (h)

10000

6000

0.4

4000
0.2

2000

0.0

0
1

10001

20001
Temps (h)
(c)

30001

40001

10001

20001

30001

40001

Temps (h)
(d)

Figure 3.5 : Courbes relles et de rgressions des facteurs de fonctionnement de C1-A03

65
Les courbes (a), (b), (c) de l'volution des facteurs de fonctionnement par rapport au temps ont
une allure croissante. Pour le rgime de fonctionnement, les points disperss correspondent aux
phases transitoires de dmarrages et d'arrts. Aprs ces phases, le rgime est quasiment constant
(d). Nous remarquons que des polynmes du premier degr donnent une bonne approximation de
l'volution de ces facteurs et sont simples utiliser (tableau 3.4). Mais pour respecter les
conditions lorigine, nous ne considrons alors que des droites passant par lorigine du type
. Les formules de rgression sont rsumes sur le tableau 3.4.

Tableau 3.4 : Modles de rgression des facteurs de fonctionnement - Centrale C1


Modles

Coef.

Erreur

-95.00% +95.00%
Int. Conf. Int. Conf.
t 0.016780 0.000037 450.4725 0.00 0.016707 0.016853

Nb. Dmarrages (a)

0.017

Charge cumule (b)

0.66

0.657240 0.001312 500.9407 0.00 0.654666 0.659814

Dormance cumule (c) 0.34

0.342760 0.001312 261.2472 0.00 0.340186 0.345334

Rgime (d)

0.77

0.769373 0.005546 138.7257 0.00 0.758492 0.780253

3.2.2 Cas de la centrale C2


De la mme faon, la figure 3.6 donne les tracs pour le groupe A32 de la centrale C2.
Bien que l'volution soit moins uniforme, des droites pourront reprsenter de faon satisfaisante
l'volution de ces facteurs. Les modles de rgression sont rsums dans le tableau 3.5.
Tableau 3.5 : Modles de rgression des facteurs de fonctionnement - Centrale C2
Modles
Nb. Dmarrages (a)

0.0008

Charge cumule (b)

0.89

Dormance cumule (c)

0.11

Rgime (d)

0.84

Coef.

Erreur

-95.00% +95.00%
Int. Conf. Int. Conf.
0.000823 0.000022 36.73045 0.00 0.000778 0.000868
0.893120 0.012754 70.02633 0.00 0.867581 0.918660
0.106880 0.012754 8.380044 0.00 0.081340 0.132419
0.839163 0.009398 89.29068 0.00 0.820336 0.857989

66

30

40000
CharCum = 0.89*t

NBDem = 0.0008*t

35000

25

Charge cumule (h)

Nombre dmarrages

30000
20

15

10

25000

20000

15000

10000
5

5000
0
1

10001

20001

30001

40001

10001

20001

Temps (h)
(a)

30001

40001

30001

40001

Temps (h)
(b)

4000

0.90
DormCum. = 0.11*t

Rgime = 0.84

0.88

3500

0.86
0.84
0.82

2500

0.80
Rgime

Dormance cumule (h)

3000

2000

0.78
0.76

1500

0.74
1000

0.72
0.70

500

0.68
0
1

10001

20001

30001

40001

0.66
1

10001

20001

Temps (h)
(c)

Temps (h)
(d)

Figure 3.6 : Courbes relles et de rgressions des facteurs de fonctionnement de C2-A32

3.2.3 Cas de la centrale C3


Concernant la centrale C3, les rgressions sont tablies sur les donnes de fonctionnement des
groupes A01 et A02. Les modles sont rsums dans le tableau 3.6.
Tableau 3.6 : Modles de rgression des facteurs de fonctionnement - Centrale C3
Modles
Nb. Dmarrages (a)

0.01

-95.00% +95.00%
Int. Conf. Int. Conf.
0.012738 0.000060 211.0162 0.00 0.012619 0.012856

Charge cumule (b)

0.71

0.714682 0.001245 574.0686 0.00 0.712240 0.717123

Dormance cumule (c) 0.29

0.285318 0.001245 229.1822 0.00 0.282877 0.287760

Rgime (d)

0.92

Coef.

Erreur

0.917862 0.004447 206.3892 0.00 0.909141 0.926582

67

800

35000
NBDem = 0.01*t

CharCum = 0.71*t

700

30000

600

Charge cumule (h)

Nombre dmarrages

25000
500

400

300

200

20000

15000

10000

100

5000

0
1

10001

20001

30001

40001

0
1

Temps (h)
(a)

10001

20001

30001

40001

Temps (h)
(b)

16000

1.2
DormCum = 0.29*t

Rgime = 0.92

14000

1.0

0.8

10000

Rgime

Dormance cumule (h)

12000

8000

0.6

6000

0.4
4000

2000

0.2

0
1

10001

20001
Temps (h)
(c)

30001

40001

0.0
1

10001

20001

30001

40001

Temps (h)
(d)

Figure 3.7 : Courbes relles et de rgressions des facteurs de fonctionnement de C3-A01 et A02
La figure 3.7 montre qu'il y a plusieurs tracs pour un mme facteur. Les droites donnent ici une
moyenne sur les diffrentes courbes dun mme facteur.

68

3.2.4 Cas de la centrale C4


Ici aussi on dispose des donnes sur les 2 groupes A01 et A02 (figure 3.8). Les droites de
rgression donnent de la mme manire une moyenne sur les diffrentes courbes du facteur de
fonctionnement. Les modles sont rsums dans le tableau 3.7.
Tableau 3.7 : Modles de rgression des facteurs de fonctionnement - Centrale C4
Modles
Nb. Dmarrages (a)

0.0028

-95.00% +95.00%
Int. Conf. Int. Conf.
0.027990 0.000062 448.4256 0.00 0.027868 0.028112

Charge cumule (b)

0.58

0.583604 0.001018 573.2387 0.00 0.581608 0.585600

Dormance cumule (c)

0.42

0.416396 0.001018 409.0000 0.00 0.414400 0.418392

0.75

Rgime (d)

Coef.

Erreur

0.754200 0.003166 238.2158 0.00 0.747993 0.760407

24000

1400

CharCum = 0.58*t

22000

NBDem = 0.028*t
1200

20000
18000
Charge cumule (h)

Nombre dmarrages

1000

800

600

400

16000
14000
12000
10000
8000
6000
4000

200
2000
0

0
1

10001

20001

30001

40001

10001

20001

30001

40001

Temps (h)
(b)

Temps (h)
(a)

1.0

22000
20000

Rgime = 0.75

DormCum = 0.42*t

18000

0.8

14000

0.6
Rgime

Dormance cumule (h)

16000

12000
10000

0.4

8000
6000
0.2

4000
2000
0.0

0
1

10001

20001
Temps (h)
(c)

30001

40001

10001

20001

30001

40001

Temps (h)
(d)

Figure 3.8 : Courbes relles et de rgressions des facteurs de fonctionnement de C4-A01 et A02

69

3.2.5 Cas de la centrale C5


Concernant la centrale C5, la figure 3.9 montre que le groupe A01 est dmarr moins
frquemment que le groupe A02.
1000

40000
CharCum = 0.65*t

NBDem = 0.017*t

35000

800

Charge cumule (h)

Nombre dmarrages

30000

600

400

25000

20000

15000

10000
200
5000

0
1

10001

20001

30001

40001

10001

Temps (h)
(a)

30001

40001

Temps (h)
(b)

1.0

20000

Rgime = 0.78

DormCum = 0.35*t

18000
16000

0.8

14000
12000

0.6
Rgime

Dormance cumule (h)

20001

10000
8000

0.4

6000
4000

0.2

2000
0
1

10001

20001

30001

40001

0.0
1

10001

Temps (h)
(c)

20001

30001

40001

Temps (h)
(d)

Figure 3.9 : Courbes relles et de rgressions des facteurs de fonctionnement de C5-A01 et A02
Les charges cumules, bien que moins importantes pour le groupe A01, restent assez proches.
Les modles de rgression sont rsums dans le tableau 3.8.
Tableau 3.8 : Modles de rgression des facteurs de fonctionnement - Centrale C5
Modles

Coef.

Erreur

-95.00% Int. Conf. +95.00% Int. Conf.

Nb. Dmarrages (a)

0.017

0.016600 0.000175 95.06198 0.00

0.016257

0.016942

Charge cumule (b)

0.65

0.646539 0.002292 282.0715 0.00

0.642044

0.651034

Dormance cumule (c)

0.35

0.353461 0.002292 154.2075 0.00

0.348966

0.357956

0.783996 0.004128 189.9042 0.00

0.775900

0.792092

Rgime (d)

0.78

70

3.2.6 Cas de la centrale C6


Pour cette centrale, un faisceau de courbes existe pour plusieurs des facteurs (figure 3.10 a, b, c)
car les donnes sont disponibles pour les 6 groupes.
1400

35000
NBDem = 0.026*t

CharCum = 0.59*t

1200

30000

maxi

25000

moyenne

Charge cumule (h)

Nombre dmarrages

1000

800

600

400

20000

15000

10000
mini
200

5000
0
1

10001

20001

30001

40001

Temps (h)
(a)

10001

20001

30001

40001

Temps (h)
(b)

24000

0.9

22000

Rgime = 0.70

DormCum = 0.41*t

0.8
20000

0.7

16000

0.6
14000
12000

Rgime

Dormance cumule (h)

18000

10000

0.5
0.4

8000

0.3

6000
4000

0.2

2000

0.1

0
1

10001

20001
Temps (h)
(c)

30001

40001

0.0
1

10001

20001

30001

40001

Temps (h)
(d)

Figure 3.10 : Courbes relles et de rgressions des facteurs de fonctionnement de C6-A31 A36
Pour reprsenter le faisceau en entier, il serait intressant de borner la plage parcourue par un
facteur, par des droites mini, moyenne, et maxi . Mais pour des considrations de simplicit
seulement, la droite moyenne est utilise dans la suite. Les modles sont rsums dans le tableau
3.9.

71
Tableau 3.9 : Modles de rgression des facteurs de fonctionnement - Centrale C6
Modles

Coef.

Nb. Dmarrages (a)

0.026

-95.00% +95.00%
Int. Conf. Int. Conf.
0.025743 0.000048 538.2491 0.00 0.025649 0.025837

Charge cumule (b)

0.59

0.587855 0.001319 445.6354 0.00 0.585269 0.590440

Dormance cumule (c)

0.41

0.412145 0.001319 312.4355 0.00 0.409560 0.414731

0.70

Rgime (d)

Erreur

0.697651 0.001374 507.7744 0.00 0.694957 0.700344

3.2.7 Rcapitulatif des profils d'utilisation des centrales


En notant les valeurs des facteurs de fonctionnement pour la centrale par :
-

: nombre de dmarrages ;

: charge cumule ;

: rgime de fonctionnement ;

: dormance cumule.

Le tableau 3.10 rsume les modles de rgression des profils d'utilisation dans les centrales
tudies.
Tableau 3.10 : Rcapitulatif des modles de rgression des facteurs de fonctionnement
Centrale

Formule de rgression

C1

0.017
0.66
0.77
0.34

C4

0.0028
0.58
0.75
0.42

Centrale

Formule de rgression

C2

0.0008
0.89
0.84
0.11

C5

0.017
0.65
0.78
0.35

Centrale

Formule de rgression

C3

0.01
0.71
0.92
0.29

C6

0.26
0.59
0.70
0.41

3.3 Gnration d'un scnario de fonctionnement


Il est possible de gnrer un scnario de fonctionnement en utilisant ces modles de rgression.
Pour une projection sur les prochains 10 ans, les caractristiques de fonctionnement de la centrale
C1 par exemple seraient les suivantes :
-

10

8760

87600 ;

72
-

nombre de dmarrages

charge cumule

rgime

dormance cumule

0.017
0.66

87600

87600

1489 ;

57816 ;

77% ;
0.34

87600

29784 .

Si nous rapportons tous les facteurs de fonctionnement pour une centrale la charge cumule,
note simplement

, de coefficient de rgression

et en gardant le mme rapport entre les

facteurs, nous pouvons crire le nombre de dmarrages

et la priode de dormance cumule

de cette faon :

(3.10)

Pour simuler une augmentation de 50% de la charge cumule pour la mme centrale C1 de
lexemple prcdent, on obtiendrait (figure 3.11) :
-

10

8760

87600 ;
1.5

charge cumule

nombre de dmarrages

rgime

dormance cumule

0.66
.
.

87600
86724

86724 ;
2233 ;

77% ;
876 .

35000

30000

z1(t) = 1.32*t

Charge cumule (h)

25000

20000
z1(t) = 0.66*t
15000

10000

5000

0
1

10001

20001

30001

40001

Temps (h)

Figure 3.11 : Scnario avec une charge cumule augmente de 50% pour la centrale C1

73

3.4 tude des donnes de dfaillance des alternateurs


Il est important de souligner certaines caractristiques relatives aux donnes de dfaillance. Une
caractristique principale pour un chantillon concern par une tude statistique, est le temps de
dbut et de fin de la priode dobservation. Un individu compris dans l'tude peut tre mis en
0 ou bien il se peut qu'il soit dj en

fonctionnement au dbut de la priode c..d.

utilisation depuis une certaine dure. On parle dans ce cas de donnes tronques gauche. Quand
un composant n'est pas observ jusqu' la fin de l'tude, on parle dans ce cas de donnes
tronques droite. Il peut aussi survivre aprs le temps de fin de l'tude. Dans ces cas, les
vnements dfaillance ne sont pas observs. Les donnes recueillies sont alors dites incompltes
et de l'information utile est tire de ces donnes par les mthodes appropries.
Dans cette section, nous ralisons l'tude statistique des donnes sur les dures de vie des
alternateurs afin d'apprcier les formes du taux de dfaillance par estimation directe. Nous
dfinirons aussi les facteurs susceptibles d'influencer le comportement du taux de dfaillance de
ces alternateurs. Pour exploiter les donnes avec les logiciels statistiques, certains facteurs
qualitatifs ont t cods avec des chiffres. Nous avons bas la codification sur les frquences.

3.4.1 Caractristiques de l'chantillon d'alternateurs


Les donnes historiques des rnovations d'un ensemble de 90 alternateurs ont t collectes
(tableau 3.11). Les rnovations consignes s'talent de 1957 jusqu' la fin de lanne 2006. Sur la
priode dbutant en janvier 2002 et se terminant en dcembre 2006, des donnes de
fonctionnement des groupes correspondants ou de groupes similaires, tudies dans la section
prcdente ont t mis en correspondance pour complter le portrait de l'environnement
d'utilisation de ces alternateurs.
Tableau 3.11 : Identification de l'chantillon d'alternateurs
Id

Centrale

Nb Groupes

ge de la centrale (ans)

Nb. Observations

1-6

C1

56

7-44

C2

38

74

92

45-57

C3

12

12

12

58-70

C4

16

27

18

71-83

C5

12

24

13

84-90

C6

31

12

74
Les donnes de dfaillance sont reportes de la faon suivante (tableau 3.12) : pour un alternateur
de l'chantillon, la date de premire mise en service est enregistre. la fin de la dure de vie
utile, la date rnovation complte est considre comme fin de vie .
Note : aprs la rnovation, l'alternateur remis neuf, est repris dans l'tude comme un nouvel
individu.
Tableau 3.12 : Extrait des dures de vie de l'chantillon d'alternateurs
ID
1
2
3
4
5
6
7
8
9
10
11
12
13
...

Centrale
C1
C1
C1
C1
C1
C1
C1
C1
C1
C2
C2
C2
C2
...

Groupe
A01
A01
A02
A03
A03
A04
A04
A05
A06
A01
A01
A01
A02
...

Date Dbut
1950-01-01
1983-01-01
1950-01-01
1950-01-01
1991-04-02
1950-01-01
1992-03-30
1950-01-01
1950-01-01
1932-01-01
1983-03-21
2000-01-12
1932-01-01
...

Date de fin
1983-01-01
2007-12-31
2007-12-31
1991-04-02
2007-12-31
1992-03-30
2007-12-31
2007-12-31
2007-12-31
1983-03-21
2000-01-12
2007-12-31
1985-01-28

Dure (h)
289272
219120
508392
361584
146808
370296
138096
508392
508392
448968
147384
69840
465264

Censure
1
0
0
1
0
1
0
0
0
1
1
0
1

Les dures de vie des alternateurs proviennent de l'historique des travaux majeurs de rnovations
des groupes et donc des organes ayant t rnovs et ce jusqu' la fin de lanne 2007. D'aprs les
dates d'installation et des retraits successifs, les dures de vie pour chacun des alternateurs de
l'chantillon sont calcules. Linformation sur le type de censure des donnes est aussi ajoute.
Quand une dfaillance est constate, lobservation est complte (valeur 1). Sinon,
linformation est incomplte car le groupe est encore en fonctionnement fin 2007 (valeur 0).

3.4.2 Estimation directe du taux de dfaillance des alternateurs


Sur la figure 3.12 sont tracs l'histogramme (a), la densit de probabilit estime (b), la courbe de
fiabilit non paramtrique (c) selon l'estimateur de Kaplan-Meier (Meeker & Escobar, 1998),
ainsi que le taux de dfaillance (d) des donnes correspondant au tableau 3.12.

75

2.5e-06

40

2.0e-06

Densit

Frquences

30

20

1.5e-06

1.0e-06
10
5.0e-07

0
0e+00

1e+05

2e+05

3e+05

4e+05

5e+05

6e+05

7e+05
0e+00

Dures de vie

4e+05

2e+05

6e+05

8e+05

Dures de vie

(b)

(a)
1.2
Donnes
Compltes
Censure

1.1
1.0

Observ
Approch
Spline

2E-05

0.9

Taux de dfaillance

0.8

Fiabilit

0.7
0.6
0.5
0.4

1E-05

0.3
0.2
0.1
0.0
-1E5

1E5

2E5

3E5

4E5

5E5

6E5

0E-01

7E5

Dure de vie (h)

1.5E5

3E5

4.5E5

6E5

7.5E5

Dure de vie

(d)

(c)

Figure 3.12 : (a) Histogrammes. (b) densit. (c) fiabilit. (d) taux de dfaillance observ de
l'chantillon d'alternateurs
On remarque que le taux de dfaillance observ est monotone (figure 3.12 d). Une approximation
du taux de dfaillance moyen observ sur tous les alternateurs a la forme suivante :
4.958910

4.80510

(3.11)

En distinguant les groupes par centrale, les estimations des taux de dfaillances approchs des
alternateurs sont reprsentes dans la figure 3.13 (a, b, c, d).

76

CENTRALE = C1

CENTRALE = C2
3E-05
Modle = 6.1723E-7*exp(4.8110E-6*t)

2E-05

2E-05

S1

S2

Taux de dfaillance

Taux de dfaillance

1E-05

8E-06

4E-06

2E-05

1E-05

5E-06
Modle = 2.661E-6*exp(3.1713E-6*t)

0E-01
0E-01

1E+05

2E+05

3E+05

4E+05

5E+05

6E+05

Observ

0E-01
-1E+05

5E+04

2E+05

Dure de vie

(a)

5E+05

7E+05

Observ

(b)

CENTRALE = C4

CENTRALE = C6

2E-05

8E-05
Modle = 3.1063E-6*exp(1.0599E-5*t)

Modle = 4.0188E-6*exp(-4.5173E-7*t)

1E-05

S2

6E-05
Taux de dfaillance

Taux de dfaillance

4E+05
Dure de vie

8E-06

4E-06

S1

4E-05

2E-05

0E-01
-4E+04

2E+04

8E+04

1E+05
Dure de vie

(c)

2E+05

3E+05

Observed

0E-01
-4E+04

2E+04

8E+04

1E+05

2E+05

3E+05

3E+05

Dure de vie

(d)

Figure 3.13 : Modles des taux de dfaillance approchs de l'chantillon d'alternateurs

Observed

77
3E-05

Taux de dfaillance

2E-05

C6
2E-05
C1

1E-05
C2

5E-06
C1 = 2.661E-6*exp(3.1713E-6*t)
C2 = 6.1723E-7*exp(4.811E-6*t)
C6 = 3.1063E-6*exp(1.0599E-5*t)
0E-01
-1E5

50000

2E5

3.5E5

5E5

6.5E5

Dure de vie

Figure 3.14 : Comparaison des taux de dfaillance approchs des alternateurs par centrale
Dans la figure 3.14, nous remarquons que les taux de dfaillance des groupes de ces centrales
diffrent en caractristiques. 50 000 heures, les groupes dans la centrale C6 ont le taux de
dfaillance de la centrale C1 350 000 heures. Ces groupes vieillissent en quelque sorte plus
rapidement que les autres.

3.4.3 Facteurs potentiellement influents sur les dures de vie des alternateurs
Cette section est une phase prparatoire aux sections ultrieures dans lesquelles la dure de vie
dun composant est tudie au regard des facteurs de construction et de fonctionnement. Pour les
alternateurs, chaque ligne du tableau 3.12 est complte par un ensemble de donnes codifies
appartenant ces deux catgories. Les facteurs de construction sont cods selon des plages tires
partir des frquences (voir figure 3.15 a, b, c) :
-

la catgorie de puissance PU (a):

0GE
le fabricant (b) : 1ALSTOM
2MARINEIND
3Autres

0PU 65MVA
1120 PU 220
2370 PU 402

78
0Asphalte
1poxy
le type d'isolant des stators (c): 2ISOTENAX
3Polyester
4Autres

28

45

26
40

24
22

35
Nombre d'observations

Nombre d'observations

20
18
16
14
12
10
8

30
25
20
15
10

6
5

4
2

0
GE

0
50

100

150

200

250

300

350

400

ALSTOM
MARINE IND.

450

WESTINGHOUSE
OERLIKON
NATIONAL CARBON

FABRICANT
(b)

PUISSANCE
(a)

40
35

Nombre d'observations

30
25
20
15
10
5
0
Asphalte/mica
EPOXY
asphalte
ISOTENAX
POLYESTER
THERMALASTIC
POLYSTER
ISOLANT
(c)

Figure 3.15 : Diagrammes de frquences des facteurs de construction des alternateurs


Un extrait des donnes ainsi compltes est montr dans le tableau 3.13. :
Tableau 3.13 : Codage des facteurs de construction
Centrale

groupe

Dure

censure

puissance

fabricant

isolant

C1

A01

289272

C1

A01

219120

C1

A02

508392

.....

...

...

...

79
Les facteurs de fonctionnement considrs et susceptibles dinfluencer les dures de vie sont :
0NbDem
1NbDem
2e5 h
;
2e5 h

2000
;
2000

le nombre d'arrts/dmarrages cumuls (a) :

la charge cumule (b) :

0Reg. Moy
le rgime moyen de fonctionnement (c) : 180% Reg. Moy
2Reg. Moy

0CharCum
1CharCum

80%
85% de la puissance
85%

nominale.
La figure 3.16 (a, b, c) montre les diagrammes des frquences des facteurs de fonctionnement
pour les alternateurs.
140

70

120

60

50
Nombre d'observations

80

60

40

30

20

40
10

20
0
0

0
0

2000

4000

6000

8000

1E5

2E5

10000

3E5

4E5

5E5

6E5

7E5

Charge cumule (h)


(b)

Nombre d'arrts dmarrages


(a)

110
100
90
80
Nombre d'observations

Nombre d'observations

100

70
60
50
40
30
20
10
0
0.65

0.70

0.75

0.80

0.85

0.90

0.95

Rgime moyen
(c)

Figure 3.16 : Diagrammes de frquences des facteurs de fonctionnement des alternateurs

80

3.5 tude des donnes de dfaillance des turbines


En adoptant la mme dmarche que pour les alternateurs, nous allons dduire des formes du taux
de dfaillance pour les turbines par estimation directe. Nous ferons aussi un tat des facteurs
susceptibles d'affecter le comportement du taux de dfaillance.

3.5.1 Caractristiques de l'chantillon de turbines


Les donnes de remplacement d'un ensemble de 90 turbines ont t tudies (tableau 3.14). Les
remplacements effectus, comme ceux des alternateurs, s'talent de 1957 jusqu' la fin de 2006.
Nous utilisons les mmes donnes de fonctionnement sur la priode dbutant en 2002 et se
terminant en dcembre 2006.
Les donnes de dfaillance sont reportes de la mme faon que pour les alternateurs.
Tableau 3.14 : Identification de l'chantillon de turbines
Id

Centrale

Nb Groupes

Nb. Observations

1-6

C1

13

7-44

C2

38

83

45-57

C3

12

12

58-70

C4

16

17

71-83

C5

12

13

84-90

C6

Les dures de vie des turbines sont aussi tires de l'historique des travaux majeurs des groupes et
donc des organes ayant t rnovs jusqu' la fin de 2006. D'aprs les dates d'installation et des
retraits successifs, les dures de vie pour chacune des turbines de l'chantillon sont calcules
(extrait dans tableau 3.15). De la mme faon, les observations sont marques par 1 si elles sont
complte et par 0 sinon.
Tableau 3.15 : Extrait des dures de vie de l'chantillon de turbines
ID
1
2
3
4
5
6
7

Centrale
C1
C1
C1
C1
C1
C1
C1

Groupe
A01
A02
A02
A03
A03
A03
A04

Code
0
41 100
0
41 100
41 100
0
41 100

Date Dbut
1950-01-01
1950-01-01
1983-10-05
1950-01-01
1986-01-22
1991-04-02
1950-01-01

Date de fin
2007-12-31
1983-10-05
2007-12-31
1986-01-22
1991-04-02
2007-12-31
1984-01-01

Dure (h)
508392
295920
212472
316080
45504
146808
298032

Censure
0
1
0
1
1
0
1

81

3.5.2 Estimation directe du taux de dfaillance des turbines


Sur la figure 3.17 sont tracs l'histogramme (a), la densit de probabilit estime (b), la courbe de
fiabilit non paramtrique (c) selon l'estimateur de Kaplan-Meier, ainsi que le taux de dfaillance
(d) correspondant aux donnes du tableau 3.15.

40

30
1.5e-06
Densit

Frquences

2.0e-06

20

1.0e-06

10

5.0e-07

0
0e+00

1e+05

2e+05

3e+05

4e+05

5e+05

6e+05

7e+05
-2e+05

Dures de vie

0e+00

2e+05

4e+05

6e+05

8e+05

Dures de vie

(a)

(b)

1.2
1.1
Donnes
Compltes
Censures

1.0

1E-05

Observ
Approch
Spline

0.9

Taux de dfaillance

0.8

Fiabilit

0.7
0.6
0.5
0.4

5E-06

0.3
0.2
0.1
0.0
-1E5

1E5

2E5

3E5

4E5

5E5

6E5

7E5

0E-01
-1E+05

Dures de vie

(c)

5E+04

2E+05

4E+05

5E+05

7E+05

Dures de vie

(d)

Figure 3.17 : Histogramme, densit, fiabilit et taux de dfaillance des turbines


En procdant un lissage par spline, on distingue une partie croissante dans la fonction du taux
de dfaillance jusqu' un certain point, ensuite on remarque une tendance vers la baisse.
En distinguant les groupes par centrale, l'estimation des taux de dfaillance approchs des
turbines sont reprsents dans la figure 3.18 (a, b, c, d).

82

UNIT= C1

UNIT=C2

Modle = 1.597E-6*exp(7.4154E-6*t)

Modle = 4.9799E-7*exp(3.712E-6*t)
2E-05

4E-05

Taux de dfaillance

Taux de dfaillance

6E-05

2E-05

0E-01
0E-01

2E+05

3E+05

5E+05

6E+05

1E-05

0E-01
-1E+05

Observed

5E+04

Dure de vie

2E+05

4E+05

5E+05

7E+05

Observed

Dure de vie

(a)

(b)

UNIT= C4

UNIT= C5

Modle = 9.0134E-5*exp(-2.4266E-6*t)

Observed = 0.0001*exp(2.4215E-5*t)
3E-04

2E-04

Taux de dfaillance

Taux de dfaillance

2E-04

8E-05

2E-04

1E-04

6E-05

0E-01
0E-01

4E+03

8E+03

1E+04

Observed

Dure de vie

0E-01
-1E+03

2E+03

5E+03

8E+03

1E+04

Observed

Dure de vie

(c)

(d)

Figure 3.18 : Taux de dfaillance approchs de l'chantillon de turbines


On remarque sur le trac du taux de dfaillance observ, qu'il est relativement plat sur les
premires 300 000 heures. L'accroissement du taux est ensuite variable selon les centrales.
L'analyse par centrale montre que le taux varie par paliers concernant C1. Le manque de donnes
pourrait expliquer cet aspect. Pour les autres centrales, bien qu'une tendance d'accroissement
existe, elle n'est pas homogne. La variation entre centrales est aussi importante (voir figure
3.19). Une approximation du taux de dfaillance moyen observ sur toutes les turbines a la forme
suivante :

2.3510

exp 6.3510

(3.12)

83

2E-05

Taux de dfaillance

C1
C1 = 1.597E-6*exp(7.4154E-6*t)
C2 = 4.9799E-7*exp(3.712E-6*t)

1E-05

C2

0E-01
0E-01

2E+05

3E+05

5E+05

6E+05

8E+05

Dure de vie

Figure 3.19 : Comparaison des taux de dfaillance approchs des turbines par centrale

3.5.3 Facteurs potentiellement influents sur les dures de vie des turbines
Les donnes de dures de vie des turbines sont aussi compltes pour les sections ultrieures afin
de les tudier au regard des facteurs de construction et de fonctionnement. Les facteurs de
construction sont aussi codifis selon des plages tires partir des frquences (figure 3.20, a, b, c,
d) :
-

0PU 60MW
puissance nominale (a) : 1116 PU 200MW ;
2PU 300
0DOMINIONEW
fabricant de la turbine (b) : 1GE ;
2Autres
0Francis
Genre de turbine (c) :
;
1Hlice
type de centrale (d) : 0fildel eau
1rservoir.

84

40

35

35

30

Nombre d'observations

Nombre d'observations

30

25

20

15

25

20

15

10

10
5
5
0
DOMINION E W

0
-50000

50000

1E5

1.5E5

2E5

2.5E5

3E5

3.5E5

4E5

GE

4.5E5

ALLIS CHALMERS
ALSTOM
MIL ROYAL
ENGLISH ELECTRIC.
MORRIS I P
FABRICANT
(b)

PUISSANCE
(a)

80
80
70
70
60
Nombre d'observations

Nombre d'observations

60
50
40
30

50

40

30

20

20

10

10

0
FRANCIS

HELICE
GENRE
(c)

Fil de l'eau

Rservoir
TYPE
(d)

Figure 3.20 : Diagrammes de frquences des facteurs de construction des turbines


De la mme faon, la figure 3.21 (a, b, c, d) montre les diagrammes de frquences des facteurs de
fonctionnement pour les turbines.
-

le nombre d'arrts/dmarrages cumuls (a);

la charge cumule (b);

le rgime moyen de fonctionnement (c).

85

60

110
100

50

90

Nombre d'observations

70
60
50
40

40

30

20

30
20

10

10
0

0
0

2000

4000

6000

8000

10000

1E5

2E5

3E5

4E5

5E5

6E5

Charge cumumle (h)


(b)

Nombre d'arrts dmarrages


(a)

100
90
80

Nombre d'observations

Nombre d'observations

80

70
60
50
40
30
20
10
0
0.65

0.70

0.75

0.80

0.85

0.90

0.95

Rgime moyen
(c)

Figure 3.21 : Diagrammes de frquences des facteurs de fonctionnement des turbines

7E5

86

3.6 tude des donnes de dfaillance des systmes dexcitation SE


En adoptant la mme dmarche que pour les alternateurs et les turbines, nous allons dduire des
formes du taux de dfaillance pour les SE par estimation directe. Nous ferons aussi un tat des
facteurs susceptibles d'affecter le comportement du taux de dfaillance.

3.6.1 Caractristiques de l'chantillon de SE


Les donnes de remplacement d'un ensemble de 90 SE ont t tudies (tableau 3.16). Les
remplacements effectus s'talent aussi de 1957 jusqu' la fin de 2006. Les donnes de
dfaillance sont reportes de la mme faon que pour les alternateurs et les turbines.

Tableau 3.16 : Identification de l'chantillon de SE


Id

Centrale

Nb Groupes

Nb. Observations

1-6

C1

7-44

C2

38

60

45-57

C3

12

12

58-70

C4

16

52

71-83

C5

12

26

84-90

C6

Les dures de vie des ces composants sont aussi tires de l'historique des travaux majeurs des
groupes et donc des organes ayant t rnovs jusqu' la fin de 2006. D'aprs les dates
d'installation et des retraits successifs, les dures de vie pour chacun des SE de l'chantillon sont
calcules. Les observations non censures sont marques par 1, et par 0 sinon.

3.6.2 Estimation directe du taux de dfaillance des SE


Sur la figure 3.22 sont traces lhistogramme (a), la densit de probabilit estime (b), la courbe
de fiabilit non paramtrique (c) selon l'estimateur de Kaplan-Meier, ainsi que le taux de
dfaillance (d) correspondants aux donnes des dures de vie des SE. On remarque qu'il y a 2
blocs distincts concernant la fiabilit. Cette particularit n'a pu tre explique pour l'instant. Des
donnes supplmentaires seront ncessaires pour tudier ce cas. Aussi, l'estimation du taux de
dfaillance de tous les SE n'a galement pas pu tre effectu.

87

60

3.0e-06

40

2.0e-06

30
Densit

Frquences

50

20

1.0e-06

10

2e+05

4e+05

6e+05
2e+05

Dures de vie

6e+05

Dures de vie

(b)
(a)
1.2
1.1

9E-05

Donnes
Compltes
Censures

1.0

Modle = 7.9521E-7*exp(2.8277E-5*t)

0.9

Taux de dfaillance

Fiabilit

0.8
0.7
0.6
0.5

6E-05

3E-05

0.4
0.3
0.2
0.1
-1E5

1E5

2E5

3E5
Dures de vie

(c)

4E5

5E5

6E5

7E5

0E-01
0E-01

3E+04

6E+04

9E+04

1E+05

2E+05

2E+05

2E+05

Dures de vie

(d)

Figure 3.22 : Histogramme, densit, fiabilit et taux de dfaillance des SE


Les taux de dfaillances estims des SE pour chaque centrale sont reprsents dans la figure 3.23
suivante :

88
CENTRALE = C4

CENTRALE = C5

Modle = 1.4616E-6*exp(2.6551E-5*t)

Modle = 1.8707E-6*exp(1.7786E-5*t)
2E-04

8E-05

Taux de dfaillance

Taux de dfaillance

1E-04

4E-05

0E-01
-2E+04

1E-04

0E-01
1E+04

4E+04

7E+04

1E+05

1E+05

2E+05

Observed

50000

Dure de vie

1E5

1.5E5

2E5

Observed

Dure de vie

(a)

(b)
CENTRALE = C6
Modle = 4.5785E-6*exp(6.0737E-6*t)

Taux de dfaillance

6E-05

4E-05

2E-05

0E-01
0E-01

6E+04

1E+05

2E+05

2E+05

3E+05

Observed

Dure de vie

(c)

Figure 3.23 : Modles des taux de dfaillance approchs de l'chantillon de SE


L'analyse par centrale montre que pour la centrale C6, le manque de donnes au del de 100 000
heures pourrait expliquer cet aspect. La variation entre centrales est aussi importante (figure
3.24). Une forme approche du taux de dfaillance observ sur les centrales C4 et C5 est :

7.952110

2.827710

(3.13)

89

1E-02

Taux de dfaillance

C4

C5
5E-03

C4 = 1.4616E-6*exp(2.6551E-5*t)
C5 = 1.8707E-6*exp(1.7786E-5*t)
C6 = 4.5785E-6*exp(6.0737E-6*t)

C6
0E-01
0E-01

2E+05

3E+05

5E+05

6E+05

8E+05

Dure de vie

Figure 3.24 : Comparaison des taux de dfaillance approchs des SE par centrale

3.6.3 Facteurs potentiellement influents sur les dures de vie des SE


Pour les SE, et en l'absence de donnes technologiques, un seul facteur de construction est utilis.
Cest la puissance de l'alternateur du groupe (figure 3.25) :
28
26
24
22
Nombre d'observations

20
18
16
14
12
10
8
6
4
2
0
50

100

150

200

250

300

350

400

450

PUISSANCE
(a)

Figure 3.25 : Diagrammes de frquences du facteur de construction des SE


Les facteurs de fonctionnement durant la dure de vie sont les mmes que pour le reste des
composants (figure 3.26 a, b, c) :

90
-

le nombre d'arrts/dmarrages cumuls (a);

la charge cumule (b);

le rgime moyen de fonctionnement (c).


70

120

60

100

Nombre d'observations

Nombre d'observations

50
80

60

40

40

30

20
20

10

0
0

2000

4000

6000

8000

10000

1E5

2E5

3E5

4E5

5E5

6E5

7E5

Charge cumule (h)


(b)

Nombre d'arrts/Dmarrages
(a)

70

60

Nombre d'observations

50

40

30

20

10

0
0.65

0.70

0.75

0.80

0.85

0.90

0.95

Rgime moyen
(c)

Figure 3.26 : Diagrammes de frquences des facteurs de fonctionnement des SE

3.7 Discussion
En procdant un lissage par spline de la courbe du taux de dfaillance des alternateurs (figure
3.27 a), on distingue nettement la prsence d'une forme exponentielle dans la fonction du taux de
dfaillance. Les alternateurs ont tous la mme fonction consistant produire de l'lectricit.
Pouvoir les diffrencier du point de vue de leurs tats d'usure revient les caractriser sur la base
de leurs proprits technologiques et de leurs modes d'utilisation. Concernant les facteurs de
construction, 3 fabricants, 3 gammes de puissances ainsi que 2 types d'isolants sont les candidats
les plus significatifs. Pour les facteurs de fonctionnement, la majorit des groupes sont dmarrs

91
environ 2000 fois durant la priode d'exploitation dans une plage de rgime entre 80 et 85%.
Concernant les heures de production, une majorit de groupes produisent pendant 20,000 heures
environ.
Concernant les turbines, on remarque aussi sur la figure 3.27 (b), que le taux de dfaillance
observ est monotone sur une plage seulement des dures de vie. En ralisant un lissage par
spline, il apparait mme une baisse du taux de dfaillance dans la plage des dures de vie les plus
grandes. Pour les facteurs de construction, la majorit des turbines sont du type Francis,
caractrisant les centrales dites au fil de l'eau et proviennent de 2 fabricants. Les
caractristiques de fonctionnement sont similaires celles des alternateurs.
Les taux de dfaillance observs sur les SE et par centrale semblent monotones et ont une
tendance croissante avec l'ge.

1E-05

Taux de dfaillance

1E-05

0E-01
0

1.5E5

3E5

4.5E5

6E5

5E-06

0E-01
-1E+05

7.5E5

5E+04

2E+05

Dures de vie des alternateurs

4E+05

(b)

9E-05

6E-05

3E-05

0E-01
0E-01

5E+05

Dures de vie des turbines

(a)

Taux de dfaillance

Taux de dfaillance

2E-05

3E+04

6E+04

9E+04

1E+05

2E+05

2E+05

2E+05

Dures de vie des SE

(c)

Figure 3.27 : Approximation par spline des taux de dfaillances

7E+05

92

CHAPITRE 4

MODLISATION DU TAUX DE DFAILLANCE D'UN


GROUPE TA

Lamlioration des technologies de collecte, de transmission et de stockage de donnes sur les


parcs de machines permet laccs en temps rel des volumes impressionnants d'informations
historiques. Ces quipements sont mme commands distance et transmettent ltat de leurs
environnements des serveurs distants qui centralisent et enregistrement diverses mesures.
Par contre, ce quaucun capteur ne donne de faon directe, cest la mesure de ltat de
vieillissement d'un systme complexe. L'ge chronologique, les heures de vol accumules et le
kilomtrage sont des indicateurs de vieillissement simple et trs pratiques mais ils sont trs
approximatifs pour des systmes comme les groupes TA ou les sources de stress sont multiples et
variables. Ainsi, deux groupes identiques mis en exploitation au mme moment pourraient vieillir
diffremment. De plus, les groupes TA sont de grands systmes mcaniques trs fiables par
construction. Le temps chronologique est rarement utilis comme indicateur du vieillissement.
Il y a aussi les oprations dentretien ralises rgulirement. Elles vont du simple nettoyage la
rnovation et au remplacement entier de certains organes. Ces oprations ont certainement un
effet sur le potentiel dure de vie restant du systme.
C'est une quantification de l'effet de cet ensemble de facteurs sur le taux de dfaillance que nous
allons proposer dans les sections suivantes. Sur la base des mesures historiques de
fonctionnement et de rparation des organes d'un groupe, le travail entrepris se propose de
formuler lintensit de dfaillance

des organes importants d'un groupe et de driver un taux

de dfaillance global pour le groupe. Les courbes des taux de dfaillances observs sur les
alternateurs nous orientent vers un taux de dfaillance contenant une forme exponentielle. Sur les
turbines par contre, la baisse du taux de dfaillance un moment dans la priode d'exploitation,
renseigne sur l'influence des rparations effectues sur les turbines. Une chelle de temps
modifie

appele ge virtuel, servira dargument lintensit de dfaillance sur les turbines.

Nous considrons que les rparations qui sont effectues sur la turbine affectent son intensit de
dfaillance selon le processus d'ge virtuel de type I (Kijima et al., 1988; Kijima & Nakagawa,
1992). Nous proposons une contribution thorique sous la forme d'une extension du modle pour

93
des systmes multicomposants, rparables. Nous drivons par la suite la notion d'ge virtuel pour
un systme srie.
Pour les turbines, nous considrons qu' la suite d'une dfaillance, les actions de maintenance
sont de dures ngligeables et permettent de remettre le systme en fonctionnement. Les
rparations considres peuvent prendre 3 formes :
-

aucune influence sur la dure de vie jusquau prochain arrt ;

une rparation mineure qui a pour effet un rajeunissement jusqu un certain degr ;

une rparation majeure ou la turbine est compltement restaur un tat quasi neuf.

Le but recherch n'est pas de donner une description physique du mcanisme de rparation, mais
il est plutt de trouver des formes des taux de dfaillance des organes majeurs exploitant le plus
les observations ralises et susceptibles de dcrire le comportement du systme en entier.

4.1 Variables dpendantes et indpendantes


Nous considrons un chantillon de groupes qui sont mis en fonctionnement ltat neuf,
divers instants de la priode dobservation. Aprs une priode dexploitation, ils sont mis l'arrt
sur l'avis d'experts et nous considrons cet instant

comme variable de rponse que nous

nommerons dure de vie du groupe. Nous voulons tudier cette variable dpendante dans le
contexte de particularits technologiques et de fonctionnement.
Il est raisonnable de faire une diffrenciation car deux groupes mis en service la mme priode,
mais ayant eu des utilisations diffrentes, auront des valeurs diffrentes de la variable de rponse.
Dans un premier temps, nous tudions la variable de rponse sous l'influence de plusieurs
variables indpendantes ou facteurs en lien avec l'environnement d'exploitation. Ladjonction de
caractristiques de construction et de fonctionnement nous permettra dintgrer cet
environnement dans l'explication de la rponse.
Dans un deuxime temps, nous pourrons intgrer lhistorique des rparations effectues sur les
turbines pour complter le portrait de ltat dans lequel se trouvent les groupes un instant
donn.
Pour dcrire les variables indpendantes du composant
vecteur

d'un groupe , nous considrons le

contenant 2 familles de facteurs : ceux de

94
construction nots

et ceux de fonctionnement nots

en remarquant que les facteurs

de fonctionnement sont communs tous les organes d'un groupe.

4.1.1 Caractristiques technologiques


Des machines aux fonctions similaires, peuvent comporter des lments technologiques et des
matriaux aux proprits diffrentes. Un exemple typique sur les groupes TA est lisolant sur les
bobines dalternateur. Les isolants de technologie ancienne sont base dasphalte/mica, tandis
que les rcentes machines utilisent des composs dpoxy/mica ayant de meilleures proprits.
Linfluence sur le risque de dfaillance a fait l'objet de recherches nombreuses (Montanari et al.,
2002; Simoni, 1999). Ces travaux dveloppent des modles phnomnologiques et
s'intressent aux comportements physico-chimiques de ces matriaux sous l'influence de la
temprature, des tensions et du stress mcanique. Ils s'appuient largement sur l'exprimentation
pour la dtermination des paramtres des modles. Concernant les turbines, les facteurs
influenant le taux de dfaillance sont la composition mtallique, le type de turbine et la
disposition sur la rivire.

4.1.2 Environnement de fonctionnement


L'opration de dmarrage et d'arrt des groupes TA est dlicate et ncessite un mode opratoire
particulier. Plus le nombre d'arrts/dmarrages est grand, plus l'usure est acclre sur certains
organes. Ce fait est largement rapport par le personnel technique. Nous considrons cette
quantit comme premier facteur.
Nous nous intressons aussi au rgime de fonctionnement. C'est une proportion de la puissance
nominale dans laquelle lquipement fonctionne. Les heures de production cumules, que nous
dsignerons par charge , est une variable qui a aussi certainement un impact prpondrant sur
l'usure des machines.

95

4.2 Modle de dfaillance risques proportionnels PHM


4.2.1 Motivation
Les taux de dfaillances observs pour les trois chantillons tudis des composants des groupes
TA dans la section 3.4 sont monotones et clairement croissants pour les alternateurs et les SE. Ils
prsentent en plus, une variation selon les centrales. Pour cet chantillon, un modle de taux de
dfaillance risques proportionnels not PHM (proportional hazard model) ou une de ces
variantes apparait comme un bon point de dpart pour la modlisation. Pour ce faire, nous
prsentons une formalisation de la notion de PHM dans un systme multicomposant.

4.2.2 Dfinition du modle PHM


Le modle PHM lie le taux de dfaillance du composant
environnement dcrit par

un tat de rfrence

d'un groupe , se trouvant dans un

par :

(4.1)

1. C'est une formulation largement utilise pour la modlisation des systmes

avec

un seul composant en ingnierie. Le cas le plus usuel est le modle de Cox (Cox & Oakes, 1984)
o le taux de dfaillance est le produit dune fonction

, appele taux de dfaillance de base,

et dune fonction exponentielle interprte comme un risque relatif engendr par les lments
du vecteur de covariables

, pondres par des coefficients

. Ainsi, lquation (4.1) devient :


(4.2)

D'aprs les quations (3.5) et (4.1), la fonction de fiabilit prend la forme particulire suivante :
,
Dans ce cas, si

(4.3)

1, alors la fiabilit du composant va diminuer avec le temps

comparativement ltat de rfrence (figure 4.1). Le modle acclre le temps comme le cas o
une utilisation svre acclre le vieillissement.

96

Figure 4.1 : Acclration du temps par le modle PHM


La caractristique principale de ce modle est la proportionnalit des taux de dfaillance entre
deux composants similaires fonctionnant dans deux tats
,

. En effet, le rapport :

(4.4)

ne dpend plus du taux de dfaillance de base. Pour vrifier que le modle reprsente l'ensemble
de donnes disponibles, la relation suivante issue de (4.3) est utile :

(4.5)

Cette relation montre que les tracs de fiabilit correspondant aux tats de rfrence et
quidistants (figure 4.2).

Figure 4.2 : Trac log-log des fiabilits pour un modle PHM

sont

97
Quand le taux de dfaillance de base

est connu, la mthode du maximum de vraisemblance

est applicable pour l'estimation des paramtres de la fonction

(les coefficients

pour le

modle de Cox). Par contre, s'il est inconnu, la procdure pour l'estimation des paramtres est la
mthode dite de vraisemblance partielle (Cox & Oakes, 1984).

4.2.3 Estimation des paramtres du modle PHM


Pour procder lestimation, nous formons des chantillons de donnes non censures
correspondants aux instants de dfaillances de familles de composants. Les alternateurs de toutes
les centrales par exemple. Les

sont ordonns de

lindice de l'alternateur qui tombe en panne linstant

faon croissante. Avec


simplement par

instants de dfaillance

son taux de dfaillance et

, notons

son tat (figure 4.3). Cox et Oakes (Cox &

Oakes, 1984) notent lensemble de survivants (ou population risque) par


,

et lhistorique des pannes par


dfinition de

est un survivant linstant

,,

,..,

). Ils dterminent ensuite la fonction de

vraisemblance en se basant sur une probabilit conditionnelle lhistorique


individu de lensemble

tombe en panne linstant

que ce soit l'individu dont lindice est (c..d.

(daprs la
. Sachant quun

, ils cherchent alors la probabilit

Figure 4.3 : Mthode destimation des paramtres du modle PHM


Cette probabilit est donne par :
| ,

,..,

. (4.6)

98
Ici, le taux de base se simplifie. Comme not par les auteurs, cette probabilit ne dpend
fonctionnellement que des indices . Cette probabilit est gale

| ,

,..,

. Ils tirent

,..,

dfinie par :

alors la fonction de vraisemblance de la distribution conjointe du n-uplet


,

,..,

| ,

,..,

(4.7)

Ils gnralisent cette fonction pour l'estimation des paramtres dans le cas de donnes censures
droite. Dans ce cas, il y a

temps de dfaillances observs et la fonction de vraisemblance

est dite alors partielle et est donne par (Cox & Oakes, 1984) :

De plus, dans le cas o

(4.8)

dfaillances surviennent au mme instant

, la formulation suivante

est propose par Breslow (Breslow, 1974; Pham, 2003) :

avec

(4.9)

le vecteur somme des variables indpendantes des composants ayant failli au

mme instant. En prenant le logarithme des deux membres de l'quation :

(4.10)

la maximisation de (4.10) est ralise en annulant les premires drives partielles. Elle permet
d'obtenir le vecteur des paramtres

(par une mthode numrique comme Newton-Raphson par

exemple). Si un des lments estim du vecteur n'est pas significatif, cela veut dire que le facteur
n'est pas influent. Dans ce cas, il faut liminer ce facteur et reprendre la procdure.
Comme indiqu prcdemment, l'hypothse principale avec ce modle est la proportionnalit des
taux de dfaillances. L'introduction de facteurs dpendant du temps, viole cette hypothse et c'est
le cas dans bien des situations. Des variantes des PHM sont formes alors pour inclure des
covariables qui dpendent du temps (Cox & Oakes, 1984; Kalbfleisch & Prentice, 1981). Une des
variantes avec un seul des facteurs de

dpendant du temps (

), est forme comme

suit :
,

(4.11)

99
Un choix judicieux de la forme de

permet de reporter la variabilit du facteur avec le temps

dans la spcification des paramtres

. Dans un modle deux facteurs par exemple, les

observations de dfaillance sont rparties en 2 blocs : un bloc de rfrence o


autre bloc tel que

1,

0,0 et un

. Le ratio des taux de dfaillance est alors :

,
(4.12)

Avec une constante qui est choisie proche de la moyenne des dures de vie. Selon les valeurs
de

, le ratio des taux de dfaillance entre les deux blocs est alors croissant ou dcroissant avec

le temps. Un cas typique est celui o le potentiel de prdiction d'un facteur tend s'annuler avec
le temps. L'expression du facteur

est souvent utilise dans ce cas de figure.

4.2.4 Algorithmes destimation des paramtres


Les algorithmes utiliss pour lajustement dun modle de rgression PHM proviennent de la
librairie Survival du logiciel libre CRAN-R (The-R-Development-Core-Team, 2008). Ce sont
principalement les routines coxph et coxphf qui ajustent le modle de risques
proportionnels de Cox dans le cas de convergence de la fonction de vraisemblance et en labsence
de convergence respectivement. Ils traitent notamment les donnes censures et les variables
dpendants du temps. Ils sont bass sur la formulation de Anderson et Gill (Andersen & Gill,
1982).
Les donnes de dures de vie et des facteurs sont organises en colonnes et lues directement par
le logiciel partir de divers formats. Le modle est spcifi selon la syntaxe suivante :
,

~ 1

3,

Cette commande demande dajuster un modle de rgression PHM ou les dures de vie (colonne
dvie) sont censures (colonne censure) et o le modle comprend 3 facteurs
indpendants du temps et les donnes sont dans la structure

Dans le cas o un facteur dpend du temps la syntaxe utilise est la suivante :


,

~ 1:

1, 2, 3

100
La syntaxe de la commande utilise pour le test de lhypothse de proportionnalit du modle de
Cox est la suivante :
.

~ 3,

Ce test est bas sur la formulation de Grambsch et Therneau (Grambsch & Therneau, 1994).
Plusieurs tests statistiques pour valuer le seuil de signification des variables indpendantes sont
donns. Ils comprennent principalement le coefficient de dtermination R2, le test des ratios de
vraisemblances partielles, et le test de Wald (Hosmer & Lemeshow, 1999).

4.2.5 Application aux alternateurs


Les dures de vie des alternateurs sont tudies en faisant l'hypothse que le taux de dfaillance
est affect par l'environnement d'utilisation. La variable dpendante dure de vie, est suppose
tre affecte par l'ensemble des variables indpendantes de construction prpares la section
3.4.3:
-

= catgorie de puissance ;

= fabricant ;

= type d'isolant des stators,

ainsi que les variables indpendantes de fonctionnement :


-

= nombre de dmarrages ;

= charge cumule ;

= rgime.

Les deux sous-groupes de variables indpendantes sont tests sparment pour la vraisemblance.
4.2.5.1 Variables indpendantes de construction
Les observations sur les dures de vie des alternateurs sont analyses en supposant que les
facteurs de construction expliquent en partie ces observations. Selon le modle (4.2), les rsultats
de l'estimation des paramtres
suivant :

des facteurs de construction sont rsums dans le tableau 4.1

101
Tableau 4.1 : Estimation des paramtres des facteurs de construction des alternateurs
Facteurs

cart type

Chi2

Lw 0.95

Up 0.95

p-value

0.228

0.223

0.673

1.64

8.2e-01

0.124

0.198

0.804

1.31

8.4e-01

0.109

4.670

1.345

2.06

3.0e-06

: Puissance 0.0509
: Fabricant 0.0246
0.5106
: isolant

R = 0.149 (max possible= 0.962)


Test ratio de vraisemblance = 25.2 avec 3 df, p=1.38e-05
Test de Wald = 27.4 avec 3 df, p=4.94e-06
Test logrank = 30.3 avec 3 df, p=1.20e-06

Bien que lampleur du lien entre les variables indpendantes de construction et la rponse,
exprim par le coefficient de dtermination R2 soit faible, au moins un des facteurs est
significativement associ aux dures de vie. En effet, la probabilit daccepter tort l'hypothse
nulle (le taux de dfaillance correspondant aux dures de vie suit le modle dcrit par lquation
4.2), est trs faible (

1.38E

05). Le facteur de construction le plus significatif selon le p-

value, est le type d'isolant dans l'alternateur. Les autres facteurs sont alors limins du modle.
Nous utiliserons donc ce facteur de construction en combinaison avec les facteurs de
fonctionnement retenus par le mme procd pour faire un choix des variables indpendantes les
plus significatives.
4.2.5.2 Variables indpendantes de fonctionnement
Les donnes de dures de vie des alternateurs sont analyses en supposant que les facteurs de
fonctionnement, expliquent en partie ces observations. De la mme faon, les rsultats de
l'estimation des paramtres des facteurs de fonctionnement sont rsums dans le tableau 4.2
suivant :
Tableau 4.2 : Estimation des paramtres des facteurs de fonctionnement des alternateurs

cart type

Lw 0.95

Up 0.95

Chi2

p-value

: nb dmarrages

-0.004447

7.20e-04

0.994

0.997

-6.18

6.4e-10

: charge cumule

-0.000215

3.42e-05

1.000

1.000

-6.27

3.5e-10

Facteurs

: rgime
R = 0.922 (max possible= 0.962)
Test ratio de vraisemblance = 399 avec 2 df, p=0
Test de Wald
= 23.7 avec 2 df, p=7.06e-06
Test Score (logrank)= 126 avec 2 df, p=0
2

102
La valeur de R2 montre ici un lien trs fort entre le nombre de dmarrages et la charge avec la
rponse. Mais, l'estimation de l'effet du rgime n'a pas pu tre ralise cause de la prsence
d'une matrice singulire rapporte par le logiciel. L'valuation de l'effet de ce facteur seul donne
un p-value de 0.68. L'effet du rgime de fonctionnement ne semble donc pas significatif. Nous
maintenons les facteurs restants.
4.2.5.3 Estimation des paramtres du modle PHM pour les alternateurs
En testant tous les facteurs prcdents ensemble, nous obtenons les rsultats du tableau 4.3
suivant :
Tableau 4.3 : Paramtres du modle PHM pour les alternateurs
Facteurs

cart type

Lw 0.95

Up 0.95

Chi2

p-value

: isolant

0.241332

1.67e-01

0.918

1.766

1.45

1.5e-01

: nb dmarrages

-0.004412

7.24e-04

0.994

0.997

-6.09

1.1e-09

1.000

-6.28

3.5e-10

1.00
: charge cumule -0.000218 3.48e-05
R = 0.922 (max possible= 0.962)
Test ratio de vraisemblance = 399 avec 2 df, p=0
Test de Wald
= 23.7 avec 2 df, p=7.06e-06
Test Score (logrank)= 126 avec 2 df, p=0
2

En dfinitive, le facteur de construction devient non significatif comparativement aux facteurs de


fonctionnement. Nous pouvons retenir le nombre de dmarrages et la charge comme variables
explicatives. De plus, la valeur du p-value de la charge tant plus faible, nous n'utiliserons que ce
facteur par la suite comme variable indpendante explicative.
Le facteur de charge est de toute vidence dpendant du temps. Le test de proportionnalit est
tudi en ralisant une rgression linaire gnralise des rsidus de Schnfeld ajusts (Hosmer
& Lemeshow, 1999). Une pente diffrente de zro est une indication d'une violation de
l'hypothse de proportionnalit du PHM. Elle peut indiquer aussi la nature de la dpendance avec
le temps.

0.0005
-0.0005

0.0000

Beta(t) for Z2

0.0010

0.0015

103

45000

190000

360000

470000

620000

Time

Figure 4.4 : Test de proportionnalit des taux de dfaillance des alternateurs


La figure 4.4 montre que le coefficient de

varie avec le temps. Nous utiliserons une forme

linaire du coefficient dans les algorithmes d'estimation (tableau 4.4). Le taux de dfaillance
s'crit :
,

(4.13)

Tableau 4.4 : Interaction du facteur charge avec le temps pour les alternateurs
Facteurs

cart type

Lw 0.95

Up 0.95

Chi2

p-value

-3.10e-05

6.49e-06

0.99

0.99

39.45

3.36e-10

7.92

4.90e-03

1.00
1.00
: dure de vie 4.24e-11 1.60e-11
Test ratio de vraisemblance = 107.92, 2 df, p=0, n=156
Test de Wald
= 53.06, 2 df, p = 2.99e-12

Il faut noter que l'quation (4.13) est similaire au taux de dfaillance obtenu par la mthode
d'estimation directe. En effet, pour un alternateur, cette quation s'crit aussi :
,

(4.14)

Mais la comparaison terme terme exige que le risque de base ne dpende pas du temps. La
dfinition complte du taux de dfaillance est ncessaire pour les objectifs poursuivis tels la
prvision du risque travers le taux de dfaillance et la planification des oprations de
maintenance. Sa dtermination ncessite de fixer une sous-population de rfrence parmi
l'chantillon dalternateurs dont le taux de dfaillance de base est connu (par exemple en
effectuant des tests acclrs). Par la suite, il sagira dexprimer les taux de dfaillance des autres
alternateurs relativement cette sous-population de rfrence. Les facteurs sont alors recods de
faon ce que la sous-population de rfrence ait des facteurs gaux zro.

104
Pour cette population de rfrence, si le risque de base PHM est constant :
.

(4.15)

Le taux de dfaillance des autres alternateurs prend la forme :


,

(4.16)

Ce modle correspond bien au taux de dfaillance estim directement. Dans ce modle,


l'explication de la variation des taux de dfaillance entre groupes est affecte en totalit la
charge. L'intrt de ce modle rside dans sa simplicit et la possibilit de faire des prvisions et
de comparer des plans de maintenance en faisant varier la charge. En plus, la dduction des
paramtres du modle se fait de faon directe.
La littrature dans l'tude du vieillissement des alternateurs montre aussi l'utilisation d'un risque
de base correspondant une loi de Weibull de la forme :
.

(4.17)

Des donnes plus importantes sur l'chantillon de rfrence sont alors ncessaires pour estimer
les paramtres de ce taux de base. La forme du taux de dfaillance d'un alternateur est encore plus
complexe et prend la forme suivante :
,

(4.18)

4.2.5.4 Gnration de scnarios de production pour l'alternateur


Nous voulons utiliser les caractristiques du modle (4.14) dans un nouveau contexte pour faire
des prvisions : nous observons le mme composant fonctionnant aujourd'hui dans un
environnement

par rapport un environnement prvisionnel

et dduisons un nouveau

taux de dfaillance prvisionnel de la forme :


,

(4.19)

tant donn un profil de production futur, nous avons ici un modle simple et direct pour estimer
le taux de dfaillance prvisionnel correspondant. Selon (4.19), si le rapport

est

positif, les taux de dfaillance dans les centrales sont acclrs avec un certain coefficient.

105
Puisque l'explication de la variabilit du taux de dfaillance dans le modle (4.16) est affecte
entirement la charge, nous utilisons les paramtres du taux de dfaillance de la section 3.4.2,
pour gnrer un scnario de fonctionnement. Nous lappellerons scnario 2 (S2 dans la figure 4.5
1.5

a, b, c, d). Dans ce scnario, la charge accumule est augmente de 50%. Dans ce cas,
et pour lalternateur de la centrale C2 par exemple:
,

6.172310

et ainsi, le taux de dfaillance avec le scnario 2 scrit :


.

6.172310

CENTRALE = C1

CENTRALE = C2
3E-05
S2

Modle S1 = 6.1723E-7*exp(4.8110E-6*t)
Modle S2 = 6.1723E-7*exp(7.2165E-6*t)

2E-05
2E-05

S1

S2

S1
Taux de dfaillance

Taux de dfaillance

1E-05

8E-06

4E-06

2E-05

1E-05

5E-06
Modle S1 = 2.661E-6*exp(3.1713E-6*t)
Modle S2 = 2.661E-6*exp(4.7570E-6*t)

0E-01
0E-01

1E+05

2E+05

3E+05

4E+05

5E+05

6E+05

0E-01
-1E+05

Observ

5E+04

Dure de vie

2E+05

4E+05

5E+05

7E+05

Observ

Dure de vie

(a)

(b)

CENTRALE=C6

Toutes les centrales

8E-05
Modle S1 = 4.9589E-7*exp(4.1203E-6*t)
Modle S2 = 4.9589E-7*exp(6.1805E-6*t)

Modle S1 = 3.1063E-6*exp(1.0599E-5*t)
Modle S2 = 3.1063E-6*exp(1.5899E-5*t)

S2
S2
S1

Taux de dfaillance

Taux de dfaillance

6E-05

4E-05

2E-05

S1

2E-05

0E-01
-4E+04

2E+04

8E+04

1E+05

2E+05

Dure de vie

(c)

3E+05

3E+05

Observed

0E-01
0E-01

2E+05

3E+05

5E+05

6E+05

8E+05

Observed

Dure de vie

(d)

Figure 4.5 : Taux de dfaillance des alternateurs avec augmentation de 50% de la charge

106

4.2.6 Application aux turbines


Les dures de vie des turbines sont tudies en faisant l'hypothse que le taux de dfaillance des
turbines est affect par l'environnement d'utilisation. La variable dpendante dure de vie, est
suppose tre affecte par l'ensemble des variables indpendantes de construction prpares la
section 3.5.3 :
-

= puissance nominale ;

= fabricant de la turbine ;

= Genre de turbine ;

= type de centrale.

4.2.6.1 Variables indpendantes de construction


Les donnes de dure de vie des turbines sont analyses en supposant que les facteurs de
construction expliquent en partie ces observations. Selon le modle (4.2) les rsultats de
l'estimation des paramtres des facteurs de construction sont rsums dans le tableau 4.5 suivant :
Tableau 4.5 : Estimation des paramtres des facteurs de construction des turbines
Facteurs

cart type

Lw 0.95

Up 0.95

Chi2

p-value

-1.229

0.2200

: puissance

-1.298

1.056

0.0345

2.164

: fabricant

-0.632

0.232

0.3376

0.837

-2.730

0.0063

: Genre

1.682

1.126

0.5911

48.903

1.493

0.1400

0.0878
23.709
: type centrale 0.366 1.428
R = 0.073 (max possible= 0.937)
Test ratio de vraisemblance = 10.9 avec 4 df, p=0.0278
Test de Wald
= 9.68 avec 4 df, p=0.0462
Test logrank = 9.25 avec 4 df, p=0.0551

0.256

0.8000

Le coefficient de dtermination exprime ici aussi un trs faible lien avec la rponse selon une
rgression linaire. En regardant les p-value, part le facteur fabricant, l'erreur sur l'estimation
des autres paramtres est trop importante comparativement la valeur estime des coefficients
des facteurs. Nous ne retenons alors que le fabricant comme facteur de construction. De plus, son
p-value indique qu'il est significatif dans cette catgorie de facteurs. L'estimation avec ce facteur
seul donne les rsultats du tableau 4.6 :

107
Tableau 4.6 : Estimation du paramtre du facteur fabricant des turbines
Facteurs

Se (coef.)

Lw 0.95

Up 0.95

0.46
0.97
: fabricant -0.403 0.190
R = 0.03 (max possible= 0.937)
Test ratio de vraisemblance = 4.36 avec 1 df, p=0.0368
Test de Wald
= 4.48 avec 1 df, p=0.0343
Test Score (logrank)= 4.53 avec 1 df, p=0.0333

Chi2

p-value

-2.12

0.034

Nous utiliserons ce facteur seulement en combinaison avec les facteurs de fonctionnement


retenus par le mme procd pour faire un choix des variables indpendantes les plus
significatives pour les turbines.
4.2.6.2 Variables indpendantes de fonctionnement
Les donnes de dures de vie des turbines sont analyses en supposant que les facteurs de
fonctionnement expliquent en partie ces observations. Le test d'estimation ne converge pas quand
tous les paramtres sont tests ensemble. Les rsultats de l'estimation sont fournis pour chaque
facteur de fonctionnement test seul. Les rsultats sont rsums dans le tableau 4.7 suivant :
Tableau 4.7 : Estimation des paramtres des facteurs de fonctionnement des turbines
Estimation par la mthode de maximum de vraisemblance
Facteurs

cart type

Lw 0.95

Up 0.95

Chi2

p-value

: Nb. Dm

-0.000157

9.93e-05

-1.58

0.11

: charge cumule

-2.46e-05

3.11e-06

-7.89

3e-15

-0.268

0.79

-1.16
4.35
: Rgime
R2= 0.583 (max possible= 0.937)
Test ratio de vraisemblance = 126 avec 1 df, p=0
Test de Wald
= 62.3 avec 1 df, p=3e-15
Test Score (logrank)= 66.6 avec 1 df, p=3.33e-16

C'est encore la charge qui est le facteur le plus significatif. Nous la retenons alors comme
variable explicative.

108
4.2.6.3 Estimation des paramtres du modle PHM pour les turbines
L'estimation des paramtres du modle selon lquation (4.2), est relance avec les facteurs de
construction et de fonctionnement pris ensemble. Les rsultats sont rsums dans le tableau 4.8
ci-aprs :
Tableau 4.8 : Paramtres du modle PHM pour les turbines

cart type

Lw 0.95

Up 0.95

Chi2

p-value

8.37e-01

2.51e-01

1.41

3.78

3.34

8.4e-04

1.00
: charge cumule -3.00e-05 3.79e-06
R = 0.616 (max possible= 0.937)
Test ratio de vraisemblance = 138 avec 2 df, p=0
Test de Wald
= 63.5 avec 2 df, p=1.65e-14
Test Score (logrank)= 67.9 avec 2 df, p=1.78e-15

1.00

-7.93

2.2e-15

Facteurs
: fabricant
2

Les deux facteurs sont significatifs au regard de leurs p-value. Nous retenons donc ces facteurs.
La mme procdure de tests de proportionnalit des taux de dfaillance, applique pour les
alternateurs, est utilise pour tudier les taux de dfaillance des turbines.
4e-05

0e+00

Beta(t) facteur z2

Beta(t) - facteur w2

1
0
-1

-4e-05

-2
-8e-05

-3
67000

410000 470000
Temps

550000
67000

410000

470000

550000

Temps

Figure 4.6 : Test de proportionnalit des taux de dfaillance pour les turbines
La pente de la courbe pour le facteur fabricant semble bien tendre vers zro (figure 4.6). Cela
indique que les taux de dfaillances seraient proportionnels selon ce facteur. De facto, le facteur
charge dpend du temps. Nous testons le modle avec les interactions du facteur fabricant et
dterminons si le rsultat est significatif (tableau 4.9).

109

Tableau 4.9 : Interaction des facteurs du modle PHM des turbines avec le temps
Facteurs

cart type

Lw 0.95

Up 0.95

Chi2

p-value

-6.21e-05

1.25e-05

0.99

0.99

45.66

1.40e-11

9.00e-11

2.73e-11

1.00

1.00

13.69

2.15-04

: dure de vie

Test de ratios de vraisemblance = 134.7544 avec 2 df, p=0, n=144


Test de Wald = 67.29028 avec 2 df, p = 2.442491e-15

Les rsultats montrent que le facteur charge ainsi que l'interaction avec le temps sont significatifs.
Par contre, l'algorithme n'a pas pu mesurer l'effet du facteur fabricant. Sur la base de la valeur du
p-value la plus faible, il est raisonnable de ne considrer que la charge comme facteur explicatif
prpondrant. La forme du taux de dfaillance par estimation directe nous oriente aussi dans ce
sens.
Nous adoptons alors cette forme simplifie du PHM pour les turbines, en considrant que c'est
seulement la charge qui explique la variation du taux de dfaillance :
,

(4.20)

Pour le taux de dfaillance de base des turbines, les mmes remarques que pour les alternateurs
prvalent. Nous faisons alors les hypothses d'un risque de base du modle PHM de la forme :
.

(4.21)

Avec des risques relatifs proportionnels, l'quation (4.20), pour la turbine, prend la forme :
,

(4.22)

4.2.6.4 Gnration de scnarios de production pour les turbines


Avec le modle (4.22), et les valeurs des paramtres issus de lestimation directe, les taux de
dfaillance des turbines sont acclrs avec un facteur de 0.5. L'explication de l'augmentation du
taux tant affecte la charge, nous supposons donc que celle-ci a augment de 50% (figure 4.7).

110

CENTRALE= C1

CENTRALE=C2
2E-05
S2

S2

Modle S1 = 4.9799E-7*exp(3.7120E-6*t)
Modle S2 = 4.9799E-7*exp(5.5680E-6*t)
S1

Taux de dfaillance

Taux de dfaillance

5E-05

3E-05

1E-05

5E+04

1E-05
S1

Modle S1 = 1.597E-6*exp(7.4154E-6*t)
Modle S2 = 1.597E-6*exp(11.1231E-6*t)
2E+05

4E+05

5E+05

0E-01
-1E+05

Observed

5E+04

Dure de vie

2E+05

4E+05

5E+05

7E+05

Observed

Dure de vie

Toutes les centrales

Modle S1 = 3.5563E-7*exp(4.4590E-6*t)
Modle S2 = 3.5563E-7*exp(6.6885E-6*t)

S2

Taux de dfaillance

2E-05

1E-05

0E-01
0E-01

S1

2E+05

3E+05

5E+05

6E+05

8E+05

Observed

Dure de vie

Figure 4.7 : Modles des taux de dfaillance des turbines avec augmentation de 50% de la charge

4.2.7 Application aux SE


Aucune donne de construction na pu tre ramass sur les SE. Une seule variable indpendante
de construction est prise en compte. C'est la puissance de l'alternateur sur lequel est branch
lectriquement le systme dexcitation qui est utilise. Alors, la variable dpendante dure de vie
des SE est suppose tre affecte par cette puissance ainsi que par les facteurs de fonctionnement
prpars la section 3.6.3.
4.2.7.1 Variables indpendantes de construction
Les donnes de dure de vie des SE sont analyses en supposant que la puissance explique en
partie ces observations. Les rsultats montrent que ce facteur pris seul est trs significatif (tableau
4.10).

111
Tableau 4.10 : Estimation du paramtre du facteur de construction des SE
Facteurs

cart type

Lw 0.95

Up 0.95

3.98
9.7
: puissance 1.83 0.227
R = 0.451 (max possible= 0.977)
Test ratio de vraisemblance = 99.5 avec 1 df, p=0
Test de Wald
= 64.5 avec 1 df, p=1e-15
Test Score (logrank)= 108 avec 1 df, p=0

Chi2

p-value

8.03

1e-15

4.2.7.2

Variables indpendantes de fonctionnement

Les donnes de dure de vie des SE sont analyses en supposant que les facteurs de
fonctionnement expliquent en partie ces observations. Le test d'estimation ne converge pas quand
tous les paramtres sont tests ensemble. Les rsultats de l'estimation sont fournis pour le nombre
de dmarrages seul et la charge et le rgime ensemble. Les rsultats sont rsums dans le tableau
4.11 suivant :
Tableau 4.11 : Estimation des paramtres des facteurs de fonctionnement des SE
cart type

Lw 0.95

Up 0.95

Chi2

p-value

: nb. Dm.

8.58e-05

4.75e-05

1.00

1.00

1.81

0.071

: charge cumule

-0.000514

7.16e-05

1.00

1.00

-7.18

7.1e-13

1.26e+31

4.62

3.9e-06

Facteurs

50.274802 1.09e+01 3.7e+12


: rgime
R = 0.937 (max possible= 0.977)
Test ratio de vraisemblance = 458 avec 1 df, p=0
Test de Wald
= 59.3 avec 1 df, p=1.37e-14
Test Score (logrank)= 97.4 avec 1 df, p=0
2

Le nombre de dmarrages n'est pas significatif au regard de son p-value. La charge et le rgime
montrent un p-value trs faible.
Pour des considrations de simplicit des modles, nous ne retiendrons dans la suite que la charge
comme variable de fonctionnement explicative.
4.2.7.3 Estimation des paramtres du modle PHM pour les SE
L'estimation du modle est relance avec les facteurs de construction et de fonctionnement
ensemble. Les rsultats sont rsums dans le tableau 4.12.

112
Tableau 4.12 : Paramtres du modle PHM pour les SE

cart type

Lw 0.95

Up 0.95

Chi2

p-value

-2.537300

6.69e-01

0.0213

0.293

-3.79

1.5e-04

0.9994
: charge cumule -0.000466 6.25e-05
R = 0.943 (max possible= 0.977)
Test ratio de vraisemblance = 476 avec 2 df, p=0
Test de Wald
= 56.1 avec 2 df, p=6.45e-13
Test Score (logrank)= 119 avec 2 df, p=0

1.000

-7.45

9.4e-14

Facteurs
: puissance
2

Pour les systmes d'excitation, la puissance et la charge sont significatifs. Les tests de
proportionnalit des deux facteurs sont sur la figure 4.8.

Figure 4.8 : Test de proportionnalit des taux de dfaillances


Cette figure suggre que le facteur puissance ne varie pas avec le temps. L'estimation de la
charge avec interaction avec le temps na russi quen utilisant une fonction log des dures de
vie. Les rsultats sont donns dans le tableau 4.13 suivant :
Tableau 4.13 : Rsultats de l'estimation avec interactions avec le temps
Facteurs

cart type

Lw 0.95

Up 0.95

Chi2

p-value

0.003014

6.09e-04

1.00

1.00

4.95

7.6e-07

-5.30

1.1e-07

1.00
1.00
: log(dvie) -0.000284 5.36e-05
R = 0.948 (max possible= 0.977)
Test ratio de vraisemblance = 490 avec 2 df, p=0
Test de Wald
= 44.6 avec 2 df, p=2.08e-10
Test Score (logrank)= 114 avec 2 df, p=0
2

113
Finalement, le modle PHM pour un SE a la forme suivante :
,

(4.23)

Les mmes remarques que pour les turbines et les alternateurs s'appliquent aussi ici. Si nous
faisons l'hypothse que la variation vient essentiellement du facteur charge et que le taux de
dfaillance de base est une constante, nous pourrons utiliser les taux de dfaillance estims par la
mthode directe pour reprsenter les taux de dfaillance des SE.
4.2.7.4 Gnration de scnarios de production pour les SE
De la mme faon, dans le scnario 2, les taux de dfaillance dans les SE sont acclrs avec un
facteur de 0.5. L'explication de l'augmentation du taux tant affecte la charge seulement, nous
supposons donc que celle-ci a augment de 50% (figure 4.9).

CENTRALE = C5

CENTRALE = C4
2E-04

1E-04

Modle S1 = 1.8707E-6*exp(1.7786E-5*t)
Modle S2 = 1.8707E-6*exp(2.6679E-5*t)

Modle S1 = 1.4616E-6*exp(2.6551E-5*t)
Modle S2 = 1.4616E-6*exp(3.9827E-5*t)

S2
Taux de dfaillance

S1

4E-05

S2

1E-04

S1

0E-01
-2E+04

0E-01

1E+04

4E+04

7E+04

1E+05

1E+05

2E+05

50000

1E5

Observed

1.5E5

2E5

Observed

Dure de vie

Dure de vie

CENTRALE = C6
6E-05
Modle S1= 4.5785E-6*exp(6.0737E-6*t)
Modle S2= 4.5785E-6*exp(9.1106E-6*t)

S2
4E-05
Taux de dfaillance

Taux de dfaillance

8E-05

S1

2E-05

0E-01
0E-01

6E+04

1E+05

2E+05

2E+05

3E+05

Observed

Dure de vie

Figure 4.9 : Modles des taux de dfaillance des SE avec augmentation de 50% de la charge

114

4.3 Modle de dfaillance bas sur l'ge virtuel


4.3.1 Motivation
En analysant de prs lallure du taux de dfaillance observ de l'chantillon de turbines de la
section 3.5.2, figure 3.17, ce dernier n'est monotone que dans partie de la plage de dures de vie.
Le taux de dfaillance prsente clairement une chute nette de la trajectoire pour les dures de vie
les plus longues. Cette baisse est attribuable aux rparations successives ralises sur les turbines.
En gnral, ces rparations font suite la dtrioration cause par le phnomne de cavitation
(Bajic, 2003). La rparation consiste traiter les zones affectes par lajout dune meilleure
matire (alliage spcial). Pour cet chantillon de turbines, le modle d'ge virtuel de type I ou
modle de Kijima apparait comme un bon candidat pour la modlisation. Quand une turbine
tombe en panne, deux types de rparations seulement sont envisags : une rparation dite
minimale, comme le nettoyage ou le rglage, qui ont une influence ngligeable sur le taux de
dfaillance. Ces interventions remettent la turbine dans ltat o elle se trouvait juste avant son
arrt. Le second type est la rparation mineure : ces interventions ont pour effet de rajeunir la
turbine, avec un certain degr0

1. La figure 4.10 illustre l'volution de l'ge virtuel par

rapport l'ge chronologique avec un facteur de rajeunissement distribu selon une loi uniforme.

Figure 4.10 : Illustration de l'volution de lge virtuel avec taux de rajeunissement alatoire

115

4.3.2 Processus d'ge virtuel VAP


Durant le sjour de dure alatoire entre la rparation n et n+1, notons le taux de dfaillance par
,

. La figure 4.11 montre le trac de deux courbes du taux de dfaillances


1.35 5, 2.30 (Kahle,

dune turbine. Le premier, en pointill, correspond a une loi de

2007) o des rparations minimales seulement sont considres. Dans l'autre, l'influence des
rparations successives la suite de chacune des rparations, est reprsente par des chutes
instantanes d'amplitudes constantes dans le taux de dfaillance.

Figure 4.11 : Influence des rparations sur le taux de dfaillance


Puisque les rparations successives induisent des rajeunissements, lge effectif

dune

turbine va varier diffremment de lge chronologique . Aprs une rparation, la turbine est
fonctionnellement plus rcente . Cet ge effectif prend en compte lge virtuel juste aprs la
rparation n, not

, ainsi que :
,

la dure coule depuis la dernire rparation

le nombre cumul des rparations effectues ;

les dures des sjours prcdents entre les rparations pondres par le coefficient de

rajeunissement.
Dfinition 4.1
Aprs une rparation minimale effectue larrt n, l'ge virtuel est donn par :
.

(4.24)

116
Dfinition 4.2
Aprs une rparation mineure, effectue larrt n, avec un facteur de rajeunissement 0

1,

l'ge virtuel est donn par (figure 4.12) :


.

(4.25)

Figure 4.12 : Calcul de l'ge virtuel


Suivant la dfinition 4.2, lge virtuel du systme, aprs n rparations est donn par :

(4.26)

L'tude du taux de rajeunissement de turbines hydrauliques similaires ralise dans (Kahle,


2007), conclue que laction de rparation dpend ncessairement de ltat gnral du systme en
appui aux conclusions tires de lexprience des ingnieurs en maintenance des turbines. Ceci
implique une dpendance du degr de rajeunissement du sjour actuel. Le facteur de
rajeunissement propos dans (Kahle, 2007) est donn par :
1
o

est la dure alatoire de la rparation n,

rduite et

log

(4.27)
la fonction de rpartition de loi normale centre

. Cette formulation permet dobtenir des rparations minimales pour de

petites dures dintervention et des rparations mineures pour de plus longues dures de
rparations.

117
4.3.2.1 Calcul du taux de dfaillance bas sur l'ge virtuel
Nous allons introduire leffet des rparations mineures dans la formulation du taux de dfaillance
en utilisant le processus d'ge virtuel de la faon suivante :
,

,
,

Avec lge effectif

(4.28)

reprsentant la transformation de lchelle du temps chronologique

faisant intervenir lge virtuel dun composant.


Dfinition 4.3
linstant t et aprs n rparations, lge effectif dune turbine est donn par :
,

(4.29)

Proposition 4.1
Aprs une rparation larrt n, le taux de dfaillance jusquau prochain arrt n +1 est donn
par :
,

(4.30)

En particulier, pour une rparation minimale :

(4.31)

En effet, ltat du composant est aussi bon que ltat juste avant la rparation.
Aprs une rparation mineure larrt n, avec un facteur de rajeunissement 0
dfaillance jusquau prochain arrt n+1 est donn par :

(4.32)

1, le taux de

118
en considrant que le taux de dfaillance est strictement monotone. Les rparations ayant un effet
rajeunissant sur la turbine, ce dernier est abaiss.
En utilisant lquation (4.26), le taux de dfaillance aprs n rparations est donn par :

(4.33)

Si le taux de dfaillance sans rparations suit le taux dun processus de Weibull de la forme:
, ,

0.

(4.34)

Aprs n rparations, le taux de dfaillance dans le prochain sjour scrit :

0. (4.35)

4.3.2.2 Contribution thorique au calcul de l'ge virtuel dun systme en srie


L'application de la notion d'ge virtuel un systme srie a t motiv par l'existence de pratiques
de rparations particulires sur certains organes du groupe TA. Un exemple est le remplacement
dune seule bobine du stator de l'alternateur qui peut en contenir plusieurs dizaines. Il sera utile
de considrer alors un systme srie o les composants ont des facteurs de rajeunissement
diffrents.
Considrons un groupe TA comme un systme comportant
stochastique. Nous supposons que chaque composant
Dfinissons de la mme faon un taux de dfaillance

composants indpendants au sens


a un taux de dfaillance

pour le systme srie.

119

Figure 4.13 : Processus multivariable de rparation du systme srie


Les rparations sur le systme surviennent selon un processus par points
(figure 4.13). Les ralisations de la suite de variables alatoires
rparations effectues sur les

,,

dfini sur , ,
sont gnres par les

composants du systme srie. De cette faon, le nombre total de

rparations effectues sur le systme un instant t, est donn par le processus de comptage :

Lobservation de la suite
Soit

(4.36)
,,

ne renseigne pas sur le composant ayant gnr lincident.

1 une squence de variables alatoires valeurs dans 1,2, ,

numro du composant lorigine de la rparation. Pour tout composant , 1

enregistrant le
et tout

0,

, dcrivant le nombre de rparation sur le composant en

les processus de comptages

question, sont des processus par points bi-variables dduits partir de la relation (Brmaud,
1981) :

(4.37)

120

Figure 4.14 : Ralisations typique du processus bivariable


La figure 4.14 montre une ralisation de la trajectoire du processus
reprsentent les squences des deux variables alatoires

. Les points en cercles


1. .8, et les points en carrs

et triangles, deux des quelques processus constituants. La variable

2 et ainsi de suite. Nous avons donc :

rparation du composant 2 alors


1
1

est engendre par une

1
2

0
1

(4.38)

0.

un instant donn , le nombre de rparations ralises sur le systme srie est


(quation 4.37). La contribution ce nombre par le composant
Lge virtuel linstant du composant aprs

rparations est :

,
avec

est

l'ge virtuel du composant juste aprs la rparation

(4.39)
. Il est donn par :

121

1,

(4.40)
Par exemple, lge virtuel du composant 1 (en carrs rouges) sur la figure 4.14 linstant t quand
le systme srie compte dj 8 rparations est donn par :

,
,

Dans ce qui suit, nous voulons choisir un modle de calcul de lge effectif du groupe TA
,

, que nous noterons simplement

, en utilisant les ges effectifs de ses composants.

Si nous dfinissons successivement :


Dfinition 4.4
Lge virtuel du systme srie ayant subi

rparations est donne par :

(4.41)

Dfinition 4.5
Aprs

rparations, lge virtuel du systme srie satisfait la relation :


,

(4.42)

Nous proposons de calculer lge effectif du groupe TA partir de la relation suivante :


Proposition 4.2
Aprs

rparations, lge virtuel du systme srie satisfait la relation :

(4.43)

Dans cette expression, lge effectif du groupe est calcul par pondration des ges effectifs des
composants.

122

Figure 4.15 : Taux de dfaillance d'un systme srie 2 composants


Cette relation utilise lexpression du taux de dfaillance rsultant dun systme srie. Entre les
rparations

1 , il est donn par :

et

..

Pour

(4.44)

. De plus :

(4.45)

Mais, pour le systme srie, nous avons toujours (voir figure 4.15) :

(4.46)

do l'galit (4.43). Celle-ci est utilise pour obtenir la relation suivante :


Thorme 4.1
Lge virtuel du systme srie constitu de composants, est donn par :

(4.47)

123
Dans la somme pondre des ges virtuels des composants, les facteurs de pondration font
intervenir les drives des taux de dfaillances. Dans le cas particulier dun taux de dfaillance
constant, lge virtuel du systme srie est gal lge chronologique t.
Cette relation est dduite par rcurrence. En considrant 2 composants en srie, nous avons
daprs (4.43) :
,
dou :

En supposant que les taux de dfaillances sont composs de morceaux monotones croissants,
nous pouvons dduire que :

Alors :

Supposons maintenant que (4.47) est vrai pour le systme en srie de


quelle est aussi vrai pour
|I

composants et montrons

1 composants, c..d. que :

La dduction est faite en utilisant la mme approximation que pour 2 composants en considrant
le systme
Alors :

composants comme une seule entit mise aussi en srie avec le composant

1.

124
I

|I

|I

|I

|I

|I

|I

|I

en utilisant successivement (4.43), (4.44) et en notant que :


|I

|I

Ceci complte la dmonstration de la relation (4.47).

|I .

125

4.3.3 Application un groupe TA


Nous considrons l'alternateur, la turbine et le SE d'un groupe TA avec les modles de taux de
dfaillance des sections 3.4.2, 3.5.2 et 3.6.2 ainsi que les donnes suivantes :
Alternateur
10
2
210 , 610

t (h)
,
h

(h)

Turbine
10
1
8 10

SE
10
1
5 10

0.74, 0.85
0.90
.
.
4.9610
2.35 10
.
.
2.3810
1.49 10
=(10-6+0.74*2+0.85*4) = (10-8+0.9*8)10
*10
=92000
= 88800
10

10

10
10

10

0.4
.
7.95 10
.
2.25 10
= (10-5+0.4*5)10
= 70000

10
10

Groupe TA
10
4
210 , 5 10 ,
610 , 8 10

2.38 .
9.2 1.49 .
7.0 22.5 .
10
2.38 .
1.49 .
22.5 .
70345
8.88

Figure 4.16 : Taux de dfaillance d'un TA bas sur le modle d'ge virtuel
L'ge virtuel du groupe TA est proche de l'ge virtuel du systme d'excitation. Bien que
l'alternateur et la turbine soient virtuellement plus anciens, le taux de dfaillance du SE l'emporte
sur la caractrisation du groupe TA, puisqu'il est en croissance plus prononce (figure 4.16).

126

CHAPITRE 5

STRATGIES DE MAINTENANCE DUN PARC DE


GROUPES TA

Une stratgie de maintenance dun parc de systmes complexes est la gnralisation de la notion
de stratgie de maintenance qui est dfinie dans les ouvrages de rfrence en maintenance pour
un systme seul. Donc, pour un quipement seul, cette stratgie de maintenance donne un bilan
chiffr bas sur les priodicits des arrts pour raliser les oprations de maintenance en
considrant un horizon gnralement assez grand. Si les intervalles entre ces arrts sont gaux, la
stratgie est du type priodique, et son attrait principal est la facilit de mise en uvre. Sinon, elle
est dite apriodique. Les dfaillances imprvues survenant alatoirement, la priodicit optimale
de maintenance dun seul quipement est la solution du problme qui consiste quilibrer les
cots conscutifs des retraits imprvus, aux cots des retraits planifis pour les entretiens, les
rparations et les remplacements.
Une stratgie de maintenance dun parc de systmes revient finalement dresser un bilan chiffr
bas sur la coordination des priodicits des arrts de chacun des quipements du parc. Une
priodicit coordonne dun quipement en particulier ntant pas ncessairement sa
priodicit optimale sil tait considr seul. Dans le contexte dun parc de groupes TA, une
difficult supplmentaire provient du fait quun groupe lui mme comprend des composants
pouvant tre maintenus diffremment.
Un point central dans la caractrisation mathmatique d'une stratgie de maintenance est la
manire de dfinir les intervalles entre les vnements dfaillance et l'action qui suit cet
vnement. Nous allons tudier les cas suivants :
-

Dans le premier, les intervalles entre les dfaillances correspondent la mise en service
d'un groupe et la date de fin de vie utile. Cette dernire date correspond une dfaillance
majeure et ncessite la remise l'tat neuf du groupe. Cet vnement est suivi par un
remplacement de chacun des composants. Nous tudions dans ce cas la stratgie de
remplacement ;

Dans le second, les intervalles entre les dfaillances correspondent aux dures
enregistres entre tous les types de pannes, sauf celles du type prcdent (fin de vie utile).
Suite ces dfaillances, des rparations minimales ou mineures ont lieu sur le composant

127
dfaillant en attendant le remplacement du groupe TA ( la fin de sa vie utile). Nous
tudions dans ce cas la stratgie de rparation.
Pour le calcul des cots de chacune de ces stratgies, nous nous limiterons aux cots dfinis ciaprs.
-

Le cot de remplacement d'un composant d'un groupe est le montant comprenant les
heures de mains duvre, de pices, de matriaux et d'outillage. Des composants faisant
partie dune mme famille de sous-systmes ont les mmes cots de remplacement. Le
cot de remplacement prventif est not
dfaillance est not

avec

et celui d'un remplacement la suite d'une

Le cot de la rparation minimale d'un composant

est un montant par unit de temps

ncessaire pour remettre le groupe en fonctionnement cause de la panne du composant


en question. Ce cot est en grande partie constitu du cot de main duvre ;
-

Le cot de la rparation mineure dun composant

est un montant par unit de temps

ncessaire pour remettre le groupe en fonctionnement. Il comporte les cots de main


duvre et des matriaux, avec
-

En ngligeant le cot de dmontage d'un groupe pour accder chacun des composants,
le cot de remplacement d'un groupe est de fait la somme des cots de remplacement des
composants. De mme, le cot de rparation par unit de temps est la somme des cots de
rparations par unit de temps de chacun des composants.

De plus, dans chacune des stratgies, le taux dinflation anticip not


compos en continu) est tel qu'un cot linstant , a une valeur

(taux dactualisation

actuellement.

Voici les lments communs aux diffrentes stratgies :


-

Les groupes comportent composants chacun ;

Les rparations successives d'un composant constituent un processus de renouvellement ;

Quand il s'agira de distinguer les spcifications d'un composant du groupe nous le


caractriserons par les indices

Dans les dveloppements qui vont suivre, nous tudierons les stratgies dans le cas d'un
composant quelconque et dduirons par la suite une formulation de la stratgie pour un
groupe au complet.

128

5.1 Stratgie de remplacement d'un groupe TA


Nous considrons que les composants du groupe sont remplacs selon une stratgie priodique
base sur lge que l'on notera SR0.
Un chantillon de groupes est observ sur une longue priode de temps et seules les dfaillances
majeures sont enregistres. Ces dfaillances ncessitent le remplacement du groupe c..d. le
remplacement de tous ses composants. Toutes les autres dfaillances et actions de maintenance
sans remplacement sont ngliges.
Nous dfinissons la stratgie de remplacement priodique d'un groupe de l'chantillon de la faon
,

suivante : un groupe est remplac prventivement chaque

1,2,3 unit de temps ou

bien la suite d'une dfaillance majeure d'un de ses composants.


Les dfaillances majeures dun composant du groupe sont dcrites par une loi de probabilit
connue ayant une fonction de rpartition
prventif du composant et un cot

. Un cot

est encouru chaque remplacement

est encouru sa dfaillance.

5.1.1 Expression du cot de maintenance moyen


En supposant qu'un groupe va tre remplac indfiniment, de faon prventive chaque

unit

de temps ou bien la dfaillance, la thorie du renouvellement permet d'valuer le cot total


moyen par unit de temps de maintenance d'un composant sur un horizon considr comme
infini. La dure moyenne d'un cycle de remplacement de dure

d'un composant du groupe est

donne par la relation :


.

(5.1)

Le cot moyen sur un cycle est donn par :


.

(5.2)

Le cot moyen par unit de temps sur un horizon infini est :


.
(5.3)

129
Dans un problme de planification sans contraintes de la maintenance avec la stratgie SR0, le
cot minimal de remplacement d'un composant est atteint pour une valeur optimale

solution

de lquation :

.
(5.4)

est le taux de dfaillance. (Illustration dans la figure 5.1).

Dfinition 5.1
Avec une stratgie de remplacement, le cot moyen de maintenance par unit de temps d'un
groupe sur un horizon infini est donn par :

.
(5.5)

Pour trouver la priodicit optimale de remplacement d'un groupe, pourvu qu'elle existe, nous
recherchons

dans 0, solution de :
.

(5.6)

Figure 5.1 : Priodicits optimales avec une stratgie SR0 pour les composants

130
Dans le cas d'un groupe plusieurs composants, la figure 5.1 illustre les courbes des cots
moyens par unit de temps en fonction de la priodicit pour chacun des composants et la
rsultante pour le groupe.
Quand l'horizon considr est fini, comme dans le cas o les composants d'un groupe d'une
certaine technologie deviennent obsoltes au del d'une priode de temps prdtermine
notamment grce l'amlioration des matriaux, il serait utile de planifier les remplacements sur
un horizon fini. L'expression du cot de maintenance dans ce cas est plus difficile valuer. La
recherche d'une priodicit optimale est plus laborieuse car la priodicit de remplacement
optimale dpendra de la longueur

de l'horizon. Quand cet horizon est trop petit, aucun

remplacement prventif n'est prvu et le cot moyen encouru pour un composant sur l'horizon est
, avec
l'horizon

lesprance du nombre de dfaillance jusqu linstant . Quand

augmente jusqu' une premire limite

la priode

, un remplacement prventif serait ncessaire

. Ensuite, une deuxime limite

seraient ncessaires la priode

et ainsi de suite. Le cot moyen sur un horizon est une

fonction en morceaux dfinie sur les intervalles


sur l'horizon

quand

, deux remplacements prventifs

. Soit

le cot moyen encouru

remplacements prennent place chaque

units de temps. Quand

seulement un remplacement a lieu, nous avons :

,
Pour

(5.7)

remplacements qui prennent place sur l'horizon :


,

On dmontre dans (Barlow et al., 1996) que la suite de fonctions


fonction

except au point

et que cette dernire est continue en


(Illustration dans la figure 5.2).

dans l'intervalle

(5.8)

converge vers la
1, ,

1,2,

131

Figure 5.2 : Cot et priodicits optimales en fonction de l'horizon


Quand

est continue, une priodicit optimale

existe et est obtenue en rsolvant le

problme :
,

(5.9)

L'quation (5.9) est une quation intgrale avec convolution. Il n'y a pas de solution connue de
cette quation et la rsolution numrique est longue et onreuse. Une approximation de la
priodicit optimale sur un horizon fini est obtenue en corrigeant la priodicit optimale sur un
horizon infini par la fonction suivante (Legat et al., 1996) :

1, 0

1.

Avec les crochets reprsentant la partie entire et

(5.10)
un coefficient dpendant de la distribution, et

la priodicit optimale pour une stratgie avec un horizon infini.


Pour la distribution de Weibull, les auteurs dans (Legat et al., 1996) recommandent une valeur de
0.67. Pour d'autres distributions, la valeur du paramtre est obtenue par simulation. Pour
diverses valeurs de , la priodicit obtenue par (5.4) est injecte dans (5.10) pour un horizon
donn pour lequel la priodicit optimale est connue. Le coefficient est alors choisi de faon
minimiser l'erreur relative sur le cot moyen.

132

5.1.2 Expression du cot de maintenance actualis


Faisons abstraction des indices pour un composant donn. En supposant qu'un groupe est
remplac de faon prventive chaque

unit de temps ou bien la dfaillance, le cot total

moyen actualis de maintenance d'un composant sur le premier cycle de remplacement de dure
commenant l'instant est donn par :
.
C'est avec une probabilit
l'intervalle

et un cot actualis

,0

qu'une dfaillance aura lieu dans

. Se rajouteront ensuite les cots futurs actualiss

pas de dfaillance dans 0,


futurs actualiss

(5.11)

, un remplacement prend place un cot actualis

. S'il n'y a
plus les cots

. Le cot total moyen actualis est la somme des cots moyens sur chacun

des cycles. La relation de rcurrence suivante permet de dterminer le cot total actualis :
.

(5.12)

Alors :

Finalement :

.
(5.13)

Notons que lim

tend vers le cot total moyen par units de temps de l'quation (5.5),

c'est dire sans actualisation de la valeur de l'argent. Pour de petites valeurs de , il est alors plus
simple d'utiliser (5.5).

133
Dfinition 5.2
Avec une stratgie de remplacement, le cot total moyen actualis d'un groupe

sur un horizon

infini est donn par :

.
(5.14)

De la mme faon, en rsolvant le problme :


,
la priodicit optimale

(5.15)
de remplacement du groupe, pourvu qu'elle existe, dans 0, pourra

tre dtermine.

5.2 Stratgies de rparation d'un groupe TA


Pour l'tude de stratgies de rparation, l'chantillon de groupes est observ sur une longue
priode de temps et toutes les dfaillances sont enregistres. Quand un composant du groupe
tombe en panne, 2 types de rparations sont envisageables. D'abord les rparations dites
minimales, qui ont une influence ngligeable sur le taux de dfaillance. Ces interventions
remettent le composant dfaillant dans ltat o il se trouvait juste avant son arrt.
Le second type est la rparation mineure : ces interventions ont pour effet de rajeunir un
composant du groupe jusqu un certain degr .
En gnral, la frquence de ces rparations tant croissante, il est utile de prvoir une priodicit
limite o il faudra remplacer le groupe sans regard l'tat de ses composants.
Nous dfinissons alors les deux modes opratoires des stratgies de rparation pour un
composant d'un groupe :
-

la stratgie note SRI : lors dune dfaillance, une rparation minimale seulement est
effectue en attendant le remplacement prventif qui a lieu chaque unit de temps ;

134
-

la stratgie note SRII : lors dune dfaillance, une rparation minimale est effectue en
attendant une rparation mineure prventive qui a lieu chaque unit de temps de faon
,

ce que la priodicit de remplacement du groupe soit de

1,2,3

tant donn que tous les types de dfaillances sont pris en compte, nous allons distinguer la
svrit de la dfaillance par le type d'intervention qu'elle ncessite pour remettre l'ensemble
du groupe en tat de fonctionner. Le premier type de dfaillance est celui qui ncessite une
rparation minimale du composant ayant caus l'anomalie. Le processus stochastique dcrivant
les arrives de cette dfaillance est le processus de Poisson non homogne NHPP. De ce fait,
aprs rparation, le taux de dfaillance du composant n'est pas perturb.
Le deuxime type de dfaillance est celui qui ncessite des rparations mineures. Nous utilisons
le processus d'ge virtuel VAP pour dcrire la variation du taux de dfaillance aprs une
rparation mineure d'un composant. Adoptons les notations suivantes :
-

est la variable alatoire des instants d'occurrence du processus NHPP ayant un taux
sur le composant d'un groupe. Le nombre d'occurrences dans 0,

est
-

De mme,

avec un taux de dfaillance

la variable alatoire des instants d'occurrence du processus VAP, et le

nombre d'occurrence dans 0,

pour un groupe

pour le groupe est

de taux

5.2.1 Stratgie de rparation SRI


Selon cette stratgie, une rparation minimale seulement est effectue lors de la dfaillance d'un
composant au cot
cot

, en attendant un remplacement prventif chaque

units de temps au

. La priodicit de remplacement optimale permet d'quilibrer les cots des rparations

minimales et des remplacements planifis.


Pour un composant,

dfaillances surviennent dans 0,

ainsi que

prventifs. La priodicit de remplacement est choisie avec la relation :


.
(5.16)

remplacements

135
Le deuxime terme sous la limite tend vers
processus NHPP, nous avons

quand

. De plus,

tant un

Finalement, le cot moyen par unit de temps pour un composant est donn par :
.
(5.17)
Dfinition 5.3
Avec une stratgie de rparation SRI, le cot moyen par unit de temps pour un groupe j sur un
horizon infini est donn par :

.
(5.18)

En rsolvant :
,

(5.19)

la priodicit optimale

de remplacement du groupe, pourvu qu'elle existe, dans 0, pourra

tre dtermine.

5.2.2 Stratgie de rparation SRII


Avec cette stratgie, lors dune dfaillance, une rparation minimale est effectue au cot
attendant une rparation mineure prventive au cot

qui a lieu chaque

en

units de temps de

faon ce que la priodicit de remplacement d'un composant du groupe soit de

1,2,3 Considrons un cycle de retrait d'un groupe (et ainsi de chacun de ses composants) de
priodicit

sous la stratgie SRII. Le cot total moyen de maintenance du composant i,

en considrant les rparations minimales et mineures, est donn par :


,

(5.20)

136
La dure moyenne d'un cycle tant

, le cot total moyen par unit de temps sur un horizon

infini est :
,

.
(5.21)

Le cot des rparations mineures

jusqu'au remplacement est

. Entre les

rparations mineures n et n+1, des rparations minimales prennent place pour un cot
,

. Au remplacement, le cot total est

Finalement :
,

,
(5.22)

avec

Par exemple, en considrant un taux de dfaillance correspondant une loi de Weibull pour
larrive des dfaillances ncessitant des rparations minimales, de faon ce que :
, ,

0,

ainsi qu'un taux de rajeunissement constant, lors des rparations mineures, alors :
,
La stratgie optimale est obtenue en minimisant
,

1 ,
,

0.

Cette stratgie tant 2 variables, l'optimum est obtenu pour

(5.23)
,

. Lalgorithme numrique

dans (Nakagawa, 1986; Seo & Bai, 2004) permet de les obtenir de manire itrative.

137
Dfinition 5.4
Avec une stratgie de rparation SRII, le cot moyen par unit de temps pour un groupe j sur un
horizon infini est donn par :

(5.24)

La rsolution du problme :
,

permettra de dterminer les valeurs optimales pourvu qu'elles existent

(5.25)
,

qui sont le nombre

de rparations minimales raliser jusquau remplacement d'un groupe la priodicit optimale.

138

CHAPITRE 6

PLANIFICATION DE LA MAINTENANCE DUN PARC


DE GROUPES TA

Le planificateur des rnovations des groupes TA doit dcider du nombre de groupes et le moment
de l'arrt de production pour procder la rnovation. Les dcisions de retraits doivent contribuer
optimiser une fonction sur un horizon prdfini.
Nous considrons un parc de
fait de

groupes sur horizon de

priodes. La taille du problme est de ce

variables. Les groupes comportent composants chacun.

6.1 Planification par programmation non linaire


La forme gnrale du problme de programmation non linaire (NLP) :
.

0,
1,2,
0,
1,2,

(6.1)

Avec ,
vecteur de

,,

, des fonctions dfinies sur

, un sous ensemble de

, et

lments. Dans ce problme, lobjectif est de minimiser la fonction

respectant les restrictions exprimes par les contraintes dingalits


. Un vecteur

tout en

et les contraintes dgalit

satisfaisant les contraintes est dit une solution faisable et lensemble des

solutions faisables est la rgion faisable avec


le vecteur tel que

un

. La solution optimale du problme

est

Pour la formulation du problme de planification, nous considrons le cas o la mme stratgie


de maintenance est applique tous les composants d'un groupe la mme priode. Si des
stratgies diffrentes sont appliques pour les divers composants du groupe, la formulation du
problme de planification reste semblable au programme (6.1) en notant que le vecteur
comprendre plus de variables que le nombre de groupes et que la fonction
termes distincts correspondants aux diffrentes stratgies.

puisse

contienne plus de

139

6.1.1 Programme avec la stratgie SR0


Pour rappel, le cot total moyen par unit de temps sur un horizon infini, pour un groupe avec
une stratgie SR0 applique aux composants, est donn par :

.
(6.2)

Selon la formulation (6.1), le vecteur

de dimension gale au nombre de groupes planifier, a

pour lments les priodicits

de remplacements de chaque groupe en considrant un ensemble

de contraintes. La fonction

est donne par :

(6.3)

et le problme NLP de planification avec la stratgie SR0 s'crit alors :

0,
1,2, ..
0,
1,2,
.
(6.4)

Ce problme NLP a une structure particulire car la fonction objectif est dite sparable . Cette
forme facilite le calcul de la fonction objectif surtout en considrant ses intgrales.

6.1.2 Programme avec la stratgie SRI


Le cot total moyen par unit de temps sur un horizon infini, pou un groupe avec une stratgie
SRI, est donn par :

.
(6.5)

Le problme NLP de planification avec la stratgie SRI s'crit dans ce cas :

140

0,
1,2,
0,
1,2,

(6.6)

6.1.3 Programme avec la stratgie SRII


La stratgie SRII tant deux variables, le nombre de variable du problme NLP est doubl. Le
cot total moyen par unit de temps sur un horizon infini, pour un groupe avec une stratgie
SRII, est donn par :

.
(6.7)

Et :

(6.8)

Le problme NLP de planification avec la stratgie SRII s'crit dans ce cas :

,
,

0,
1,2,
,
0,
1,2,
.
(6.9)

6.2 Planification par programmation biobjectif


La satisfaction du critre de minimisation des cots de maintenance est souvent accompagn
d'une exigence de maintenir un certain niveau de fiabilit des quipements. Ces critres divergent
surtout dans le cas qui nous concerne. Maintenir un niveau de fiabilit important exige des
remplacements frquents ce qui augmente de faon importante les cots. De plus, si la diffrence

141
entre les cots de rparations ceux de remplacement et grande, les priodicits vont s'taler dans
le temps entrainant une baisse de la fiabilit.
Dans ce contexte, il faut chercher un compromis entre ces deux critres. Mais une solution unique
et simultanment optimale pour les 2 critres n'existe pas en gnral. L'optimisation biobjectif
cherche plutt un compromis entre les 2 critres.
La forme du problme biobjectif que nous considrons a la forme suivante :

0,
1,2,
0,
1,2,

(6.10)

Nous construisons le critre de fiabilit

comme suit : la fiabilit moyenne

groupes restant en exploitation l'instant correspondant

des

(moment du retrait de

groupes) est calcule en considrant qu'un groupe est un systme srie constitu par l'alternateur,
la turbine et le systme d'excitation. De plus, tant donn que les capacits de production en MW
peuvent varier de faon importante d'un groupe l'autre, nous introduisons des pondrations
par les capacits de production pour obtenir :

(6.11)
Le critre

est alors donn par la fiabilit moyenne calcule en prenant la moyenne des
,

en considrant

retraits distincts sur l'horizon.

.
(6.12)

Toutes les fiabilits sont calcules partir des lois de dfaillance qui ont t affectes
l'alternateur, la turbine et le SE.

142

6.3 Contraintes du problme de planification


Les contraintes du problme sont varies et apparaissent divers niveaux de l'exploitation des
groupes. Elles concernent :
-

le groupe en lui mme. Ce sont des contraintes sur les fentres temps de rfection de
comme la date de dbut, la continuit et lachvement de la rfection ;

la centrale pouvant comporter plusieurs groupes. Ce sont des contraintes de capacit de


production, sur les priorits de rfection, d'quilibre de loffre et de la demande, le
maintien de la rserve ainsi que les groupes pour la remise sous tension du rseau ;

le rseau en entier. En plus des contraintes des niveaux prcdents, la solution doit
satisfaire les capacits de ralisation des oprations (quipes et matriel), la disponibilit
des pices de rechange (capacit des manufacturiers), les budgets annuels, etc. Aussi, la
priode damortissement comptable des composants des groupes doit tre atteinte.

Dans la suite nous utilisons la variable indicatrice

pour indiquer l'tat d'un groupe comme

suit :
0groupe enrfectionlapriode

1sinon.

(6.13)

6.3.1 Fentres de maintenance


Cette contrainte spcifie les intervalles de temps dans lanne o la maintenance peut tre
effectue. Elle comprend les priodes de temps de faibles apports hydrauliques, d'indisponibilit
pour le transport, en profitant des arrts pour la maintenance des postes et des lignes d'lectricit.
1, lorsque

(6.14)

Lquation (6.14) exprime que le groupe est disponible avant la date de dbut au plus tt

et

aprs la dernire priode pour la maintenance .

6.3.2 Dbut de la maintenance


Spcifie pour chaque groupe, la priode

pour dbuter lexcution des oprations de

maintenance :
0,1 ,

(6.15)

143

6.3.3 Dure et continuit de la maintenance


Spcifie que le groupe est en arrt continu pendant toute la dure de maintenance :
0,

(6.16)

6.3.4 Achvement de la maintenance


Requiert que la maintenance soit ralise au moins une fois durant lhorizon de planification :

0,

(6.17)

6.3.5 Capacit de production


Borne suprieure de la limite de production de chaque groupe. Cette borne est notamment
sensible au niveau de l'eau dans le rservoir ou hauteur de chute. Nous faisons lhypothse quil y
a en tout temps la quantit deau suffisante pour dlivrer la capacit maximale.
.

(6.18)

6.3.6 Priorit de la maintenance


Requiert un ordre de ralisation squentiel des retraits pour la maintenance. Elles sont du type : la
maintenance du groupe p doit tre ralise avant le groupe q de faon ce que :
0,

(6.19)

6.3.7 quilibre de l'offre et de la demande


La demande est rpartie par zone hydrique. Soit lensemble de groupes dans la zone z.
quilibrer la production de la zone celle demande W :

W ,

(6.20)

6.3.8 Maintien de la rserve


Quantit de puissance disponible en rserve. Soit

la capacit maximale de la zone z et

proportion de la capacit en rserve :

W ,

(6.21)

la

144

6.3.9 Remise sous tension du rseau


Un certain nombre critique de groupes doit tre disponible en tout temps pour remettre sous
tension le rseau en cas de panne complte. Ne pas prvoir le retrait en mme temps de ces
groupes.
-

minimum 4 groupes disponibles sur 6 de la centrale C6

4,

(6.22)

(6.23)

minimum 4 groupes disponibles sur 16 de C4

minimum 8 groupes disponibles sur 12 de C5

2,

12,

(6.24)

minimum 20 groupes disponibles sur 38 de C2

18,

(6.25)

6.3.10 quipes et ressources de maintenance


Le retrait dun groupe ncessite la disponibilit d'une quipe multidisciplinaire. De plus cette
contrainte requiert quune quipe ne soit affecte qu un groupe en mme temps. Un groupe i
requiert donc une quantit
pendant la priode est
1

de la ressource k pour la maintenance. La ressource disponible


:
,

(6.26)

6.3.11 Lissage des dbours de maintenance


C'est une contrainte stipulant que les dbours annuels soient du mme ordre de grandeur. De
faon gnrale, des enveloppes budgtaires

sont alloues annuellement pour les oprations de

maintenance. Les montants annuels moyens sur lhorizon de planification sont obtenus en
multipliant le cot total moyen par unit de temps

avec le nombre de priodes dans l'anne

m.

(6.27)

145

6.3.12 Priode damortissement


Pour chaque catgorie de composant d'un groupe, une priode damortissement comptable

est

dfinie. Des pnalits importantes sont subies si le retrait est effectu avant cette priode. Nous
limitons le dbut des retraits au-del de cette priode.
1,

, .

(6.28)

6.4 Algorithmes de rsolution


Lvaluation des fonctions objectifs des programmes mathmatiques non linaires (6.4), (6.6),
(6.9), et (6.10) possde une forte composante numrique qui consiste dans le calcul des
diffrentes intgrales. Il sagit de codes numriques qui valuent aussi certaines contraintes. Cest
un contexte idal pour les algorithmes dits de recherche directe qui nutilisent que les valuations
de fonctions pour trouver la meilleure solution. Nous utilisons la librairie NOMAD (Abramson et
al., 2009) qui implmente divers algorithmes de recherche directe telle que MADS (Mesh
Adaptive Direct Search) et dont le code source est public. La librairie peut rsoudre aussi les
problmes biobjectifs.
Nous disposons aussi en appui, de la librairie commerciale LINDO API v5.0 qui offre une
multitude de solveurs. De plus, elle sintgre travers une interface, divers environnements de
programmation.

6.4.1 La librairie NOMAD


L'algorithme MADS implment dans la librairie NOMAD est un solveur dsign pour
l'optimisation dite de bote noire. Ce type d'optimisation traite des fonctions qui sont en gnral
donnes par des codes informatiques et dont les drives sont inconnues. L'algorithme itratif
permet de trouver la meilleure solution en ralisant le moins d'itrations possibles. Les mthodes
de recherche directe utilisent seulement les valuations des fonctions en des points gnrs sur un
treillis (maillage) pour guider l'exploration du domaine des variables.
6.4.1.1 Description de l'algorithme
L'algorithme value des points d'essais par la bote noire gnrs sur un maillage de structure
discrte dfini par :

146

Avec

(6.29)

la taille d'une maille et D une matrice reprsentant les directions de maillage avec un

ensemble fini de

directions.

est un ensemble de points o la fonction objectif et les

contraintes ont t values l'itration k.

est le point de dpart. Chaque itration comprend 3

tapes : la sonde, la recherche et la mise jour (poll, search, update).


La sonde explore un ensemble de points d'essais de sonde sur le maillage autour de l'itr
courant

moins d'une distance

dfinis par :
.

(6.30)

est l'ensemble des directions de sonde.

L'tape de recherche est trs flexible et permet la gnration de points d'essais n' importe o sur le
maillage. Plusieurs stratgies de recherches sont prdfinies comme celle base sur
l'chantillonnage hypercube latin.
Ces deux tapes produisent toutes les deux des points d'essais sur le maillage et les fonctions
boites noires sont values en ces points. L'algorithme dtermine si une itration est un succs ou
non selon un certain nombre de rgles. Finalement, la fin de l'itration k, l'tape de mise jour
dtermine le statut de l'itration (succs ou chec) ainsi que le prochain itr
le plus prometteur ou bien l'itr actuel

. C'est le succs

. La taille du maillage est aussi mise jour en la

rduisant la suite d'un chec et possiblement augmente en cas de succs.


La structure gnrale de l'algorithme est donne dans la figure 6.1 suivante.
L'algorithme MADS
un point de dpart. Dfinir , et
INITIALISATION : Soit
le compteur des itrations
0.
RECHERCHE ET SONDE : Effectuer les 2 tapes jusqu' ce qu'un
meilleur point du maillage
est trouv sur
ou bien tous les
points d'essais ont t visits.
MISE JOUR : Mettre jour ,
et
. Poser
1 et
revenir l'tape de recherche et de sonde.
Figure 6.1 : Description sommaire de l'algorithme MADS

147
6.4.1.2 Traitement des contraintes
NOMAD prend en charge les contraintes de type ingalits en plus des contraintes de bornes. Il
ne prend pas en charges les contraintes d'galit. Des contraintes de type barrire extrme EB
sont dfinies pour les contraintes non relaxables. Celles-ci doivent tre dfinies en premier car
l'algorithme rejette les points d'essais qui ne satisfont pas ces contraintes. Les contraintes
relaxables de type barrire progressive (PB) (Audet & Dennis, 2009) peuvent tre viole durant
l'excution (une mesure de violation de la contrainte est calcul). Dans ce cas, un point infaisable
avec une faible violation de contrainte peut tre un bon candidat pour l'tape de sonde.
6.4.1.3 L'algorithme BIMADS
Pour l'optimisation biobjectif, l'algorithme itratif BIMADS (Audet et al., 2008b) utilise une srie
de rsolutions de problmes un seul objectif grce l'algorithme MADS pour arriver un
ensemble de points constituant les meilleurs compromis selon un critre de slection Pareto.
Cette mthode essaye de trouver un ensemble de solutions pour les lesquelles les vecteurs
,

correspondants ne sont domins par aucun autre point sur le plan deux

dimensions dfini par ces deux objectifs (De Weck, 2004). Cet ensemble constitue le front
Pareto. Les solutions du front Pareto tant toutes des compromis valables, il revient au dcideur
de raliser le choix final de la solution.

6.4.2 La librairie LINDO API


Cette interface de programmation d'application (API) permet d'intgrer une srie de solveurs
puissants pour l'optimisation de problmes programms dans un environnement personnalis. La
version 5.0 de cette API fournit l'utilisateur un ensemble complet de routines pour la
formulation, la rsolution et la modification de modles non linaires.
6.4.2.1 Solveur non linaire standard
Le solveur non linaire de l'API LINDO emploie la programmation linaire successive (SLP) et
la mthode de rduction des gradients gnralise (GRG). Le solveur non linaire renvoie une
solution optimale locale pour le problme considr. Si l'optimalit locale ne peut pas tre
atteinte, une solution ralisable est reporte si elle a t trouve. En cas d'absence de solutions
ralisables, ou le problme est non born ou des problmes numriques ont t rencontr, un

148
message est renvoy l'utilisateur. L'API de LINDO peut linariser automatiquement un certain
nombre de relations non linaires grce l'ajout de contraintes et des variables entires, de faon
ce que le modle linaire transform est mathmatiquement quivalent au modle non linaire.
6.4.2.2 Solveur global
Le solveur non linaire standard renvoie une solution optimale locale du problme NLP.
Toutefois, dans de nombreuses situations pratiques, les modles non linaires sont non convexes
et ont plus d'une solution optimale locale. Dans notre application, nous cherchons trouver une
solution optimale globale.
Le solveur global disponible dans l'API LINDO utilise la mthode branch-and-cut pour
dcomposer un problme NLP en plusieurs sous-rgions convexes et tente de produire une
solution optimale globale sans toutefois pouvoir le garantir.
6.4.2.3 Solveur dmarrages multiples
Ce solveur gnre une squence de candidats pour les points de dpart dans l'ensemble des
solutions du NLP. Le solveur standard est alors appel avec chaque point de dpart pour trouver
un optimum local. Pour les modles NLP non convexes, la qualit de la meilleure solution
trouve par ce solveur tend tre suprieure celle de la solution unique d'un solveur NLP
traditionnel. Un paramtre rglable par l'utilisateur dtermine le nombre maximal de dmarrages
effectuer.

149

CHAPITRE 7

PLANIFICATION DES RETRAITS DE 90 GROUPES TA

Dans ce chapitre, la planification des retraits de 90 groupes TA de 6 centrales diffrentes est


propose. Prs de la moiti sont trs anciens (figure 7.1 et tableau 7.1). travers la rsolution
dune srie de problmes non linaires, dcrivant chacun un contexte particulier, les dcisions de
retraits sont planifies sur un horizon de 50 ans en intgrant certaines contraintes pour lesquelles
des donnes suffisantes de terrain ont t rassembles. Tous les problmes comprennent 90
variables et 7 contraintes dont 2 sont des contraintes de bornes. Les autres contraintes sont
traites comme des contraintes non linaires. Les planifications ne comprennent que les groupes
dont les dates des retraits sont comprises entre le 01/07/2007 et le 01/07/2057.
Diverses quantits sont calcules pour caractriser les plans obtenus. En premier lieu, nous
valuons les cots annuels quivalents partir du cot total moyen par unit de temps sur un
horizon infini selon les stratgies de maintenance. Ensuite, nous calculons la moyenne des
fiabilits des groupes concerns par un retrait sur la priode de 50 ans au moment de leurs
retraits, ainsi que la moyenne des fiabilits des groupes restant en exploitation lors de chacun des
retraits. Pour cela, nous formons 2 indices de fiabilit : le premier, not IMFGr, est calcul pour
chaque groupe et dsigne sa fiabilit au moment du retrait. Cet indice exprime le potentiel
dexploitation restant. Un deuxime indice, not IMF, dcrit ltat des autres groupes restant en
exploitation au moment du retrait de chacun des groupes en utilisant la fonction

telle que

dfinie dans la section 6.2. Ces indices sont calculs partir des lois de dfaillance affectes aux
composants du groupe TA. Comme il peut arriver que tous les groupes ne soient pas retirs dans
lhorizon de 50 ans, ces indices peuvent diffrer des moyennes des fiabilits caractrisant les
plans. Finalement, nous indiquons lge moyen des groupes au retrait ainsi que le temps de
rsolution utilis par lalgorithme pour gnrer une solution.
Dans un des problmes, leffet de la modification dans lexploitation des groupes par
laugmentation de la charge, est abord. Deux scnarios de fonctionnement sont considrs, pour
l'laboration des plans :
-

scnario 1 : la charge sur les groupes est similaire la dure recense dans l'historique de
fonctionnement. Le taux de dfaillance est le taux estim par la mthode directe ;

150
-

scnario 2 : en considrant que c'est la charge seulement qui affecte le taux de dfaillance,
le risque relatif, dfini selon le modle PHM, est augment de 50% (quivalent
augmenter de 50% la charge).
40

35

30

25

20

15

10

Nb groupes
1932

1950

1975

1979

1982

1994

Figure 7.1 : Annes de mise en services des groupes TA planifier


Tableau 7.1 : Identification des centrales hydrolectriques
Zone
12
11
5
5
5
2

Code Centrale
C1
C2
C3
C4
C5
C6

Anne
1950
1932
1994
1979
1982
1975
Total

Nb groupes
6
38
12
16
12
6
90

7.1 Systmes d'information pour la planification


notre connaissance aucune solution informatique prte lemploi ne possde la flexibilit
ncessaire pour raliser la planification poursuivie selon les modlisations ralises. Nous
prsentons dans ce qui suit lenvironnement informatique qui a t conu pour raliser la
planification. L'architecture du programme (figure 7.2) est organise autour d'une source de
donnes connecte au serveur SQL Interbas SMP (CodeGear, 2009b) et de sous-programmes
crits en langages orients objet (Delphi 2009, C++Builder 2009 (CodeGear, 2009a)). La
machine utilise est un pc Intel CoreTM2 Quad CPU Q93000 2.50 GHz, 8 Go de mmoire
vive avec Microsoft Windows VistaTM Entreprise.

151
Les structures dnommes classes sont des entits comportant des champs et des
mthodes permettant de reprsenter un alternateur ou une turbine avec tous leurs paramtres,
de constituer un groupe TA et de calculer ses paramtres et finalement de dupliquer la structure
d'un groupe pour constituer le parc et de calculer aussi certaines caractristiques. Ces objets
permettent de lire et de manipuler les informations chargs partir de la base de donnes, se
connecter d'autres objets pour former d'autres entits et compiler des rsultats. Finalement une
interface graphique permet l'interaction avec l'utilisateur.

Figure 7.2 : Architecture du systme d'information

7.1.1 Interface graphique utilisateur GUI


Dans sa configuration actuelle, l'interface permet de lancer les diffrentes parties du programme
et s'il y a lieu de prsenter les rsultats sous forme de graphe ou de texte (figure 7.3).

152

Figure 7.3 : Interface utilisateur du programme principal avec la fentre de saisie des donnes

7.1.2 Programme principal


Dans le programme principal se droule la dclaration et l'initialisation des entits permettant le
lancement des sous programmes qui ralisent les calculs. Il y a trois parties distinctes : les
interfaces utilisateurs qui grent les entres et les sorties, les classes d'objets qui sont le cur du
programme et les programmes utilitaires.
Au lancement, le programme initialise le module de donnes, cre l'interface graphique principale
et la prsente l'cran. Les fonctionnalits actuelles ralisent tout ce qui est li la prparation
des donnes sur les profils de fonctionnement, les donnes sur les dures de vie partir des
historiques en ajoutant les codes des facteurs technologiques pour chaque type de composant du
groupe. Le reste est ddi la prparation du problme NLP, du solveur NOMAD ou LINDO
API et la rsolution du problme. Des utilitaires permettent de sortir les plans sous forme de
digrammes.
Les principales classes dobjets sont : la classe dobjets caractrisant le rseau (TParc), celle
caractrisant le groupe (TGroupe) et finalement celle ddie aux composants (TComposant).
Classe TComposant : Une fois initialis, un objet de cette classe reprsente un composant du
groupe avec toutes les caractristiques disponibles. Une fois les caractristiques affects

153
notamment la stratgie de maintenance, la loi de dfaillance et la structure du cot, des mthodes
de la classe calculent les cots, les risques, la fiabilit pour la valeur de la variable de la stratgie
affecte l'objet.
Classe TGroupe : Classe d'objets pour remplir et alimenter la classe TParc. Une fois initialise,
un objet de cette classe reprsente un groupe. Elle cre une instance en mmoire d'une liste
dynamique comprenant tous les composants du groupe avec leurs caractristiques.
Classe TParc : C'est une classe de type collection pour l'enregistrement et la manipulation
d'objets avec des fonctionnalits de base pour l'ajout, l'insertion et la mise jour. Une fois
initialis, un objet de cette classe reprsente toutes les centrales, les groupes et composants
majeurs avec leurs caractristiques. Elle implmente aussi la fonction objectif et les contraintes
du problme de planification des retraits.
Classe TDataModule : ralise une interface bidirectionnelle entre le programme et la base de
donnes. Ce module prpare et envoie les requtes SQL au serveur et rcupre les rsultats. Il
permet aussi de lancer les procdures qui rsident sur le serveur.

7.1.3 Base de donnes


Le schma suivant donne une vue sommaire des tables et des champs principaux qui stockent les
entres ncessaires au programme de planification. Elles sont conues sur le concept tables
matre/dtail pour viter la redondance et produire des ensembles de donnes complexes.

Figure 7.4 : Aperu des tables de la base de donnes

154
L'chantillon de groupes est dfini dans une table qui contient les 90 enregistrements (tableau 7.2
et SAMPLE sur la figure 7.4). Chaque entre dfinit un groupe par le code de centrale et le
symbole du groupe (exemple C1, A01) ainsi que le nombre de composants qu'il contient. Les
donnes techniques sur les groupes comprennent les lments pour les prparations des modles
de taux de dfaillances (fabricant, puissance, etc. issus des tables SUBNET et TECHDATA). Des
listes des rnovations (table TRAVMAJ) sont tires les informations concernant les historiques
des dures de vie. Ces informations pour tous les composants des groupes sont compltes en
calculant la dure entre la date d'installation et la date de retrait, l'tat de la censure (0,1), les
variables indpendantes de construction et de fonctionnement (table SURVIVAL). Les types de
stratgies de maintenances, les lois de dfaillance, les cots pour chacun des composants sont
renseignes dans SUBGRPS (tableau 7.3). Ces types correspondent des structures ncessitant
plusieurs valeurs. Ces valeurs sont renseignes dans SUBGRPSDETAILS (tableau 7.4). Ces
tableaux donnent respectivement des extraits des tables "SAMPLE", "SUBGRPS" (3x90
enregistrements), et "SUBGRPSDETAILS".
Tableau 7.2 : Organisation des donnes sur l'chantillon de groupes TA
CENTRALE
C1
C1
C1
C1
C1
C1
C2
C2
C2
---

GROUPE
A01
A02
A03
A04
A05
A06
A01
A02
A03
---

ID
1
2
3
4
5
6
7
8
9
---

NBSUBGRPS
3
3
3
3
3
3
3
3
3
---

Tableau 7.3 : Donnes sur les caractristiques des composants des groupes TA
GRID
1
1
1
2
2
2
---

SUB SUBGRP POLICY POLICY FAILURE FAILURE


COST
COSTSNB COSTSNB
GRPID NAME
ID
NBVARS
LAW
NBPARAMS STRUCT COLUMNS
ROWS
1
A01A
0
1
4
2
0
2
4
2
A01T
0
1
4
2
0
2
4
3
A01E
0
1
4
2
0
2
4
1
A02A
0
1
4
2
0
2
4
2
A02T
0
1
4
2
0
2
4
3
A02E
0
1
4
2
0
2
4
-------------------

155
Tableau 7.4 : Dtails des caractristiques des composants des groupes TA
GRID
1
1
1
1
1
1
1
1
1
1
1
1
1
1

CMPTID
1
1
1
1
1
1
1
1
1
1
1
1
2
2

PARAMTYPE PARAMNO PARAMVAL


1
0
2.66E-06
1
1
3.17E-06
2
0
0
2
1
0
2
2
10
2
3
20
2
4
0.02
2
5
0.02
2
6
0.02
2
7
0.02
5
0
436800
6
0
860000
1
0
1.60E-06
1
1
7.42E-06

7.2 Hypothses supplmentaires pour les rsolutions


Nous avons besoin de poser des hypothses supplmentaires pour l'agrgation de certaines
donnes dont :
-

Le retrait d'un groupe signifie le remplacement de tous ses composants ;

L'historique des retraits montre des dates diffrentes d'installation des composants de
certains groupes. La date de mise en service d'un groupe est prise comme la date
d'installation du composant le plus ancien ;

Comme les composants d'un groupe ont des priodes d'amortissement diffrentes, la
priode la plus grande est ici respecte (50 ans = 50 * 8760 h= 438 000 heures) ;

Des cots approximatifs de remplacement des composants nous ont t fournis :


alternateur : 15M$, turbine 10M$, SE 0.25M$. Nous faisons l'hypothse que ce cot est
une moyenne entre le cot de remplacement prventif et de remplacement correctif. Nous
considrons aussi que le cot de remplacement correctif est 2 fois plus grand que le cot
de remplacement prventif pour les alternateurs et 1.5 fois pour les turbines et les SE. Les
cots pour les alternateurs, turbines, SE seront respectivement (10, 20), (8, 12), (0.2, 0.3)
M$ ;

La stratgie de maintenance applique tous les composants d'un groupe.

Pour chacun des groupes, les donnes ncessaires sont charges de la base de donnes. Un
exemple de donnes par groupe est reprsent dans la figure 7.5.

156

Groupe A01 de la centrale C1. Mise en service (selon l'organe le plus ancien) 1950/01/01
**************************************************************************
Nombre variables de dcision = 1. Bornes sur variables de dcision : var(1)
Liminf = 436800.00 LimSup = 860000.00
*Composant A01A install en 1983/01/01 sous stratgie SR0.
Nombre variables de la stratgie = 1 Bornes sur variables de la stratgie : var(1)
Liminf = 436800.00 LimSup = 860000.00
Loi de dfaillance = Gompertz (a, b) Nombre de paramtres de la loi = 2
Paramtres de la loi = 2.66E-006, 3.17E-006
Paramtres de cots = 2 Matrice des cots = 4x2
0.00 0.00 0.00 0.00 10.00 0.02 20.00 0.02
*Composant A01T install en 1950/01/01 sous stratgie SR0 .
Nombre variables de la stratgie = 1 Bornes sur variables de la stratgie : var(1)
LimInf = 436800.00 LimSup = 860000.00
Loi de dfaillance = Gompertz (a, b) Nombre de paramtres de la loi = 2
Paramtres de la loi = 1.60E-006, 7.42E-006
Paramtres de cots = 2 Matrice des cots = 4x2
0.00 0.02 0.00 0.02 8.00 0.02 12.00 0.02

Figure 7.5 : Prparation des donnes pour la rsolution pour un groupe


De plus, pour tous les problmes qui suivent, les sept contraintes qui sont prises en compte sont
les suivantes :
-

Contraintes de bornes :
o dure et continuit de chaque retrait en semaines gale 38 ;
o priodes d'amortissement en annes des composants : [alternateur, turbine, SE]
[50, 50, 30] annes;

Contraintes non linaires


o capacit retire 700.00 MW par priode ;
o centrales de base du rseau intgr : retrait de 2 groupes parmi (C2, C4, C5) la
mme priode ;
o ressources humaines : nombre d'quipes 3 ;

157
o nombre de retraits simultans par centrale limit par la capacit du pont de levage
2;
o dbours de maintenance annuels quivalents 250 M$.

7.3 Planification avec la stratgie SR0


Dans cette section une srie de 3 problmes est rsolue pour trouver des plans de retraits des
groupes TA sur un horizon de 50 ans dans diffrents contextes. La stratgie de maintenance pour
tous les composants est la stratgie SR0. Les taux de dfaillance utiliss sont les taux de
dfaillance estims par la mthode directe. La densit et la fiabilit sont calcules partir d'une
loi de Gompertz ayant comme taux de dfaillance le taux estim par la mthode directe.

7.3.1 Plan de dpart


Un plan de dpart pour la recherche d'une solution optimale (figure 7.6) est tabli partir des
priodicits de remplacement correspondant la dure d'amortissement comptable du groupe.
Elle correspond dans ce cas 50 ans : la dure d'amortissement la plus longue des composants
(dtails tableau 7.18 en annexe 1). Ce plan a les caractristiques du tableau 7.5 suivant :
Tableau 7.5 : Caractristiques du plan de dpart du problme I
Plan de dpart
J ( ) (k$/h)
Objectifs
R( ) (%)
Dure de rfection (sem)
Priodes damortissement (ans)
Contraintes Nombre d'quipes
(satisfaite si gale Nombre de ponts
-1)
Rseau intgr
Capacit retire (MW)
Dbours annuels (M$)
Moyenne IFMGr % 50 ans
Moyenne IFM % 50 ans
Indices
ge moyen du groupe (ans)
Temps de rsolution

Valeur cible
Min
= 38
[50, 50, 30]
3
2
700
250
-

Valeur obtenue
7.712
66.79
-1
-1
19
1
1
1001
67.56
26.60
66.79
50
-

Comme attendu, le tableau 7.5 montre que ce plan est infaisable. Le nombre de retraits
simultans atteint 19 groupes. La capacit retire dpasse la quantit permise (1001 MW). De
plus, le potentiel d'exploitation restant au retrait des groupes est important (26.6%).

158

C6A35
C6A33
C6A31
C5A11
C5A09
C5A07
C5A05
C5A03
C5A01
C4A15
C4A13
C4A11
C4A09
C4A07
C4A05
C4A03
C4A01
C3A11
C3A09
C3A07
C3A05
C3A03
C3A01
C2A38
C2A36
C2A35
C2A34
C2A33
C2A31
C2A30
C2A29
C2A28
C2A26
C2A24
C2A22
C2A20
C2A19
C2A17
C2A16
C2A15
C2A14
C2A13
C2A11
C2A10
C2A08
C2A07
C2A05
C2A04
C2A02
C2A01
C1A05
C1A04
C1A03
C1A01
2007/12/04

2011/12/03

2015/12/02

2019/12/01

2023/11/30

2027/11/29

2031/11/28

2035/11/27

2039/11/26

2043/11/25

2047/11/24

Figure 7.6 : Diagramme du plan de dpart avec la stratgie SR0

2051/11/23

2055/11/22

159

7.3.2 Problme I : Minimisation des cots de maintenance avec scnario 1


Dans une premire rsolution, l'objectif est de minimiser le cot total moyen par unit de temps
de maintenance des 90 groupes. Le cot total moyen par unit de temps d'un groupe est la somme
des cots par unit de temps de maintenance de ces composants comme dfini dans la section
6.1.1.
La rsolution est dabord tente avec le solveur NOMAD. Aprs 10000 valuations en 3.53 mn,
aucune solution ralisable nest trouve. Le nombre dvaluations de fonctions est augment
500000. Aprs 9.23 mn aucune solution nest trouve.
Lopration est relance alors avec le solveur Lindo API v5.0. La rsolution du problme I avec
le scnario 1, se termine avec le statut 5 correspondant un problme faisable (statut 1 pour
solution optimale et 8 pour localement optimale) et produit le plan de la figure 7.7. Ce plan a les
caractristiques du tableau 7.6 suivant :
Tableau 7.6 : Caractristiques du plan de retraits pour le problme I
Problme I
J ( ) (k$/h)
Objectifs
R( ) (%)
Dure de rfection (sem)
Priodes damortissement (ans)
Contraintes Nombre d'quipes
(satisfaite si gale Nombre de ponts
-1)
Rseau intgr
Capacit retire (MW)
Dbours annuels (M$)
Moyenne IFMGr % 50 ans
Moyenne IFM % 50 ans
Indices
ge moyen du groupe (ans)
Temps de rsolution Lindo API (mn)

Valeur cible
Min
= 38
[50, 50, 30]
3
2
700
250
-

Valeur obtenue
7.709
45.68
-1
-1
-1
-1
-1
-1
67.53
3.20
35.71
81
3.92

160

C6A34
C6A32
C5A09
C5A07
C5A06
C5A03
C5A02
C4A15
C4A11
C4A04
C2A38
C2A37
C2A36
C2A34
C2A32
C2A31
C2A27
C2A26
C2A25
C2A24
C2A23
C2A22
C2A21
C2A20
C2A18
C2A17
C2A02
C1A06
C1A05
C1A03
C1A02
C1A01
2007/12/04

2011/12/03

2015/12/02

2019/12/01

2023/11/30

2027/11/29

2031/11/28

2035/11/27

2039/11/26

2043/11/25

Figure 7.7 : Diagramme des retraits pour le problme I

2047/11/24

2051/11/23

2055/11/22

161
Bien que la solution de dpart ne soit pas faisable, l'optimisation a produit une solution ralisable.
Le tableau 7.19 en annexe 1, donne la planification dtaille des retraits sur 50 ans avec le
scnario 1. Selon le plan gnr, la moyenne des fiabilits des groupes lors de leurs retraits est de
3.20% et celle du reste des groupes en exploitation est 35.71%. Ces indices indiquent que les
groupes sont retirs la limite de la dfaillance complte. Leur potentiel est utilis au maximum.
La solution trouve est ensuite utilise comme solution de dpart pour l'algorithme NOMAD. Un
gain supplmentaire est obtenu sur la fonction objectif. Celle-ci est amliore de 143$/h pour un
cot total moyen par unit de temps de 7566$/h. Les caractristiques, diagramme et dtails de ce
plan sont donns sur le tableau 7.7, la figure 7.8 et le tableau 7.20 en annexe 1. Ce gain n'est par
contre obtenu qu'au prix de 50000 valuations de fonctions en 33 mn (figure 7.9).
Tableau 7.7 : Caractristiques du plan de retraits amlior pour le problme I

Objectifs

Contraintes
(satisfaite si
gale -1)

Indices

Problme I
J ( ) (k$/h)
R( ) (%)
Dure de rfection (sem)
Priodes damortissement (ans)
Nombre d'quipes
Nombre de ponts
Rseau intgr
Capacit retire (MW)
Dbours annuels (M$)
Moyenne IFMGr % 50 ans
Moyenne IFM % 50 ans
ge moyen du groupe (ans)
Temps de rsolution NOMAD (mn)

Valeur cible
Min
= 38
[50, 50, 30]
3
2
700
250
-

Valeur obtenue
7.566
59.74
-1
-1
-1
-1
-1
-1
66.28
9.82
57.52
66
33.00

162

C6A36
C6A35
C6A34
C6A33
C6A32
C6A31
C5A12
C5A11
C5A10
C5A09
C5A08
C5A07
C5A06
C5A05
C5A04
C5A03
C5A02
C5A01
C4A16
C4A15
C4A14
C4A13
C4A11
C4A10
C4A09
C4A08
C4A07
C4A06
C4A05
C4A04
C4A03
C4A02
C4A01
C3A10
C3A09
C3A08
C3A05
C3A02
C3A01
C2A38
C2A37
C2A36
C2A34
C2A32
C2A31
C2A27
C2A26
C2A25
C2A24
C2A23
C2A22
C2A21
C2A20
C2A18
C2A17
C2A11
C2A04
C2A03
C2A02
C1A06
C1A05
C1A04
C1A03
C1A02
C1A01
2007/12/04

2011/12/03

2015/12/02

2019/12/01

2023/11/30

2027/11/29

2031/11/28

2035/11/27

2039/11/26

2043/11/25

2047/11/24

Figure 7.8 : Diagramme des retraits amlior pour le problme I

2051/11/23

2055/11/22

163
7.66
7.64

Objectif(k$/h)

7.62
7.60
7.58
7.56
7.54
7.52
1

8528

17475

25849
valuations

34185

42252

49179

Figure 7.9 : Amlioration de l'objectif du problme I par le solveur NOMAD


La figure 7.9 montre que lalgorithme fait la plus grande partie des gains sur la fonction objectif
sur les premires 20000 valuations de fonctions. Par la suite une stagnation apparait et
lalgorithme ne fait plus damliorations majeures. Si le temps de rsolution est un facteur
prendre en compte pour un nombre de groupes plus importants, ce test est une faon de choisir un
compromis entre nombre dvaluation de fonctions et lamlioration de lobjectif.
De plus, le plan a les caractristiques supplmentaires suivantes :
-

Un total de 38 groupes supplmentaires apparat dans le plan de 50 ans. Les retraits sont
mieux rpartis sur l'horizon ;

Les groupes ne vont pas jusqu'en fin de vie utile. La moyenne de la fiabilit des groupes
au retrait est plus grande 9.82% ;

La fiabilit moyenne des groupes restant en exploitation IFM est aussi plus grande
57.52%.

Ce plan est le meilleur plan de retrait sur 50 ans avec le scnario 1.

164

7.3.3 Problme II : Minimisation des cots de maintenance avec scnario 2


Dans ce problme, nous illustrons leffet sur la planification dun changement dans lexploitation
des groupes caus par laugmentation de la charge. Nous choisissons aussi comme point de
dpart pour la rsolution, la meilleure solution du problme I pour montrer les modifications qui
surviennent sur un plan qui a dj t mis en place par exemple.
Le solveur NOMAD est lanc en premier lieu. Aprs 10000 valuations de fonctions en 2.86mn,
aucune solution ralisable nest trouve.
Le solveur LINDO API v5.0 est utilis en second lieu en partant du mme point de dpart. La
rsolution du problme avec le scnario 2 a produit le plan de la figure 7.10 en 6.17mn. Ce plan a
les caractristiques du tableau 7.8 suivant :
Tableau 7.8 : Caractristiques du plan de retraits pour le problme II

Problme II
J ( ) (k$/h)
Objectifs
R( ) (%)
Dure de rfection (sem)
Priodes damortissement (ans)
Contraintes Nombre d'quipes
(satisfaite si gale Nombre de ponts
-1)
Rseau intgr
Capacit retire (MW)
Dbours annuels (M$)
Moyenne IFMGr % 50 ans
Moyenne IFM % 50 ans
Indices
ge moyen du groupe (ans)
Temps de rsolution Lindo API (mn)

Valeur cible

Valeur obtenue

Min
= 38
[50, 50, 30]
3
2

9.799
38.36
-1
-1
-1
-1
-1
-1
85.84
0.97
31.69
71
6.17

700
250
-

L'optimisation s'est termine avec le statut 5 correspondant un problme faisable. Le tableau


7.21 en annexe 1 donne les rsultats dtaills du plan.

165

C6A35
C6A34
C6A31
C5A09
C5A07
C5A06
C5A03
C5A02
C4A15
C4A11
C4A08
C4A05
C4A04
C4A03
C3A10
C3A08
C3A06
C2A38
C2A37
C2A36
C2A34
C2A33
C2A32
C2A31
C2A27
C2A26
C2A25
C2A24
C2A23
C2A22
C2A21
C2A20
C2A18
C2A17
C2A08
C2A04
C2A03
C2A02
C1A06
C1A05
C1A04
C1A03
C1A02
C1A01
2007/12/04

2011/12/03

2015/12/02

2019/12/01

2023/11/30

2027/11/29

2031/11/28

2035/11/27

2039/11/26

2043/11/25

2047/11/24

Figure 7.10 : Diagramme des retraits pour le problme II

2051/11/23

2055/11/22

166
De la mme faon, la solution trouve est utilise comme solution de dpart pour l'algorithme
NOMAD. Un gain supplmentaire est aussi obtenu sur la fonction objectif. Celle-ci est amliore
en 28.4 mn de 237$/h (figure 7.12), pour un cot total moyen par units de temps de 9562$/h.
Les caractristiques, diagramme et dtails du plan obtenu sont sur le tableau 7.9, figure 7.11 et le
tableau 7.22 en annexe 1.
Tableau 7.9 : Caractristiques du plan de retraits amlior pour le problme II

Objectifs

Contraintes
(satisfaite si
gale -1)

Indices

Problme II
J ( ) (k$/h)
R( ) (%)
Dure de rfection (sem)
Priodes damortissement (ans)
Nombre d'quipes
Nombre de ponts
Rseau intgr
Capacit retire (MW)
Dbours annuels (M$)
Moyenne IFMGr % 50 ans
Moyenne IFM % 50 ans
ge moyen du groupe (ans)
Temps de rsolution NOMAD (mn)

Valeur cible

Valeur obtenue

Min
= 38
[50, 50, 30]
3
2

9.562
52.35
-1
-1
-1
-1
-1
-1
83.76
10.58
52.35
55
28.40

700
250
-

167

C6A36
C6A35
C6A34
C6A33
C6A32
C6A31
C5A12
C5A11
C5A10
C5A09
C5A08
C5A07
C5A06
C5A05
C5A04
C5A03
C5A02
C5A01
C4A16
C4A15
C4A14
C4A13
C4A12
C4A11
C4A10
C4A09
C4A08
C4A07
C4A06
C4A05
C4A04
C4A03
C4A02
C4A01
C3A12
C3A11
C3A09
C3A08
C3A07
C3A06
C3A05
C3A04
C3A03
C3A01
C2A38
C2A37
C2A36
C2A35
C2A34
C2A33
C2A32
C2A31
C2A30
C2A28
C2A27
C2A26
C2A25
C2A24
C2A23
C2A22
C2A21
C2A20
C2A19
C2A18
C2A17
C2A16
C2A15
C2A14
C2A13
C2A12
C2A11
C2A10
C2A09
C2A08
C2A07
C2A06
C2A05
C2A04
C2A03
C2A02
C2A01
C1A06
C1A05
C1A04
C1A03
C1A02
C1A01
2007/12/04

2011/12/03

2015/12/02

2019/12/01

2023/11/30

2027/11/29

2031/11/28

2035/11/27

2039/11/26

2043/11/25

2047/11/24

Figure 7.11 : Diagramme amlior des retraits pour le problme II

2051/11/23

2055/11/22

168
Le plan a les caractristiques supplmentaires suivantes :
-

Le total des 90 groupes apparat dans le plan de 50 ans. Les retraits sont encore mieux
rpartis sur l'horizon ;

Les groupes ne vont pas jusqu'en fin de vie utile. La moyenne de la fiabilit des groupes
au retrait IMFGR est plus grande 10.58% ;

La fiabilit moyenne des groupes restant en exploitation IFM est aussi plus grande
52.35%.

9.85
9.80
9.75

Objectif(k$/h)

9.70
9.65
9.60
9.55
9.50
9.45
9.40
1

8967

17376

26539
valuations

35051

43233

Figure 7.12 : Amlioration de l'objectif du problme II par le solveur NOMAD


Les gains les plus importants raliss par lalgorithme NOMAD sont obtenus dans ce cas au bout
de 10000 valuations seulement (figure 7.12).

7.3.4 Comparatif des plans des problmes 1 et 2


Le tableau 7.10 montre que les retraits sont prmaturs en moyenne d'une dizaine d'annes,
advenant le doublement de la charge sur les groupes. Bien que la moyenne des fiabilits des
groupes au retrait reste stable, l'indice IFM pour les groupes restant en exploitation baisse de

169
5.17%. Pour maintenir le mme indice IFM que pour le scnario 1, il faut relaxer l'une des
contraintes.
Tableau 7.10 : Variation entre les plans pour les problmes I et II
Comparatif scnarios 1 et 2
Objectifs

Indices

J ( ) (k$/h)
R( ) (%)
Moyenne IFMGr % 50 ans
Moyenne IFM % 50 ans
ge moyen du groupe (ans)
Temps de rsolution NOMAD (mn)

Valeur cible
Min
-

Valeur obtenue
scnarios 1
7.566
59.74
9.82
57.52
66
33.00

Valeur obtenue
scnarios 2
9.562
52.35
10.58
52.35
55
28.40

Variation
1.995
-7.39
0.76
-5.17
-11

Une possibilit est d'augmenter les ressources pour raliser les rnovations par exemple. Un plan
de retraits avec 6 quipes et 4 ponts est donn dans la figure 7.13. En augmentant le nombre
d'quipes 6, (en supposant que l'ajout dquipes supplmentaires n'a pas d'incidence sur les
cots du modle SR0), l'objectif reste stable environ 9500$/h (tableau 7.11) mais il ny a pas de
changement majeurs dans les indices : (11.71%, 49.79%, 54 ans). Il faudra relaxer plus de 2
contraintes pour esprer augmenter le taux IFM.

Tableau 7.11 : Caractristiques du plan de retraits pour le problme II avec relaxation de


contraintes

170

C6A36
C6A35
C6A34
C6A33
C6A32
C6A31
C5A12
C5A11
C5A10
C5A08
C5A07
C5A06
C5A05
C5A04
C5A03
C5A02
C5A01
C4A15
C4A14
C4A10
C4A09
C4A08
C4A07
C4A06
C4A05
C4A04
C4A03
C4A02
C4A01
C3A12
C3A11
C3A10
C3A08
C3A07
C3A06
C3A05
C3A04
C3A03
C3A02
C3A01
C2A38
C2A37
C2A36
C2A35
C2A34
C2A33
C2A32
C2A31
C2A29
C2A28
C2A27
C2A26
C2A25
C2A24
C2A23
C2A22
C2A21
C2A20
C2A19
C2A18
C2A17
C2A16
C2A15
C2A14
C2A13
C2A12
C2A11
C2A10
C2A09
C2A08
C2A07
C2A06
C2A05
C2A04
C2A02
C2A01
C1A06
C1A05
C1A04
C1A03
C1A01
2007/12/04

2011/12/03

2015/12/02

2019/12/01

2023/11/30

2027/11/29

2031/11/28

2035/11/27

2039/11/26

2043/11/25

2047/11/24

2051/11/23

Figure 7.13 : Diagramme des retraits pour le problme II avec 3 quipes et 2 ponts
supplmentaires

2055/11/22

171

7.3.5 Problme III : Maximisation de la fiabilit


Dans cette rsolution, l'objectif de maximiser la fiabilit en utilisant l'indice IFM des groupes en
exploitation par priode de retrait. Le point de dpart non ralisable de la section 7.3.1 est utilis.
La rsolution avec le solveur LINDO API a produit une solution avec le statut 8 correspondant
une solution localement optimale. Le plan a les caractristiques suivantes (tableau 7.12) :
Tableau 7.12 : Caractristiques du plan de retraits pour le problme III
Problme III
J ( ) (k$/h)
Objectifs
R( ) (%)
Dure de rfection (sem)
Priodes damortissement (ans)
Contraintes Nombre d'quipes
(satisfaite si gale Nombre de ponts
-1)
Rseau intgr
Capacit retire (MW)
Dbours annuels (M$)
Moyenne IFMGr % 50 ans
Moyenne IFM % 50 ans
Indices
ge moyen du groupe (ans)
Temps de rsolution Lindo API (mn)

Valeur cible
Max
= 38
[50, 50, 30]
3
2
700
250
-

Valeur obtenue
7.752
44.61
-1
-1
-1
-1
-1
-1
67.91
1.19
34.84
88
1.68

La qualit de la solution o lalgorithme sest arrt, est mdiocre comparativement celle du


problme I. Quand cette solution est reprise par le solveur NOMAD, aucune solution faisable
nest trouve aprs 50000 valuations. Lalgorithme est alors relanc avec la meilleure solution
du problme I. Le plan de la figure 7.14 est obtenu. Ce plan a les caractristiques suivantes :
Tableau 7.13 : Caractristiques du plan de retraits amlior pour le problme III

Objectifs

Contraintes
(satisfaite si
gale -1)

Indices

Problme III
J ( ) (k$/h)
R( ) (%)
Dure de rfection (sem)
Priodes damortissement (ans)
Nombre d'quipes
Nombre de ponts
Rseau intgr
Capacit retire (MW)
Dbours annuels (M$)
Moyenne IFMGr % 50 ans
Moyenne IFM % 50 ans
ge moyen du groupe (ans)
Temps de rsolution NOMAD (mn)

Valeur cible
Max
= 38
[50, 50, 30]
3
2
700
250
-

Valeur obtenue
7.723
62.59
-1
-1
-1
-1
-1
-1
67.65
3.20
57.86
74
17.85

172

C2A38
C2A37
C2A36
C2A34
C2A32
C2A31
C2A27
C2A26
C2A25
C2A24
C2A23
C2A22
C2A21
C2A20
C2A18
C2A17
C2A02
C1A06
C1A05
C1A03
C1A02
C1A01
2006

2007

2008

2009

2010

2011

2012

2013

2014

2015

2016

2017

2018

2019

2020

2021

2022

2023

Figure 7.14 : Diagramme des retraits pour le problme III

Bien que moins de groupes soient compris dans le plan de 50 ans, l'indice IFM a augment de
40.3% (figure 7.15). La moyenne des indices IFM sur lhorizon des 50 ans a lui aussi progress
de 66%.

173
70%
60%

Objectif

50%
40%
30%
20%
10%
0%
1

7220

15852 23659 34080 42289


valuations

Figure 7.15 : Amlioration de l'objectif du problme III par le solveur NOMAD

7.3.6 Problme IV : Planification multicritre avec la stratgie SR0


L'objectif dans cette situation est de trouver un compromis entre la minimisation sur le long
terme du cot total moyen par unit de temps de maintenance des 90 groupes et la maximisation
de la fiabilit moyenne des groupes en exploitation par priode de retrait. Les deux objectifs sont
donns dans la section 6.2. Les taux de dfaillance utiliss sont les taux de dfaillance estims par
la mthode directe. La stratgie de maintenance pour tous les composants est la stratgie SR0.
Le solveur BIMADS de NOMAD est lanc avec la meilleure solution du problme I, scnario 1
comme plan de dpart. Le front Pareto obtenu est trac sur la figure 7.16 et reprsente les points
de compromis entre les deux objectifs. Chaque point correspond un plan Pareto-optimal.

R()

174

61.65%

Planretenu

61.20%

60.75%

60.30%

Plandpart
59.85%

59.40%

58.95%
7565

7566

7568

7569
J()($/h)

Figure 7.16 : Front Pareto-optimal pour le problme IV


La variation des cots de maintenance sur le front Pareto est trs faible et nest que lordre du
dollar par heure. Le plan Pareto-optimal le plus intressant est celui reprsent sur la figure 7.16
correspondant au plan avec le meilleur indice IFM. Le diagramme et les caractristiques du plan
sont donns dans la figure 7.17, le tableau 7.14 et le tableau 7.24 en annexe 1.
Tableau 7.14 : Caractristiques du plan de retraits pour le problme IV

Objectifs

Contraintes
(satisfaite si
gale -1)

Indices

Problme IV
J ( ) (k$/h)
R( ) (%)
Dure de rfection (sem)
Priodes damortissement (ans)
Nombre d'quipes
Nombre de ponts
Rseau intgr
Capacit retire (MW)
Dbours annuels (M$)
Moyenne IFMGr % 50 ans
Moyenne IFM % 50 ans
ge moyen du groupe (ans)
Temps de rsolution NOMAD (mn)

Valeur cible
Min
Max
= 38
[50, 50, 30]
3
2
700
250
-

Valeur obtenue
7.577
60.55
-1
-1
-1
-1
-1
-1
66.38
8.76
51.50
68
30.03

175

C6A31
C5A12
C5A11
C5A09
C5A08
C5A07
C5A06
C5A05
C5A04
C5A03
C5A02
C5A01
C4A15
C4A14
C4A13
C4A12
C4A11
C4A10
C4A08
C4A07
C4A06
C4A05
C4A04
C4A03
C4A02
C4A01
C3A08
C2A38
C2A37
C2A36
C2A34
C2A32
C2A31
C2A27
C2A26
C2A25
C2A24
C2A23
C2A22
C2A21
C2A20
C2A18
C2A17
C2A04
C2A02
C1A06
C1A05
C1A04
C1A03
C1A02
C1A01
2007/12/04

2011/12/03

2015/12/02

2019/12/01

2023/11/30

2027/11/29

2031/11/28

2035/11/27

2039/11/26

2043/11/25

2047/11/24

2051/11/23

Figure 7.17 : Diagramme des retraits Pareto-optimal pour le problme IV

2055/11/22

176

7.4 Planification avec la stratgie SRI


Dans ce problme, l'objectif est de minimiser sur le long terme le cot total moyen par unit de
temps de maintenance des 90 groupes pour lesquels une stratgie de rparation du type SRI est
applique tous les composants. Les taux de dfaillance utiliss sont les taux de dfaillance
correspondants des lois de Weibull de paramtres d'chelle et de forme . Des lois sont
attribues chaque type de composant (alternateur, turbine et SE) et pour les diffrentes
centrales. Le rapport

est pris gal 200 (reprsentant 50,000$ pour une rparation sur un

alternateur par exemple).

7.4.1 Plan de dpart


La solution infaisable correspondant aux priodicits d'amortissement les plus grandes des
composants des groupes, est utilise comme point de dpart.

7.4.2 Problme V : Minimisation des cots de rparation


La rsolution avec le solveur Lindo API v5.0 du problme II a produit une premire solution
localement optimale qui est relance avec le solveur NOMAD. Le plan de la figure 7.18 et
tableau 7.25 en annexe 1 est obtenu. Ce plan a les caractristiques suivantes :
Tableau 7.15 : Caractristiques du plan de retraits pour le problme V

Objectifs

Contraintes
(satisfaite si
gale -1)

Indices

Problme V
J ( ) (k$/h)
R( ) (%)
Dure de rfection (sem)
Priodes damortissement (ans)
Nombre d'quipes
Nombre de ponts
Rseau intgr
Capacit retire (MW)
Dbours annuels (M$)
Moyenne IFMGr % 50 ans
Moyenne IFM % 50 ans
ge moyen du groupe (ans)
Temps de rsolution NOMAD (mn)

Valeur cible
Min
= 38
[50, 50, 30]
3
2
700
250
-

Valeur obtenue
4.050
27.77
-1
-1
-1
-1
-1
-1
35.48
0.00
1.19
70
12.98

177

C2A38
C2A37
C2A36
C2A35
C2A34
C2A32
C2A31
C2A30
C2A27
C2A26
C2A25
C2A24
C2A23
C2A22
C2A21
C2A20
C2A18
C2A17
C2A02
C1A06
C1A05
C1A03
C1A02
C1A01
2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 2031

Figure 7.18 : Diagramme des retraits pour le problme V


Les cots de maintenance moyens avec la stratgie SRI sont plus faibles comparativement aux
plans gnrs avec la stratgie SR0. Les rparations sont privilgies et les remplacements
n'interviennent qu'aprs une longue priode d'exploitation (70 ans en moyenne). Cela se traduit
par un indice IFM trs faible des groupes en tout temps.

178

7.4.3 Problme VI : Planification multicritre avec la stratgie SRI


La stratgie de maintenance applique tous les composants tant la stratgie de rparation SRI,
l'objectif dans ce problme est de trouver aussi un compromis entre la minimisation sur le long
terme du cot total moyen par unit de temps de rparation des 90 groupes et la maximisation de
la fiabilit moyenne des groupes en exploitation par priode de retrait.
Le solveur BIMADS de NOMAD est lanc avec la meilleure solution du problme V. Le front

R()

Pareto de la figure 7.19 est obtenu.


12%

11%

10%

9%

8%

7%

6%
3656

3661

3664

3670

3672

3675

3677
J()($/h)

Figure 7.19 : Front Pareto-Optimal pour le problme VI


La variation des cots de rparation et de lindice IFM est respectivement de 21$/h et de 4.28%
entre les points extrmes du front. Le plan avec le meilleur indice de fiabilit est donn dans le
tableau 7.16, et tableau 7.26 en annexe 1, et la figure 7.20. Le potentiel d'un groupe est utilis au
maximum de sorte que la moyenne des indices IFM soit aussi trs faible.

179
Tableau 7.16 : Caractristiques du plan de retraits pour le problme VI

Objectifs

Contraintes
(satisfaite si
gale -1)

Indices

Problme VI
J ( ) (k$/h)
R( ) (%)
Dure de rfection (sem)
Priodes damortissement (ans)
Nombre d'quipes
Nombre de ponts
Rseau intgr
Capacit retire (MW)
Dbours annuels (M$)
Moyenne IFMGr % 50 ans
Moyenne IFM % 50 ans
ge moyen du groupe (ans)
Temps de rsolution NOMAD (mn)

Valeur cible
Min
Max
= 38
[50, 50, 30]
3
2
700
250
-

Valeur obtenue
3.680
10.86
-1
-1
-1
-1
-1
-1
32.23
0.00
0.54
94
15.83

C2A38
C2A37
C2A36
C2A34
C2A32
C2A31
C2A27
C2A26
C2A25
C2A24
C2A23
C2A22
C2A21
C2A20
C2A18
C2A17
C2A02
C1A06
C1A05
C1A03
C1A02
C1A01
2017

2019

2021

2023

2025

2027

2029

2031

2033

2035

2037

2039

2041

Figure 7.20 : Diagramme des retraits pour le problme VI

2043

2045

2047

180

7.5 Discussion
La rsolution des problmes proposs dans ce chapitre a montr les diverses possibilits d'analyse
offertes par les modles ainsi que les limites imposs par les algorithmes en terme de recherche
d'un plan optimal pour effectuer les retraits des groupes TA. D'abord, des plans de retraits un
seul critre de dcision ont t calculs. L'analyse des plans correspondant 2 scnarios
d'exploitation des groupes TA ont montr les effets sur l'tat des groupes et les budgets annuels
de maintenance. Ensuite, en utilisant une stratgie de rparation au lieu dune stratgie de
remplacement, ces mmes effets ont t calculs. Lobservation principale est que lapplication
dune stratgie de rparation, bien quelle diminue les cots annuels de maintenance de moiti,
rduit ltat global des groupes de six fois.
Finalement, des plans avec 2 critres de dcisions ont t gnrs dans les mmes contextes.
Bien que la librairie Lindo trouve toujours un plan ralisable mme en partant d'un plan
infaisable, cette solution est toujours un optimum local. Ces plans sont souvent amliors par
l'algorithme NOMAD mais au prix d'un grand nombre d'valuations de fonctions (tableau 7.17).
Tableau 7.17 : Rcapitulatif des caractristiques des plans de retraits
Depart
PBI
PBII
PBIII
PBIV
PBV
PBVI

Optimisation Solveur Stratgie Scnario Faisable Obj. 1 (k$/h) Obj. 2 (%) ge moyen (ans) IFMGR (%)
SR0
1
non
7.712
66.79
50
26.60
Lindo
SR0
1
oui
7.709
45.68
81
3.20
min obj. 1
Nomad
SR0
1
oui
7.566
59.74
66
9.82
Lindo
SR0
2
oui
9.799
38.36
71
0.97
min obj. 1
Nomad
SR0
2
oui
9.562
52.35
55
10.58
Lindo
SR0
1
oui
7.752
44.61
88
1.19
max obj. 2
Nomad
SR0
1
oui
7.723
62.59
74
3.20
min obj. 1
Nomad
SR0
1
oui
7.577
60.55
68
8.76
max obj. 2
Lindo
SRI
1
oui
3.769
4.38
90
0.00
min obj. 1
Nomad
SRI
1
oui
4.050
27.77
70
0.00
min obj. 1
Nomad
SRI
1
oui
3.680
10.86
94
0.00
max obj. 2

IFM (%)
66.79
35.71
57.52
31.69
52.35
34.84
57.86
51.50
0.60
1.19
0.54

181

CONCLUSION
Dans cette thse de doctorat, une nouvelle mthodologie de planification de la maintenance dun
parc de turbines-alternateurs a t prsente et teste afin d'offrir un outil d'aide la dcision aux
gestionnaires de la maintenance des centrales hydro-lectriques leur permettant d'obtenir une vue
globale de l'tat de leur matriel, et d'offrir les meilleures avenues pour la ralisation des retraits
de leurs actifs partir du choix du mode de ralisation des activits de maintenance.
Support par un ensemble de donnes industrielles dun chantillon de groupes turbinesalternateurs d'un rseau de production existant, une de nos contributions est la formulation du
problme de la planification de la maintenance dun parc de machines complexes en s'appuyant
sur la programmation mathmatique non linaire.
Ce problme est complexe plusieurs niveaux. D'abord, le groupe est une structure comportant
des centaines de composants dont la technologie, l'environnement et les fonctions diffrent
normment. Un choix de dcomposition a t propos et trois organes les plus significatifs ont
t retenus pour la planification.
Ensuite, les intrants dans la prise de dcision des retraits tant aussi trs nombreux, la conception
du programme mathmatique a t centre sur les intrants en lien avec la maintenance
uniquement. Deux modles de base pour la planification ont t construits : le premier utilise les
donnes sur les historiques de fonctionnement pour dcrire les taux de dfaillance des
composants en tenant compte des scnarios de production des groupes, et des rparations
effectues sur les composants et le second traduit une mesure quantitative du mode de ralisation
des oprations de maintenance. C'est la stratgie de maintenance des composants qui permet
d'valuer l'opportunit du retrait dans une priode donne. Les rnovations tant par contre
ralises au niveau du groupe, une autre contribution a t de proposer une mthode d'agrgation
des modles pour ressortir l'opportunit de retrait d'un groupe une priode donne.
Le programme mathmatique de planification a t conu dans le but d'valuer plusieurs
fonctions selon les choix des stratgies de maintenance des composants et ceci sous diverses
catgories de contraintes technologiques, conomiques et de ressources humaines. Des problmes
un objectif et biobjectif ont t implments et rsolus avec succs en tenant compte dans une
des situations, de profils de production rels et dans une autre de la modification importante de la

182
charge sur les groupes. Une autre contribution a t de montrer une autre utilisation possible du
modle des taux de dfaillance proportionnels pour faire cette fois-ci des prvisions de
l'acclration de la dgradation.
Pour dcrire la performance d'un plan, un ensemble d'indices calculs partir des fonctions
de fiabilit ont t proposs afin de raliser des comparaisons. Nous les avons utiliss pour
explorer des moyens d'amliorer la performance d'un plan en modifiant l'tat d'une des
contraintes. Dans une situation donne, nous avons montr comment chercher un meilleur indice
de fiabilit des groupes restants en exploitation en ajoutant plus de ressources pour la
maintenance.
Enfin, il ressort aussi que les stratgies de maintenance influent de faon significative sur les
budgets annuels de maintenance calculs partir du cot moyen par unit de temps. Ces
montants sont moindres avec une stratgie de rparation mais cela se fait au dtriment de la
fiabilit globale des groupes restant en exploitation. Un bon compromis entre ces deux objectifs
est obtenu en utilisant une stratgie de remplacement des composants base sur l'ge.
Bien que cette mthodologie ait t applique la planification des retraits dun chantillon de 90
groupes sur un horizon de 50 ans, il est bien vident que les dveloppements proposs ici et les
rsultats obtenus montrent clairement la faisabilit dun tel programme pour lensemble de tous
les groupes du rseau hydrolectrique. Le systme d'information de la planification dvelopp
spcifiquement pour rsoudre ce type de problme n'est limit que par la capacit des solveurs
non linaires. La conception modulaire est facilement reproductible sur lensemble de tous les
groupes d'un parc de production. Bien videment, le temps de rsolution dpendra des moyens
informatiques dploys.
Des hypothses non contraignantes et des choix de modlisation ont t pris afin de pouvoir
complter le dveloppement et le test de cette mthodologie. Leffet de ces hypothses et les
choix de modlisation sur la production des plans de retraits optimaux devraient tre examines
dans un dveloppement futur.
Le dploiement industriel de ce projet de recherche est entrepris l'initiative de l'unit Fiabilit et
performance, de l'entreprise Hydro-Qubec pour disposer dun systme d'information pour la
planification sur le long terme des retraits majeurs pour lensemble des groupes du parc. Les axes
de dveloppements suivants sont considrs :

183

Les modles des taux de dfaillance sont conus sur des donnes statistiques.
L'laboration de modles de vieillissement plus performants conus sur l'tude des
phnomnes physico-chimiques ayant lieu dans lisolation statorique sous l'action de la
chaleur et des tensions lectriques ou bien la propagation des fissures et la cavitation
prenant place dans les turbines permettraient une meilleure apprciation de la dure de vie
des 3 composants majeurs dun groupe et ainsi permettraient de mieux prdire ltat dun
groupe sur lhorizon de planification ;

Seules les stratgies SR0 et SRI ont t implmente dans ce projet. Pour la stratgie
base sur le processus d'ge virtuel, nous avons propos une contribution concernant les
dveloppements mathmatiques ncessaires pour le calcul de l'ge virtuel d'un systme
srie. L'analyse en profondeur de l'influence des rparations sur les dures de vie pour
dterminer les taux de rajeunissement ncessitent des donnes prcises et dtailles par
composants. Bien qu'une formulation du taux de rajeunissement existe dans la littrature
pour des turbines, un travail similaire pourrait tre entrepris pour les alternateurs les
systmes d'excitation ;

Les cots utiliss pour valuer les stratgies de maintenance influent de faon importante
sur les fonctions objectifs utilises dans la planification. Sur l'avis des responsables
actuels de la planification, des cots rels moyens ont t utiliss. Mais un travail
rationnel sur la structure des cots de maintenance devrait tre complt ce sujet. Les
cots de dmontage ont t ngligs dans les calculs par exemple. Lavis des experts en
rnovation devrait tre considr ce niveau afin de mieux estimer les cots pour accder
un organe dfaillant ;

Concernant le modle de planification, certaines contraintes ont t formules dans la


description des contraintes mais elles nont pas t implmentes lors de loptimisation
faute de donnes suffisantes. C'est le cas par exemple de la satisfaction de la demande en
nergie lectrique. L'information sur la charge dvolue une centrale n'tait pas
disponible au moment de la rsolution des problmes du chapitre 6. De plus, cette
contrainte est lie au rseau dans sa globalit et aux stratgies dopration qui dpassent
lchantillon des 90 groupes considrs ;

184

Finalement, concernant le systme d'information, beaucoup de travail reste faire au


niveau de l'intgration aux systmes existants. Il s'agit du partage des donnes historiques,
la conception de modules de saisie des paramtres du modles de planification,
daffichage et surtout un module daide la dcision prsentant tous les critres de choix
pour la gnration d'un plan de retraits optimal.

185

BIBLIOGRAPHIE
Abdel-Hameed, M. S. (1986). Optimum Replacement of a System Subject to Shocks. Journal of
Applied Probability, 23(1), 107-114.
Abramson, M. A., Audet, C., Couture, G., Dennis, J. E. J., & Le Digabel, S. (2009). NOMAD - A
Black Box Optimization Software.
Abramson, M. A., Audet, C., & Dennis, J. E., Jr. (2006). Nonlinear programming by mesh
adaptive direct searches. In S. I. O. Views-and-News (Ed.).
Amjady, N., & Ehsan, M. (1999). Evaluation of power systems reliability by an artificial neural
network. IEEE Transactions on Power Systems, 14(1), 287-292.
Andersen, P., & Gill, R. (1982). Cox's regression model for counting processes, a large sample
study. Annals of Statistics, 10, 1100-1120.
Anon. (2003). Rapport annuel - L'tat des quipements de production: Association Canadienne
de l'lectricit.
Assaf, D., & Shanthikumar, G. (1987). Optimal group maintenance policies with continuous and
periodic inspections. Management Science, 33(11), 1440-1452.
Audet, C., Bchard, V., & Le Digabel, S. (2008a). Nonsmooth optimization through Mesh
Adaptive Direct Search and Variable Neighborhood Search. Journal of Global
Optimization, 41(2), 299-318.
Audet, C., & Dennis, J. E. J. (2002). Analysis of generalized pattern searches. SIAM journal on
optimization, 13(3), 889-903 (electronic) (2003).

186
Audet, C., & Dennis, J. E. J. (2006). Mesh Adaptative Direct Search Algorithms for Constrained
Optimization. SIAM journal on optimization, 17(1), 188-217.
Audet, C., & Dennis, J. E. J. (2009). A progressive barrier for derivative-free nonlinear
programming. SIAM journal on optimization, 20(1), 445-472.
Audet, C., Savard, G., & Zghal, W. (2008b). Multiobjective Optimization Through a Series of
Single-Objective Formulations. SIAM Journal on Optimization, 19(1), 188-210.
Aven, T., & Jensen, U. (1999). Stochastic Models in Reliability. New York: Springer.
Bajic, B. (2003). Cavitation diagnostics and monitoring. International Water Power and Dam
Construction, 55(2), 32-35.
Barlow, R. E., & Hunter. (1960). Optimal preventive maintenance policies. Operation research,
8, 90-100.
Barlow, R. E., & Proschan, F. (1967). Mathematical theory of reliability. New York: Wiley.
Barlow, R. E., Proschan, F., & Hunter, L. C. (1996). Mathematical theory of reliability.
Philadelphia: SIAM.
Barros, A., Grall, A., & Berenguer, C. (2002). Maintenance policies for a two-units system: A
comparative study. International Journal of Reliability, Quality and Safety Engineering,
9(2), 127-149.
Benders, J. F. (1962). Partitioning procedures for solving mixed-variables programming
problems. Numerische Mathematik, 4, 238-252.
Bergman, B. (1980). On the optimality of stationary replacement strategies. 17(1. Mar), 178-186.

187
Billinton, R., & Allan, R. N. (1984). Reliability evaluation of power systems. In N. A. Roy
Billinton and Ronald (d.). New York: Plenum Press.
Billinton, R., Chen, H., & Zhou, J. (1997). Generalized n+2 state system Markov model for
station-oriented reliability evaluation. IEEE Transactions on Power Systems, 12(4), 15111517.
Black, M., Brint, A. T., & Brailsford, J. R. (2005). A semi-Markov approach for modelling asset
deterioration. Journal of the Operational Research Society, 56(11), 1241-1249.
Block, H. W., Borges, W. S., & Savits, T. H. (1988). A general age replacement model with
minimal repair. Naval Research Logistics, 35(5), 365-372.
Bono, R., Alexander, R., Dorman, A., Kim, Y.-J., & Reisdorf, J. (2004). Analyzing reliability - A
simple yet rigorous approach. IEEE Transactions on Industry Applications, 40(4), 950957.
Brmaud, P. (1981). Point Processes and Queues, Martingales Dynamics. New York: Springer.
Breslow, N. E. (1974). Analysis of Survival Data under the Proportional Hazards Model.
International Statistical Review, 43(1), 13.
Brown, R. E., Frimpong, G., & Willis, H. L. (2004). Failure rate modeling using equipment
inspection data. IEEE Transactions on Power Systems, 19(2), 782-787.
Chan, G. K., & Asgarpoor, S. (2006). Optimum maintenance policy with Markov processes.
Electric Power Systems Research, 76(6-7), 452-456.
Chattopadhyay, D. (1998). Practical maintenance scheduling program: mathematical model and
case study. IEEE Transactions on Power Systems, 13(4), 1475-1480.

188

Chen, L.-N., & Toyoda, J. (1988). New approach to maintenance scheduling based on
incremental reliability. Electrical Engineering in Japan (English translation of Denki
Gakkai Ronbunshi), 108(3), 55-63.
Chen, Z., & Zheng, S. (2005). Lifetime distribution based degradation analysis. IEEE
Transactions on Reliability, 54(1), 3-10.
Chhikara, R. S. F. J. L. (1989). The inverse Gaussian Distribution. New York.
Chiodo, E., & Mazzanti, G. (2006). Bayesian reliability estimation based on a weibull stressstrength model for aged power system components subjected to voltage surges. IEEE
Transactions on Dielectrics and Electrical Insulation, 13(4), 935-937.
Cho, D. I., & Parlar, M. (1991). A survey of maintenance models for multi-unit systems.
European Journal of Operational Research, 51(1), 1-23.
Clarke, F. H. (1990). Optimization and Nonsmooth Analysis. Philadelphia.
Codegear. (2009a). CodeGear RAD Studio 2009 Version 12.0.3170.16989 [Delphi 2009,
C++Builder 2009, UML Modeling, ]: Embarcadero Technologies, Inc.
Codegear. (2009b). Interbase SMP Version 9.0.2.369 [SQL Server]: Embarcadero Technologies.
Inc.
Coolen, F. P. A., & Dekker, R. (1995). Analysis of a 2-phase model for optimization of
condition-monitoring intervals. IEEE Transactions on Reliability, 44(3), 505-511.
Cox, D. R., & Oakes, D. (1984). Analysis of Survival Data. Cambridge: Chapman and Hall Ltd.

189
Dagpunar, J. S. (1996). A maintenance model with opportunities and interrupt replacement
options. Journal of the Operational Research Society, 47(11), 1406-1409.
Multiobjective Optimization: History and Promise. Kanazawa, Japan. (2004).
Dekker, R. (1996). Applications of maintenance optimization models: a review and analysis.
Reliability Engineering & System Safety, 51(3), 229-240.
Dekker, R., & Roelvink, I. F. K. (1995). Marginal cost criteria for preventive replacement of a
group of components. European Journal of Operational Research, 84(2), 467-480.
Dekker, R., & Smeitink, E. (1991). Opportunity-based block replacement. European Journal of
Operational Research, 53(1), 46-63.
Dekker, R., Wildeman, E. R., & Van Der Duyn Schouten, A. F. (1997). A Review of MultiComponent Maintenance Models with Econoic Dependance. Mathematical Methods of
Operations Research, 45(3), 411-435.
Dohi, T., Matsushima, N., Kaio, N., & Osaki, S. (1997). Nonparametric repair-limit replacement
policies with imperfect repair. European Journal of Operational Research, 96(2), 260273.
Dopazo, J. F., & Merrill, H. M. (1975). Optimal Generator Maintenance Scheduling using Integer
Programming. PAS-94(5), 1545-1537.
Duchesne, T., & Lawless, J. (2000). Alternative time scales and failure time models. Lifetime
Data Analysis, 6(2), 157-179.
Duchesne, T., & Lawless, J. (2002). Semiparametric inference methods for general time scale
models. Lifetime Data Analysis, 8(3), 263-276.

190

Ebrahimi, N. (2006). System reliability based on system wear. Stochastic Models, 22(1), 21-36.
Farewell, V. T., & Cox, D. R. (1979). A Note on Multiple Time Scales in Life Testing. Applied
Statistics, 28(1), 2.
Finkelstein, M. S. (2004). Alternative time scales for systems with random usage. IEEE
Transactions on Reliability, 53(2), 261-264.
Frickenstein, S. G., & Whitaker, L. R. (2003). Age Replacement Policies in Two Time Scales.
Naval Research Logistics, 50(6), 592-613.
Gallestey, E., Stothert, A., Antoine, M., & Morton, S. (2002). Model predictive control and the
optimization of power plant load while considering lifetime consumption. IEEE
Transactions on Power Systems, 17(1), 186-191.
Garver, L. L. (1963). Power generation scheduling by integer programming -- Development of
theory. AIEE -- Transactions: Power Apparatus and Systems, 81(Part 3, 64), 730-735.
Garver, L. L. (1972). Adjusting Maintenance Schedules to Levelize Risk. PAS-91(5), 2063-2057.
Gasmi, S., Love, C. E., & Kahle, W. (2003). A general repair, proportional-hazards, framework
to model complex repairable systems. IEEE Transactions on Reliability, 52(1), 26-32.
Gertsbakh, I. B., & Kordonsky, K. B. (1997). Choice of the best time scale for preventive
maintenance in heterogeneous environments. European Journal of Operational Research,
98(1), 64-74.

191
Gertsbakh, I. B., & Kordonsky, K. B. (1998). Parallel time scales and two-dimensional
manufacturer and individual customer warranties. IIE Transactions (Institute of Industrial
Engineers), 30(12), 1181-1189.
Goyal, S. K., & Kusy, M. I. (1985). Determining economic maintenance frequency for a family
of machines. Journal of the Operational Research Society, 36(12), 1125-1128.
Grall, A., Dieulle, L., Berenguer, C., & Roussignol, M. (2006). Asymptotic failure rate of a
continuously monitored system. Reliability Engineering and System Safety, 91(2), 126130.
Grambsch, P., & Therneau, T. (1994). Proportional hazards tests and diagnostics based on
weighted residuals. Biometrika, 81(3), 515-526.
Gupta, A., & Lawsirirat, C. (2006). Strategically optimum maintenance of monitoring-enabled
multi-component systems using continuous-time jump deterioration models. Journal of
Quality in Maintenance Engineering, 12(3), 306-329.
Haraldsson, P. (2004). Approaching complexity within a hydro power plant. Singapore (Vol. 2,
pp. 1345-1350)Institute of Electrical and Electronics Engineers Inc., New York, NY
10016-5997, United States.
Hosmer, D. W., & Lemeshow, S. (1999). Applied Survival Analysis: Regression Modeling of
Time to Event Data: John Wiley & Sons, Inc.
Jansen, J., & Van Der Duyn Schouten, F. (1995). Maintenance optimization on parallel
production units. IMA Journal of Mathematics Applied in Business and Industry, 6(1),
113-113.

192
Jayabalan, V., & Chaudhuri, D. (1992). Optimal maintenance. Replacement policy under
imperfect maintenance. Reliability Engineering and System Safety, 36(2), 165-169.
Jhang, J.-P., & Sheu, S.-H. (2000). Optimal age and block replacement policies for a multicomponent system with failure interaction. International Journal of Systems Science,
31(5), 593-603.
Jiang, R., & Jardine, A. K. S. (2005). Two optimization models of the optimum inspection
problem. Journal of the Operational Research Society, 56(10), 1176-1183.
Jones, D. R., Perttunen, C. D., & Stuckman, B. E. (1993). Lipschitzian optimization without the
Lipschitz constant. Journal of Optimization Theory and Applications, 79(1), 157-181.
Kahle, W. (2007). Optimal maintenance policies in incomplete repair models. Recent Adances in
Theory and Applications of Stochastic Point Process Models in Reliability Engineering:
Reliability Engineering and System Safety, 92(5), 563-565.
Kalbfleisch, J. D., & Prentice, R. L. (1981). Estimation of the average hazard ratio. Biometrika,
68(1), 105-112.
Kececioglu, D., & Sun, F.-B. (1995). General discrete-time dynamic programming model for the
opportunistic replacement policy and its application to ball-bearing systems. Reliability
Engineering & System Safety, 47(3), 175-185.
Kiessler, P. C., Klutke, G. A., & Yoonjung, Y. (2002). Availability of periodically inspected
systems subject to Markovian degradation. Journal of Applied Probability, 39(4), 700711.

193
Kijima, M., Morimura, H., & Suzuki, Y. (1988). Periodical replacement problem without
assuming minimal repair. European Journal of Operational Research, 37(2), 194-203.
Kijima, M., & Nakagawa, T. (1992). Replacement policies of a shock model with imperfect
preventive maintenance. European Journal of Operational Research, 57(1. Feb 25), 100110.
Kim, H., Hayashi, Y., & Nara, K. (1995). Performance of hybridized algorithm of GA SA and TS
for thermal unit maintenance scheduling. Perth, Aust (Vol. 1, pp. 114-119)IEEE,
Piscataway, NJ, USA.
Kim, H., Hayashi, Y., & Nara, K. (1997). Algorithm for thermal unit maintenance scheduling
through combined use of GA SA and TS. IEEE Transactions on Power Systems, 12(1),
329-335.
Klutke, G.-A., & Yang, Y. (2002). The availability of inspected systems subject to shocks and
graceful degradation. IEEE Transactions on Reliability, 51(3), 371-374.
Kordonsky, K. B., & Gertsbakh, I. B. (1993). Choice of the best time scale for system reliability
analysis. European Journal of Operational Research, 65(2), 235-246.
Kordonsky, K. B., & Gertsbakh, I. B. (1995). System state monitoring and lifetime scales - I.
Reliability Engineering & System Safety, 47(1), 1-14.
Koshimae, H., Dohi, T., Kaio, N., & Osaki, S. (1996). Graphical/statistical approach to repair
limit replacement problem. Journal of the Operations Research Society of Japan, 39(2),
230-246.

194
Kralj, B. L., & Petrovic, R. (1988). Optimal Preventive Maintenance Scheduling of Thermal
Generating Units in Power Systems: A Survey of Problem Formulations and Solution
Methods. European Journal of Operational Research, 35(1), 1-15.
Krishnasamy, L., Khan, F., & Haddara, M. (2005). Development of a risk-based maintenance
(RBM) strategy for a power-generating plant. Journal of Loss Prevention in the Process
Industries, 18(2), 69-81.
Kumar, D. (2000). Maintenance Scheduling Using Monitored Parameter Values. Massachusetts:
Kluwer Academic Publishers.
Lam, C. T., & Yeh, R. H. (1994). Optimal replacement policies for multistate deteriorating
systems. Naval Research Logistics, 41(3), 303-315.
Legat, V., Zaludova, A. H., Cervenka, V., & Jurca, V. (1996). Contribution to optimization of
preventive replacement. Reliability Engineering and System Safety, 51(3), 259-266.
Lie, C. H., & Chun, Y. H. (1986). An algorithm for preventive maintenance policy. IEEE
Transactions on Reliability, R-35(1), 71-75.
Lim, K. E., Baek, J. S., & Lee, E. Y. (2005). A random shock model for a continuously
deteriorating system. Journal of Quality in Maintenance Engineering, 11(3), 206-215.
Liu, X. G., Makis, V., & Jardine, A. K. S. (1995). Replacement model with overhauls and
repairs. Naval Research Logistics, 42(7), 1063.
Love, C. E., Rodger, A., & Blazenko, G. (1982). Repair limit policies for vehicle replacement.
INFOR. Canadian Journal of Operational Research and Information Processing, 20(2-3),
226-236.

195
Marwali, M. K. C., & Shahidehpour, S. M. (1998a). Deterministic approach to generation and
transmission maintenance scheduling with network constraints. Electric Power Systems
Research, 47(2), 101-113.
Marwali, M. K. C., & Shahidehpour, S. M. (1998b). Integrated generation and transmission
maintenance scheduling with network constraints. IEEE Transactions on Power Systems,
13(3), 1063-1068.
Meeker, W. Q., & Escobar, L. A. (1998). Statistical methods for reliability data. New York:
Wiley.
Mohanta, D. K., Sadhu, P. K., & Chakrabarti, R. (2004). Fuzzy reliability evaluation of captive
power plant maintenance scheduling incorporating uncertain forced outage rate and load
representation. Electric Power Systems Research, 72(1), 73-84.
Mohseni, M. (2003). What does asset management mean to you? , Dallas, TX, USA (Vol. vol.3,
pp. 962-964)IEEE.
Montanari, G. C., Mazzanti, G., & Simoni, L. (2002). Progress in electrothermal life modeling of
electrical insulation during the last decades. IEEE Transactions on Dielectrics and
Electrical Insulation, 9(5), 730-745.
Mukerji, R., Merrill, H. M., Erickson, B. W., Parker, J. H., & Friedman, R. E. (1991). Power
plant maintenance scheduling: Optimizing economics and reliability. IEEE Transactions
on Power Systems, 6(2), 476-483.
Nakagawa, T. (1980a). Optimum inspection policies for a stand by unit. Journal of operations
research society of japan, 23, 13-26.

196
Nakagawa, T. (1980b). Replacement models with inspection and preventive maintenance. 20(4),
427-433.
Nakagawa, T. (1984). Periodic inspection policy with preventive maintenance. Naval Research
Logistics Quarterly, 31(1. Mar), 33-40.
Nakagawa, T. (1986). Periodic and Sequential Preventive Maintenance Policies. Journal of
Applied Probability, 23(2), 536-542.
Nakagawa, T. (1988). Sequential imperfect preventive maintenance policies. IEEE Transactions
on Reliability, 37(3), 295-298.
Nakagawa, T., & Murthy, D. N. P. (1993). Optimal replacement policies for a two-unit system
with failure interactions. RAIRO Recherche Operationelle, 27(4), 427-438.
Nara, K. (2000). State of the arts of the modern heuristics application to power systems.
Piscataway, NJ, USA (Vol. vol.2, pp. 1279-1283)IEEE.
Nemhauser, G. L., & Wolsey, L. A. (c1988). Integer and combinatorial optimization. New York
; Toronto Wiley.
Newby, M. (1994). Perspective on Weibull proportional-hazards models. IEEE Transactions on
Reliability, 43(2), 217-223.
Nguyen, D. G., & Murthy, D. N. P. (1981). Optimal preventive maintenance policies for
repairable systems. Operations Research, 29(6), 1181-1194.
Ouhbi, B., & Limnios, N. (1997). Reliability estimation of semi-Markov systems: A case study.
Reliability Engineering & System Safety, 58(3), 201-204.

197
zekici, S., & Nato. (1996). Reliability and maintenance of complex systems. Berlin, New York:
Springer.
Parker Jr, B. E., Ware, H. A., Wipf, D. P., Tompkins, W. R., Clark, B. R., Larson, E. C., et al.
(2000). Fault diagnostics using statistical change detection in the bispectral domain.
Mechanical Systems and Signal Processing, 14(4), 561-570.
Pham, H. (2003). Handbook of Reliability Engineering.
Pham, H., & Wang, H. (2000). Optimal (τ, T) opportunistic maintenance of a k-out-of-n:G
system with imperfect PM and partial failure. Naval Research Logistics, 47(3), 223-239.
Powell, M. J. D. (1998). Direct search algorithms for optimization calculations. In Acta
numerica, 1998 (7, pp. 287--336). Cambridge: Cambridge Univ. Press.
Ritchken, P., & Wilson, J. G. (1990). (m,T) group maintenance policies. Management Science,
36(5), 632-639.
Ross, S. M. (1996). Stochastic processes. New York :: Wiley.
Ross, S. M. (2000). Introduction to probability models. San Diego :: Harcourt/Academic Press.
Ross, S. M. (2003). Introduction to probability models. San Diego, CA :: Academic Press.
Russell, S. J., & Norvig, P. (2003). Artificial Intelligence: A Modern Approach (2e d.). Upper
Saddle River, NJ: Prentice Hall.
Sanabria, L. A., & Dillon, T. S. (1998). Power system reliability assessment suitable for a
deregulated system via the method of cumulants. International Journal of Electrical
Power and Energy System, 20(3), 203-211.

198
Satoh, T., & Nara, K. (1991). Maintenance scheduling by using simulated annealing method.
IEEE Transactions on Power Systems, 6(2), 850-857.
Satow, T., & Nakagawa, T. (1997). Three replacement models with two kinds of damage.
Microelectronics and Reliability, 37(6), 909-913.
Satow, T., & Osaki, S. (2003). Optimal Replacement Policies for a Two-Unit System with Shock
Damage Interaction. Computers and Mathematics with Applications, 46(7), 1129-1138.
Schreiner, Z. (2004). Asset management optimization -a new approach to protection
maintenance. Amsterdam, Netherlands (Vol. 1, pp. 289-294)Institution of Electrical
Engineers, Stevenage, SG1 2AY, United Kingdom.
Sculli, D., & Wu, S. Y. (1981). Block replacement for units whose components have Weibull life
distributions. Computers & Operations Research, 8(4), 295-302.
Seo, J. H., & Bai, D. S. (2004). An optimal maintenance policy for a system under periodic
overhaul. Mathematical and Computer Modelling, 39(4-5), 373-380.
Shelokar, P. S., Jayaraman, V. K., & Kulkarni, B. D. (2002). Ant algorithm for single and
multiobjective reliability optimization problems. Quality and Reliability Engineering
International, 18(6), 497-514.
Sherwin, D. (2000). A review of overall models for maintenance management. Journal of Quality
in Maintenance Engineering, 6(3), 138-164.
Sheu, S.-H., Griffith, W. S., & Nakagawa, T. (1995). Extended optimal replacement model with
random minimal repair costs. European Journal of Operational Research, 85(3), 636-649.
Sheu, S. H., Kuo, C. M., & Nakagawa, T. (1993). Extended optimal age replacement policy with
minimal repair. RAIRO Recherche Operationelle, 27(3), 337-351.

199

Simoni, L. (1999). A general phenomenological life model for insulating materials under
combined stresses. IEEE Transactions on Dielectrics and Electrical Insulation, 6(2), 250258.
Singpurwalla, N. D., & Wilson, S. P. (1998). Failure models indexed by two scales. Advances in
Applied Probability, 30(4), 1058-1072.
Stephens, C. P., & Baritompa, W. (1998). Global optimization requires global information.
Journal of Optimization Theory and Applications, 96(3), 575-588.
Stinson, J. P., & Khumawala, B. M. (1987). The replacement of machines in a serially dependent
multi-machine production system. International Journal of Production Research, 25(5),
677-688.
Sun, D., Huang, T.-S., Li, G., Sun, F.-X., & Qing, B.-S. (2004). The fault tendency analysis of
hydro-generator based on WNN. Shanghai, China (Vol. 5, pp. 3090-3094)Institute of
Electrical and Electronics Engineers Inc.
The-R-Development-Core-Team. (2008). The R Project for Statistical Computing: The R
Foundation for Statistical Computing.
Torczon, V. (1997). On the Convergence of Pattern Search Algorithms. SIAM journal on
optimization, 07(1), 1-25.
Valdez-Flores, C., & Feldman, R. M. (1989). A survey of preventive maintenance models for
stochastically deteriorating single-unit systems. Naval Research Logistics Quarterly, 36,
419-446.

200
Van Casteren, J. F. L., Bollen, M. H. J., & Schmieg, M. E. (2000). Reliability assessment in
electrical power systems: the Weibull-Markov stochastic model. IEEE Transactions on
Industry Applications, 36(3), 911-915.
Van Dijkhuizen, G., & Van Harten, A. (1997). Optimal clustering of frequency-constrained
maintenance jobs with shared set-ups. European Journal of Operational Research, 99(3),
552-564.
Vergin, R. C., & Scriabin, M. (1977). Maintenance scheduling for multicomponent equipment.
AIIE Transactions, 9(3), 297-305.
Wang, H. (2002). A survey of maintenance policies of deteriorating systems. European Journal
of Operational Research, 139(3), 469-489.
Wildeman, R. E., & Dekker, R. (1997). Dynamic influences in multi-component maintenance.
Quality and Reliability Engineering International, 13(4), 199-207.
Worm, J. M., & Van Harten, A. (1996). Model based decision support for planning of road
maintenance. Reliability Engineering and System Safety, 51(3), 305-316.
Yan, M., Yaowu, S., & Shuhua, W. (2000). Harmonic retrieval based on cross-high-order
cumulant. Piscataway, NJ, USA (Vol. vol.1, pp. 512-518)IEEE.
Yun, C., Chung, T. S., Yu, C. W., Chung, C. Y., Ming, Z., & Xin, S. (2004). Application of
reliability-centered stochastic approach and FMECA to conditional maintenance of
electric power plants in China. Hong Kong, China (Vol. 2, pp. 463-467)Institute of
Electrical and Electronics Engineers Inc., New York, NY 10016-5997, United States.

201
Yun, W. Y., & Bai, D. S. (1987). Cost limit replacement policy under imperfect repair.
Reliability Engineering, 19(1), 23-28.
Zhan, Y., Makis, V., & Jardine, A. K. S. (2003). Adaptive model for vibration monitoring of
rotating machinery subject to random deterioration. Journal of Quality in Maintenance
Engineering, 9(4), 351-375.
Zheng, X., & Fard, N. (1991). A maintenance policy for repairable systems based on
opportunistic failure-rate tolerance. IEEE Transactions on Reliability, 40(2), 237-244.
Zuckerman, D. (1978). Optimal replacement policy for the case where damage process is a one
sided Lvy process. stochastic processes and their applications, 7, 141-151.
Zurn, H. H., & Quintana, V. H. (1975). Generator maintenance scheduling via successive
approximations dynamic programming. IEEE Transactions on Power Apparatus and
Systems, PAS-92(2), 665-671.

202

ANNEXE 1 PLANS DTAILLS POUR LES PROBLMES I VI


Tableau 7.18 : Plan de dpart dtaill avec la stratgie SR0
Groupe
C1 A01
C1 A02
C1 A03
C1 A05
C1 A06
C2 A02
C2 A17
C2 A18
C2 A20
C2 A21
C2 A22
C2 A23
C2 A24
C2 A25
C2 A26
C2 A27
C2 A31
C2 A32
C2 A34
C2 A36
C2 A37
C2 A38
C6 A31
C6 A32
C6 A33
C6 A34
C6 A35
C6 A36
C2 A04
C2 A03
C4 A01
C4 A02
C4 A03
C4 A04
C4 A05
C4 A06
C4 A07
C4 A08

installation T optimal (h) T optimal (ans) IFMGr %


1950-01-01
438000
50
0.04
1950-01-01
438000
50
0.04
1950-01-01
438000
50
0.04
1950-01-01
438000
50
0.04
1950-01-01
438000
50
0.04
1932-01-01
438000
50
29.52
1932-01-01
438000
50
29.52
1932-01-01
438000
50
29.52
1932-01-01
438000
50
29.52
1932-01-01
438000
50
29.52
1932-01-01
438000
50
29.52
1932-01-01
438000
50
29.52
1932-01-01
438000
50
29.52
1932-01-01
438000
50
29.52
1932-01-01
438000
50
29.52
1932-01-01
438000
50
29.52
1932-01-01
438000
50
29.52
1932-01-01
438000
50
29.52
1932-01-01
438000
50
29.52
1932-01-01
438000
50
29.52
1932-01-01
438000
50
29.52
1932-01-01
438000
50
29.52
1975-01-01
438000
50
0.00
1975-01-01
438000
50
0.00
1975-01-01
438000
50
0.00
1975-01-01
438000
50
0.00
1975-01-01
438000
50
0.00
1975-01-01
438000
50
0.00
1978-02-07
438000
50
29.52
1978-03-30
438000
50
29.52
1979-01-01
438000
50
29.32
1979-01-01
438000
50
29.32
1979-01-01
438000
50
29.32
1979-01-01
438000
50
29.32
1979-01-01
438000
50
29.32
1979-01-01
438000
50
29.32
1979-01-01
438000
50
29.32
1979-01-01
438000
50
29.32

Retrait
2007-01-01
2007-01-01
2007-01-01
2007-01-01
2007-01-01
2007-01-01
2007-01-01
2007-01-01
2007-01-01
2007-01-01
2007-01-01
2007-01-01
2007-01-01
2007-01-01
2007-01-01
2007-01-01
2007-01-01
2007-01-01
2007-01-01
2007-01-01
2007-01-01
2007-01-01
2024-12-19
2024-12-19
2024-12-19
2024-12-19
2024-12-19
2024-12-19
2028-01-26
2028-03-17
2028-12-19
2028-12-19
2028-12-19
2028-12-19
2028-12-19
2028-12-19
2028-12-19
2028-12-19

IFM %
65.60
65.60
65.60
65.60
65.60
65.60
65.60
65.60
65.60
65.60
65.60
65.60
65.60
65.60
65.60
65.60
65.60
65.60
65.60
65.60
65.60
65.60
46.37
46.37
46.37
46.37
46.37
46.37
58.17
58.16
56.91
56.91
56.91
56.91
56.91
56.91
56.91
56.91

203
Tableau 7.18 : Plan de dpart dtaill avec la stratgie SR0 (suite)
Groupe
C4 A09
C4 A10
C4 A11
C4 A12
C4 A13
C4 A14
C4 A15
C4 A16
C5 A01
C5 A02
C5 A03
C5 A04
C5 A05
C5 A06
C5 A07
C5 A08
C5 A09
C5 A10
C5 A11
C5 A12
C2 A11
C2 A13
C2 A12
C1 A04
C2 A07
C2 A10
C2 A09
C2 A08
C3 A01
C3 A02
C3 A03
C3 A04
C3 A05
C3 A06
C3 A07
C3 A08
C3 A09
C3 A10
C3 A11
C3 A12

installation T optimal (h) T optimal (ans) IFMGr %


1979-01-01
438000
50
29.32
1979-01-01
438000
50
29.32
1979-01-01
438000
50
29.32
1979-01-01
438000
50
29.32
1979-01-01
438000
50
29.32
1979-01-01
438000
50
29.32
1979-01-01
438000
50
29.32
1979-01-01
438000
50
29.32
1982-01-01
438000
50
33.47
1982-01-01
438000
50
33.47
1982-01-01
438000
50
33.47
1982-01-01
438000
50
33.47
1982-01-01
438000
50
33.47
1982-01-01
438000
50
33.47
1982-01-01
438000
50
33.47
1982-01-01
438000
50
33.47
1982-01-01
438000
50
33.47
1982-01-01
438000
50
33.47
1982-01-01
438000
50
33.47
1982-01-01
438000
50
33.47
1990-03-22
438000
50
29.52
1991-03-03
438000
50
29.52
1992-02-24
438000
50
29.52
1992-03-30
438000
50
0.04
1992-07-21
438000
50
29.52
1992-10-05
438000
50
29.52
1993-08-16
438000
50
29.52
1993-10-01
438000
50
29.52
1994-01-01
438000
50
33.47
1994-01-01
438000
50
33.47
1994-01-01
438000
50
33.47
1994-01-01
438000
50
33.47
1994-01-01
438000
50
33.47
1994-01-01
438000
50
33.47
1994-01-01
438000
50
33.47
1994-01-01
438000
50
33.47
1994-01-01
438000
50
33.47
1994-01-01
438000
50
33.47
1994-01-01
438000
50
33.47
1994-01-01
438000
50
33.47

Retrait
2028-12-19
2028-12-19
2028-12-19
2028-12-19
2028-12-19
2028-12-19
2028-12-19
2028-12-19
2031-12-20
2031-12-20
2031-12-20
2031-12-20
2031-12-20
2031-12-20
2031-12-20
2031-12-20
2031-12-20
2031-12-20
2031-12-20
2031-12-20
2040-03-09
2041-02-18
2042-02-11
2042-03-18
2042-07-09
2042-09-23
2043-08-04
2043-09-19
2043-12-20
2043-12-20
2043-12-20
2043-12-20
2043-12-20
2043-12-20
2043-12-20
2043-12-20
2043-12-20
2043-12-20
2043-12-20
2043-12-20

IFM %
56.91
56.91
56.91
56.91
56.91
56.91
56.91
56.91
80.49
80.49
80.49
80.49
80.49
80.49
80.49
80.49
80.49
80.49
80.49
80.49
72.65
71.47
70.67
70.63
70.28
70.34
73.67
73.75
73.66
73.66
73.66
73.66
73.66
73.66
73.66
73.66
73.66
73.66
73.66
73.66

204
Tableau 7.18 : Plan de dpart dtaill avec la stratgie SR0 (suite)
Groupe
C2 A05
C2 A06
C2 A15
C2 A28
C2 A14
C2 A33
C2 A01
C2 A19
C2 A29
C2 A16
C2 A30
C2 A35

installation T optimal (h) T optimal (ans) IFMGr %


1994-09-13
438000
50
29.52
1994-10-05
438000
50
29.52
1995-08-21
438000
50
29.52
1997-01-06
438000
50
29.52
1997-12-05
438000
50
29.52
1998-11-24
438000
50
29.52
2000-01-12
438000
50
29.52
2001-10-09
438000
50
29.52
2003-01-03
438000
50
29.52
2003-10-17
438000
50
29.52
2005-03-09
438000
50
29.52
2007-01-04
438000
50
29.52

Retrait
2044-08-31
2044-09-22
2045-08-08
2046-12-25
2047-11-23
2048-11-11
2049-12-30
2051-09-27
2052-12-21
2053-10-04
2055-02-25
2056-12-16

IFM %
75.85
75.85
74.73
73.25
72.26
71.07
69.82
67.80
66.58
65.69
64.14
62.05

205
Tableau 7.19: Caractristiques dtailles du plan de retrait du problme I
Groupe
C2 A20
C2 A31
C2 A34
C2 A32
C2 A18
C2 A26
C2 A27
C2 A24
C2 A38
C2 A02
C2 A22
C2 A17
C2 A21
C2 A23
C2 A37
C2 A36
C2 A25
C1 A06
C1 A05
C6 A32
C4 A15
C1 A03
C1 A01
C5 A02
C1 A02
C5 A09
C6 A34
C5 A07
C5 A03
C5 A06
C4 A04
C4 A11
C4 A07
C3 A03

installation T optimal (h) T optimal (ans) IFMGr %


1932-01-01
579549
66.2
10.38
1932-01-01
658225
75.1
4.37
1932-01-01
667354
76.2
3.88
1932-01-01
679206
77.5
3.31
1932-01-01
694958
79.3
2.65
1932-01-01
709390
81
2.14
1932-01-01
723034
82.5
1.73
1932-01-01
741295
84.6
1.27
1932-01-01
756369
86.3
0.97
1932-01-01
764788
87.3
0.83
1932-01-01
770996
88
0.74
1932-01-01
777301
88.7
0.66
1932-01-01
793469
90.6
0.47
1932-01-01
800865
91.4
0.40
1932-01-01
804608
91.9
0.37
1932-01-01
813126
92.8
0.31
1932-01-01
822690
93.9
0.25
1950-01-01
805049
91.9
0.00
1950-01-01
824048
94.1
0.00
1975-01-01
611118
69.8
0.00
1979-01-01
576269
65.8
8.16
1950-01-01
834319
95.2
0.00
1950-01-01
846676
96.7
0.00
1982-01-01
566417
64.7
13.00
1950-01-01
854647
97.6
0.00
1982-01-01
592112
67.6
10.03
1975-01-01
662236
75.6
0.00
1982-01-01
606622
69.2
8.55
1982-01-01
609743
69.6
8.25
1982-01-01
626572
71.5
6.75
1979-01-01
664209
75.8
2.08
1979-01-01
673512
76.9
1.74
1979-01-01
685026
78.2
1.38
1994-01-01
557601
63.7
14.13

Retrait
IFM %
2007-01-01 61.08
2007-02-02 61.11
2008-02-17 60.13
2009-06-25 58.75
2011-04-12 56.75
2012-12-03 54.90
2014-06-25 53.13
2016-07-25 50.60
2018-04-14 48.68
2019-03-31 47.66
2019-12-14 46.98
2020-09-02 46.13
2022-07-08 43.95
2023-05-12 43.07
2023-10-15 42.79
2024-10-04 41.57
2025-11-06 40.31
2041-11-02 19.31
2044-01-03 17.90
2044-09-18 17.56
2044-09-27 18.92
2045-03-06 20.70
2046-08-03 19.81
2046-08-13 20.10
2047-07-01 20.48
2049-07-19 19.24
2050-07-19 19.77
2051-03-15 20.68
2051-07-23 21.62
2053-06-24 21.37
2054-10-09 22.07
2055-11-01 23.95
2057-02-22 25.75
2057-08-11 27.44

206
Tableau 7.20: Caractristiques dtailles du plan amlior des retraits du problme I
Groupe
C1 A01
C1 A02
C2 A20
C2 A34
C1 A03
C2 A23
C1 A05
C2 A37
C2 A32
C2 A36
C1 A06
C2 A18
C2 A25
C2 A21
C2 A02
C2 A22
C2 A26
C2 A31
C2 A17
C2 A27
C2 A38
C2 A24
C4 A16
C4 A05
C4 A10
C4 A06
C4 A09
C1 A04
C4 A01
C4 A07
C4 A02
C5 A06
C4 A08
C4 A04
C5 A12
C4 A11
C5 A01
C5 A09
C5 A07
C2 A03

installation T optimal (h) T optimal (ans) IFMGr %


1950-01-01
360496
41.2
0.90
1950-01-01
356751
40.7
1.02
1932-01-01
579549
66.2
10.38
1932-01-01
667354
76.2
3.88
1950-01-01
510199
58.2
0.00
1932-01-01
671217
76.6
3.69
1950-01-01
516134
58.9
0.00
1932-01-01
674960
77.1
3.51
1932-01-01
679206
77.5
3.31
1932-01-01
683478
78
3.12
1950-01-01
526914
60.2
0.00
1932-01-01
686855
78.4
2.98
1932-01-01
693042
79.1
2.73
1932-01-01
696233
79.5
2.60
1932-01-01
699964
79.9
2.46
1932-01-01
706172
80.6
2.25
1932-01-01
709390
81
2.14
1932-01-01
713283
81.4
2.01
1932-01-01
721386
82.4
1.77
1932-01-01
723034
82.5
1.73
1932-01-01
729489
83.3
1.55
1932-01-01
733192
83.7
1.46
1979-01-01
409858
46.8
34.88
1979-01-01
424772
48.5
31.91
1979-01-01
444892
50.8
28.00
1979-01-01
456564
52.1
25.81
1979-01-01
463912
53
24.46
1992-03-30
358530
40.9
0.96
1979-01-01
478296
54.6
21.90
1979-01-01
490554
56
19.81
1979-01-01
507136
57.90
17.14
1982-01-01
496924
56.7
23.12
1979-01-01
524844
59.9
14.49
1979-01-01
534561
61
13.14
1982-01-01
509459
58.2
21.09
1979-01-01
543864
62.1
11.91
1982-01-01
524690
59.9
18.75
1982-01-01
527288
60.2
18.36
1982-01-01
541798
61.8
16.26
1978-03-30
575532
65.7
10.78

Retrait
2007-01-01
2007-01-01
2007-01-01
2008-02-17
2008-03-15
2008-07-27
2008-11-17
2008-12-30
2009-06-25
2009-12-20
2010-02-09
2010-05-09
2011-01-22
2011-06-04
2011-11-07
2012-07-22
2012-12-03
2013-05-15
2014-04-17
2014-06-25
2015-03-21
2015-08-22
2025-10-03
2027-06-16
2029-10-02
2031-01-31
2031-12-03
2033-02-21
2033-07-25
2034-12-17
2036-11-07
2038-09-09
2038-11-15
2039-12-25
2040-02-13
2041-01-16
2041-11-09
2042-02-25
2043-10-22
2043-11-24

IFM %
61.37
61.37
61.37
61.46
61.50
61.37
61.10
61.30
61.23
60.70
60.85
60.67
60.23
59.86
59.60
59.13
58.75
58.45
57.65
57.52
56.77
56.30
41.21
40.53
39.15
39.73
40.31
41.00
40.69
41.10
41.01
41.45
42.19
43.70
46.06
46.33
47.41
47.94
48.87
49.62

207
Tableau 7.20: Caractristiques dtailles du plan amlior des retraits du problme I (suite)
Groupe
C4 A15
C2 A04
C6 A31
C5 A04
C6 A33
C5 A02
C5 A08
C5 A03
C4 A03
C6 A36
C5 A05
C5 A10
C6 A35
C6 A34
C6 A32
C5 A11
C4 A13
C2 A11
C4 A14
C3 A01
C3 A02
C3 A05
C3 A08
C3 A09
C3 A10
C3 A07
C3 A04
C2 A12
C3 A03
C3 A12
C2 A13
C3 A06

installation T optimal (h) T optimal (ans) IFMGr %


1979-01-01
576269
65.8
8.16
1978-02-07
584462
66.7
9.90
1975-01-01
614258
70.1
0.00
1982-01-01
560758
64
13.72
1975-01-01
624699
71.3
0.00
1982-01-01
566417
64.7
13.00
1982-01-01
569283
65
12.65
1982-01-01
577331
65.9
11.69
1979-01-01
605566
69.1
5.50
1975-01-01
648459
74
0.00
1982-01-01
587689
67.1
10.51
1982-01-01
593903
67.8
9.84
1975-01-01
660397
75.4
0.00
1975-01-01
662236
75.6
0.00
1975-01-01
672768
76.8
0.00
1982-01-01
612641
69.9
7.97
1979-01-01
650157
74.2
2.69
1990-03-22
575532
65.7
10.78
1979-01-01
676299
77.2
1.64
1994-01-01
548869
62.7
15.29
1994-01-01
550108
62.8
15.12
1994-01-01
550866
62.9
15.02
1994-01-01
551223
62.9
14.97
1994-01-01
551223
62.9
14.97
1994-01-01
551223
62.9
14.97
1994-01-01
554498
63.3
14.53
1994-01-01
554938
63.3
14.48
1992-02-24
571954
65.3
11.14
1994-01-01
557601
63.7
14.13
1994-01-01
557805
63.7
14.10
1991-03-03
583635
66.6
9.98
1994-01-01
559661
63.9
13.86

Retrait
2044-09-27
2044-10-10
2045-01-27
2045-12-20
2046-04-07
2046-08-13
2046-12-11
2047-11-11
2048-01-30
2048-12-22
2049-01-16
2049-10-01
2050-05-03
2050-07-19
2051-10-01
2051-11-21
2053-03-02
2055-11-16
2056-02-25
2056-08-12
2056-10-03
2056-11-03
2056-11-18
2056-11-18
2056-11-18
2057-04-04
2057-04-22
2057-05-24
2057-08-11
2057-08-19
2057-09-30
2057-11-05

IFM %
49.75
51.13
51.58
53.58
54.03
54.40
55.46
56.58
58.80
59.75
60.35
62.22
62.12
62.49
63.45
63.87
64.39
64.84
66.06
68.16
69.04
69.23
70.04
70.04
70.04
72.70
72.90
73.04
73.04
73.28
73.97
73.91

208
Tableau 7.21: Caractristiques dtailles du plan des retraits du problme II
Groupe
C1 A01
C1 A02
C2 A20
C2 A34
C2 A23
C2 A36
C2 A25
C2 A18
C2 A26
C1 A05
C1 A03
C2 A31
C2 A24
C2 A02
C1 A06
C2 A22
C2 A21
C2 A37
C2 A32
C4 A05
C2 A27
C2 A17
C2 A38
C6 A34
C2 A04
C1 A04
C4 A08
C4 A04
C4 A11
C4 A15
C6 A35
C5 A02
C2 A03
C4 A03
C3 A08
C3 A10
C5 A09
C5 A07
C5 A03
C3 A06

installation T optimal (h) T optimal (ans) IFMGr %


1950-01-01
327863
37.4
0.06
1950-01-01
348425
39.8
0.01
1932-01-01
578284
66
0.86
1932-01-01
666826
76.1
0.04
1932-01-01
670720
76.6
0.03
1932-01-01
683074
78
0.02
1932-01-01
692703
79.1
0.01
1932-01-01
694631
79.3
0.01
1932-01-01
709147
81
0.00
1950-01-01
564716
64.5
0.00
1950-01-01
574997
65.6
0.00
1932-01-01
737469
84.2
0.00
1932-01-01
741183
84.6
0.00
1932-01-01
764732
87.3
0.00
1950-01-01
607937
69.4
0.00
1932-01-01
770950
88
0.00
1932-01-01
793448
90.6
0.00
1932-01-01
804595
91.8
0.00
1932-01-01
808843
92.3
0.00
1979-01-01
424384
48.4
10.50
1932-01-01
852681
97.3
0.00
1932-01-01
867240
99
0.00
1932-01-01
867240
99
0.00
1975-01-01
532171
60.8
0.00
1978-02-07
519295
59.3
3.43
1992-03-30
398849
45.5
0.00
1979-01-01
516303
58.9
1.22
1979-01-01
533036
60.8
0.70
1979-01-01
542472
61.9
0.49
1979-01-01
575347
65.7
0.12
1975-01-01
619605
70.7
0.00
1982-01-01
564839
64.5
0.80
1978-03-30
606891
69.3
0.37
1979-01-01
605002
69.1
0.02
1994-01-01
477890
54.6
6.68
1994-01-01
477890
54.6
6.68
1982-01-01
590831
67.4
0.32
1982-01-01
605530
69.1
0.18
1982-01-01
608692
69.5
0.16
1994-01-01
510584
58.3
3.44

Retrait
2007-01-01
2007-01-01
2007-01-01
2008-01-26
2008-07-06
2009-12-03
2011-01-08
2011-03-29
2012-11-23
2014-06-03
2015-08-06
2016-02-16
2016-07-20
2019-03-28
2019-05-09
2019-12-12
2022-07-07
2023-10-14
2024-04-08
2027-05-31
2029-04-09
2030-12-07
2030-12-07
2035-09-16
2037-05-05
2037-09-28
2037-11-24
2039-10-22
2040-11-19
2044-08-19
2045-09-06
2046-06-08
2047-06-23
2048-01-07
2048-07-08
2048-07-08
2049-05-26
2051-01-29
2051-06-10
2052-03-31

IFM %
54.80
54.80
54.80
53.80
53.15
50.90
49.35
49.10
46.25
43.62
41.97
41.13
40.48
35.70
35.70
34.77
30.11
28.18
27.54
22.71
22.07
20.14
20.14
15.30
15.53
15.44
15.64
16.68
18.57
18.39
20.52
21.26
22.42
22.58
24.78
24.78
25.55
26.32
27.46
28.02

209
Tableau 7.21: Caractristiques dtailles du plan des retraits du problme II (suite)
Groupe
C5 A06
C2 A33
C2 A08
C6 A31
C4 A07
C6 A33
C3 A03
C4 A12

installation T optimal (h) T optimal (ans) IFMGr %


1982-01-01
625740
71.4
0.07
1998-11-24
478035
54.6
7.12
1993-10-01
537882
61.4
2.33
1975-01-01
711457
81.2
0.00
1979-01-01
684939
78.2
0.00
1975-01-01
721910
82.4
0.00
1994-01-01
555940
63.5
1.05
1979-01-01
692455
79
0.00

Retrait
2053-05-20
2053-06-06
2055-02-09
2056-02-29
2057-02-19
2057-05-09
2057-06-03
2057-12-29

IFM %
28.38
29.49
28.58
29.35
31.48
33.62
34.70
34.84

Tableau 7.22: Caractristiques dtailles du plan amlior des retraits du problme II


Groupe
C1 A01
C1 A03
C2 A20
C2 A34
C1 A02
C2 A23
C1 A05
C2 A37
C2 A32
C2 A36
C1 A06
C2 A25
C2 A18
C2 A02
C4 A05
C2 A26
C4 A09
C2 A27
C2 A21
C2 A31
C2 A24
C5 A11
C4 A01
C2 A22
C4 A07
C1 A04
C5 A01

installation T optimal (h) T optimal (ans) IFMGr %


1950-01-01
251412
28.70
3.00
1950-01-01
251412
28.70
3.00
1932-01-01
416224
47.50
16.23
1932-01-01
666826
76.10
0.04
1950-01-01
510485
58.30
0.00
1932-01-01
670720
76.60
0.03
1950-01-01
516098
58.90
0.00
1932-01-01
674947
77.00
0.03
1932-01-01
679195
77.50
0.02
1932-01-01
683074
78.00
0.02
1950-01-01
526907
60.10
0.00
1932-01-01
692703
79.10
0.01
1932-01-01
694631
79.30
0.01
1932-01-01
699908
79.90
0.01
1979-01-01
294736
33.60
43.34
1932-01-01
709147
81.00
0.00
1979-01-01
309955
35.40
38.92
1932-01-01
723033
82.50
0.00
1932-01-01
728624
83.20
0.00
1932-01-01
737469
84.20
0.00
1932-01-01
741183
84.60
0.00
1982-01-01
320925
36.60
40.45
1979-01-01
348648
39.80
27.93
1932-01-01
770950
88.00
0.00
1979-01-01
360819
41.20
24.66
1992-03-30
251412
28.70
3.00
1982-01-01
348648
39.80
33.05

Retrait
2007-01-01
2007-01-01
2007-01-01
2008-01-26
2008-03-27
2008-07-06
2008-11-16
2008-12-29
2009-06-24
2009-12-03
2010-02-09
2011-01-08
2011-03-29
2011-11-04
2012-08-15
2012-11-23
2014-05-11
2014-06-25
2015-02-13
2016-02-16
2016-07-20
2018-08-11
2018-10-10
2019-12-12
2020-02-29
2020-12-03
2021-10-10

IFM %
54.80
54.80
54.80
54.42
54.28
54.14
53.63
53.78
53.24
52.56
52.55
51.33
51.06
50.18
48.99
49.87
47.74
48.95
47.89
46.42
45.78
42.35
42.98
43.16
42.97
43.43
42.86

210
Tableau 7.22: Caractristiques dtailles du plan amlior des retraits du problme II (suite)
Groupe
C5 A03
C6 A36
C4 A08
C5 A06
C6 A34
C4 A04
C2 A03
C4 A10
C2 A04
C6 A31
C2 A17
C2 A38
C6 A33
C4 A12
C6 A32
C5 A05
C6 A35
C5 A02
C5 A12
C4 A03
C5 A09
C4 A14
C5 A07
C3 A07
C2 A11
C3 A06
C5 A08
C2 A13
C3 A03
C2 A06
C3 A08
C3 A01
C3 A02
C2 A08
C4 A11
C3 A09
C3 A10
C2 A10
C2 A12
C3 A04

installation T optimal (h) T optimal (ans) IFMGr %


1982-01-01
349396
39.90
32.86
1975-01-01
413458
47.20
0.00
1979-01-01
386655
44.10
18.24
1982-01-01
366444
41.80
28.46
1975-01-01
434935
49.70
0.00
1979-01-01
403388
46.00
14.53
1978-03-30
412419
47.10
16.93
1979-01-01
412480
47.10
12.70
1978-02-07
422059
48.20
15.19
1975-01-01
452161
51.60
0.00
1932-01-01
834828
95.30
0.00
1932-01-01
834828
95.30
0.00
1975-01-01
462614
52.80
0.00
1979-01-01
433159
49.40
9.03
1975-01-01
478296
54.60
0.00
1982-01-01
425628
48.60
14.99
1975-01-01
489957
55.90
0.00
1982-01-01
435191
49.70
13.18
1982-01-01
444625
50.80
11.52
1979-01-01
475354
54.30
3.78
1982-01-01
461183
52.60
8.91
1979-01-01
498033
56.90
2.11
1982-01-01
475882
54.30
6.92
1994-01-01
375511
42.90
26.19
1990-03-22
412419
47.10
16.93
1994-01-01
380936
43.50
24.86
1982-01-01
488247
55.70
5.49
1991-03-03
412419
47.10
16.93
1994-01-01
393880
45.00
21.78
1994-10-05
387245
44.20
21.90
1994-01-01
396860
45.30
21.10
1994-01-01
401423
45.80
20.07
1994-01-01
403479
46.10
19.61
1993-10-01
408234
46.60
17.72
1979-01-01
542472
61.90
0.49
1994-01-01
412397
47.10
17.68
1994-01-01
413066
47.20
17.54
1992-10-05
428625
48.90
14.06
1992-02-24
441223
50.40
12.03
1994-01-01
425038
48.50
15.10

Retrait
2021-11-10
2022-03-02
2023-02-09
2023-10-21
2024-08-13
2025-01-06
2025-04-16
2026-01-20
2026-04-01
2026-08-01
2027-03-27
2027-03-27
2027-10-10
2028-05-31
2029-07-25
2030-07-22
2030-11-22
2031-08-24
2032-09-21
2033-03-24
2034-08-11
2035-10-25
2036-04-15
2036-11-02
2037-04-08
2037-06-16
2037-09-12
2038-03-20
2038-12-07
2038-12-08
2039-04-10
2039-10-17
2040-01-11
2040-04-26
2040-11-19
2041-01-17
2041-02-14
2041-08-28
2042-06-25
2042-06-27

IFM %
43.64
44.69
44.18
45.30
45.73
45.95
48.04
47.74
49.23
48.85
49.39
49.39
49.94
49.67
50.44
50.35
51.15
50.60
51.40
51.28
50.82
51.53
52.40
53.19
53.01
52.84
52.86
53.10
52.60
53.06
52.95
52.64
54.19
54.84
54.18
55.21
55.51
55.57
54.66
54.81

211
Tableau 7.22: Caractristiques dtailles du plan amlior des retraits du problme II (suite)
Groupe
C2 A15
C2 A05
C3 A11
C2 A09
C4 A15
C3 A05
C2 A14
C5 A04
C4 A16
C2 A28
C2 A07
C2 A33
C4 A02
C3 A12
C2 A19
C2 A01
C4 A06
C2 A16
C2 A30
C2 A29
C2 A35
C5 A10
C4 A13

installation T optimal (h) T optimal (ans) IFMGr %


1995-08-21
412419
47.10
16.93
1994-09-13
427098
48.80
14.32
1994-01-01
436480
49.80
12.95
1993-08-16
444831
50.80
11.48
1979-01-01
575347
65.70
0.12
1994-01-01
444042
50.70
11.62
1997-12-05
414133
47.30
16.62
1982-01-01
560758
64.00
0.91
1979-01-01
588124
67.10
0.06
1997-01-06
436427
49.80
12.78
1992-07-21
477243
54.50
7.21
1998-11-24
429417
49.00
13.93
1979-01-01
604372
69.00
0.03
1994-01-01
475680
54.30
6.95
2001-10-09
412419
47.10
16.93
2000-01-12
432540
49.40
13.41
1979-01-01
618592
70.60
0.01
2003-10-17
412755
47.10
16.87
2005-03-09
405069
46.20
18.32
2003-01-03
437042
49.90
12.68
2007-01-04
423103
48.30
15.01
1982-01-01
642520
73.30
0.03
1979-01-01
682569
77.90
0.00

Retrait
2042-09-07
2043-06-03
2043-10-17
2044-05-14
2044-08-19
2044-08-27
2045-03-03
2045-12-20
2046-02-03
2046-10-20
2046-12-30
2047-11-19
2047-12-12
2048-04-07
2048-10-26
2049-05-16
2049-07-26
2050-11-17
2051-05-24
2052-11-11
2055-04-05
2055-04-19
2056-11-12

IFM %
54.93
54.45
56.00
55.66
55.40
56.61
58.79
57.84
58.52
58.60
60.28
59.73
59.78
60.43
61.86
61.16
61.00
60.43
59.80
57.91
55.44
55.54
55.32

212
Tableau 7.23: Caractristiques dtailles du plan de retrait du problme III
Groupe
C1 A01
C2 A24
C2 A20
C1 A03
C2 A02
C1 A02
C2 A22
C1 A05
C2 A21
C2 A32
C2 A27
C2 A26
C2 A37
C2 A17
C1 A06
C2 A34
C2 A23
C2 A36
C2 A31
C2 A38
C2 A18
C2 A25

installation Toptimal (h) Toptimal (ans) IFMGr %


1950-01-01
219000
25
17.9
1932-01-01
526588
60.1
16.38
1932-01-01
659420
75.3
4.3
1950-01-01
510333
58.3
0
1932-01-01
671186
76.6
3.69
1950-01-01
516001
58.9
0
1932-01-01
676049
77.2
3.46
1950-01-01
523091
59.7
0
1932-01-01
682975
78
3.14
1932-01-01
687795
78.5
2.94
1932-01-01
693690
79.2
2.7
1932-01-01
696157
79.5
2.61
1932-01-01
701787
80.1
2.4
1932-01-01
703390
80.3
2.34
1950-01-01
546089
62.3
0
1932-01-01
708674
80.9
2.16
1932-01-01
720834
82.3
1.79
1932-01-01
733932
83.8
1.44
1932-01-01
736792
84.1
1.37
1932-01-01
771429
88.1
0.73
1932-01-01
771552
88.1
0.73
1932-01-01
801661
91.5
0.4

Retrait
2007-01-01
2007-01-01
2007-03-23
2008-03-20
2008-07-26
2008-11-12
2009-02-13
2009-09-03
2009-11-29
2010-06-18
2011-02-18
2011-06-01
2012-01-22
2012-03-28
2012-04-18
2012-11-04
2014-03-25
2015-09-22
2016-01-19
2020-01-01
2020-01-07
2023-06-14

IFM %
61.33
61.33
61.58
61.09
60.79
60.78
60.8
60.4
60.24
60.03
59.44
59.63
59.08
58.96
59.03
58.41
56.75
55.09
54.77
49.33
49.48
44.55

213
Tableau 7.24: Plan Pareto-optimal du problme IV
Groupe
C1 A01
C1 A02
C2 A20
C2 A34
C1 A03
C2 A23
C2 A37
C2 A32
C2 A36
C1 A05
C2 A25
C2 A18
C2 A02
C1 A06
C2 A22
C2 A26
C2 A27
C2 A21
C2 A31
C2 A24
C2 A17
C2 A38
C4 A10
C4 A05
C4 A02
C4 A06
C4 A01
C4 A12
C4 A08
C4 A04
C5 A12
C4 A11
C5 A01
C4 A07
C5 A07
C4 A15
C5 A05
C5 A04
C5 A02
C2 A04

installation Toptimal (h) Toptimal (ans) IFMGr %


1950-01-01
360496
41.20
0.90
1950-01-01
348648
39.80
1.30
1932-01-01
579549
66.20
10.38
1932-01-01
667354
76.20
3.88
1950-01-01
510199
58.20
0.00
1932-01-01
671217
76.60
3.69
1932-01-01
674960
77.10
3.51
1932-01-01
679206
77.50
3.31
1932-01-01
683478
78.00
3.12
1950-01-01
532340
60.80
0.00
1932-01-01
693042
79.10
2.73
1932-01-01
694958
79.30
2.65
1932-01-01
699964
79.90
2.46
1950-01-01
543120
62.00
0.00
1932-01-01
706172
80.60
2.25
1932-01-01
709390
81.00
2.14
1932-01-01
723034
82.50
1.73
1932-01-01
728645
83.20
1.58
1932-01-01
737592
84.20
1.36
1932-01-01
741295
84.60
1.27
1932-01-01
770004
87.90
0.76
1932-01-01
770004
87.90
0.76
1979-01-01
412480
47.10
34.35
1979-01-01
424772
48.50
31.91
1979-01-01
442312
50.50
28.49
1979-01-01
456564
52.10
25.81
1979-01-01
478296
54.60
21.90
1979-01-01
498053
56.90
18.58
1979-01-01
516741
59.00
15.68
1979-01-01
534561
61.00
13.14
1982-01-01
509459
58.20
21.09
1979-01-01
543864
62.10
11.91
1982-01-01
524690
59.90
18.75
1979-01-01
555378
63.40
10.48
1982-01-01
541798
61.80
16.26
1979-01-01
576269
65.80
8.16
1982-01-01
555277
63.40
14.43
1982-01-01
560758
64.00
13.72
1982-01-01
566417
64.70
13.00
1978-02-07
607944
69.40
7.81

Retrait
2007-01-01
2007-01-01
2007-01-01
2008-02-17
2008-03-15
2008-07-27
2008-12-30
2009-06-25
2009-12-20
2010-09-23
2011-01-22
2011-04-12
2011-11-07
2011-12-17
2012-07-22
2012-12-03
2014-06-25
2015-02-14
2016-02-22
2016-07-25
2019-11-03
2019-11-03
2026-01-20
2027-06-16
2029-06-16
2031-01-31
2033-07-25
2035-10-26
2037-12-12
2039-12-25
2040-02-13
2041-01-16
2041-11-09
2042-05-10
2043-10-22
2044-09-27
2045-05-06
2045-12-20
2046-08-13
2047-06-16

IFM %
61.37
61.37
61.37
61.21
61.25
61.13
60.90
60.39
60.12
59.63
59.77
59.61
59.16
59.34
58.66
58.28
56.56
55.78
54.80
54.33
49.89
49.89
40.89
40.67
39.71
39.47
38.23
37.54
37.22
37.47
39.83
40.10
41.74
42.15
43.59
44.01
45.46
46.23
46.59
47.77

214
Tableau 7.24: Plan Pareto-optimal du problme IV (suite)
Groupe
C4 A03
C5 A08
C5 A09
C1 A04
C4 A14
C5 A03
C4 A13
C5 A06
C5 A11
C3 A08
C6 A31
C3 A04
C6 A33
C3 A03

installation Toptimal (h) Toptimal (ans) IFMGr %


1979-01-01
605566
69.10
5.50
1982-01-01
585489
66.80
10.75
1982-01-01
592112
67.60
10.03
1992-03-30
510708
58.30
0.00
1979-01-01
627681
71.70
3.93
1982-01-01
609743
69.60
8.25
1979-01-01
650157
74.20
2.69
1982-01-01
626572
71.50
6.75
1982-01-01
645053
73.60
5.32
1994-01-01
543120
62.00
16.08
1975-01-01
711494
81.20
0.00
1994-01-01
554938
63.30
14.48
1975-01-01
721935
82.40
0.00
1994-01-01
557601
63.70
14.13

Retrait
2048-01-30
2048-10-16
2049-07-19
2050-07-03
2050-08-09
2051-07-23
2053-03-02
2053-06-24
2055-08-03
2055-12-17
2056-03-01
2057-04-22
2057-05-10
2057-08-11

IFM %
47.92
49.31
49.59
50.76
51.56
51.97
53.28
54.28
54.95
55.30
55.52
56.93
57.45
58.90

215
Tableau 7.25: Plan de retraits optimal pour le problme V
Groupe
C1 A06
C2 A17
C2 A20
C1 A05
C2 A37
C2 A27
C2 A25
C1 A03
C2 A31
C2 A24
C1 A01
C2 A34
C2 A32
C1 A02
C2 A02
C2 A22
C2 A21
C2 A23
C2 A36
C2 A26
C2 A30
C2 A18
C2 A38
C2 A35

installation Toptimal (h) Toptimal (ans) IFMGr %


1950-01-01
219000
25.00
0.00
1932-01-01
581624
66.40
0.00
1932-01-01
610289
69.70
0.00
1950-01-01
506325
57.80
0.00
1932-01-01
666264
76.10
0.00
1932-01-01
670047
76.50
0.00
1932-01-01
672768
76.80
0.00
1950-01-01
516359
58.90
0.00
1932-01-01
677171
77.30
0.00
1932-01-01
684338
78.10
0.00
1950-01-01
528457
60.30
0.00
1932-01-01
686282
78.30
0.00
1932-01-01
697504
79.60
0.00
1950-01-01
543120
62.00
0.00
1932-01-01
702052
80.10
0.00
1932-01-01
706642
80.70
0.00
1932-01-01
723041
82.50
0.00
1932-01-01
728388
83.10
0.00
1932-01-01
737223
84.20
0.00
1932-01-01
737592
84.20
0.00
2005-03-09
219000
25.00
0.00
1932-01-01
867240
99.00
0.00
1932-01-01
867240
99.00
0.00
2007-01-04
219000
25.00
0.00

Retrait
IFM %
2007-01-01 0.71
2007-01-01 0.71
2007-01-01 0.71
2007-10-05 1.33
2008-01-03 1.57
2008-06-08 1.59
2008-09-30 1.69
2008-11-26 1.89
2009-04-01 1.98
2010-01-25 1.60
2010-04-15 1.76
2010-04-16 2.15
2011-07-27 1.39
2011-12-17 1.44
2012-02-02 1.74
2012-08-11 1.64
2014-06-25 0.80
2015-02-03 0.85
2016-02-06 0.74
2016-02-22 1.07
2030-03-03 0.00
2030-12-07 0.26
2030-12-07 0.26
2031-12-23 0.61

216
Tableau 7.26: Plan de retraits dtaill pour le problme VI
Groupe
C2 A20
C2 A32
C2 A18
C2 A26
C2 A27
C2 A25
C2 A31
C2 A24
C2 A34
C2 A38
C2 A02
C2 A22
C2 A17
C2 A21
C2 A23
C2 A36
C2 A37
C1 A06
C1 A03
C1 A01
C1 A02
C1 A05

installation Toptimal (h) Toptimal (ans) IFMGr %


1932-01-01
739937
84.50
0.00
1932-01-01
762328
87.00
0.00
1932-01-01
776394
88.60
0.00
1932-01-01
788610
90.00
0.00
1932-01-01
799695
91.30
0.00
1932-01-01
802416
91.60
0.00
1932-01-01
806819
92.10
0.00
1932-01-01
813986
92.90
0.00
1932-01-01
815930
93.10
0.00
1932-01-01
825422
94.20
0.00
1932-01-01
831700
94.90
0.00
1932-01-01
836290
95.50
0.00
1932-01-01
840920
96.00
0.00
1932-01-01
852689
97.30
0.00
1932-01-01
858036
97.90
0.00
1932-01-01
867240
99.00
0.00
1932-01-01
867240
99.00
0.00
1950-01-01
811954
92.70
0.00
1950-01-01
840479
95.90
0.00
1950-01-01
852577
97.30
0.00
1950-01-01
867240
99.00
0.00
1950-01-01
867240
99.00
0.00

Retrait
IFM %
2016-05-29 0.00
2018-12-18 0.11
2020-07-26 0.22
2021-12-17 0.30
2023-03-24 0.37
2023-07-16 0.63
2024-01-15 0.79
2024-11-09 0.79
2025-01-29 1.03
2026-02-28 0.84
2026-11-17 0.86
2027-05-27 0.95
2027-12-06 1.02
2029-04-09 0.73
2029-11-18 0.81
2030-12-07 0.71
2030-12-07 0.71
2042-08-17 0.00
2045-11-17 0.09
2047-04-06 0.27
2048-12-07 0.32
2048-12-07 0.32