Vous êtes sur la page 1sur 30

G

en
eration dindicateurs de maintenance par une
approche semi-param
etrique et par une approche
markovienne
Pascal Vrignat, Manuel Avila, Florent Duculty, Sebastien Aupetit, Mohamed
Slimane, Frederic Kratz

To cite this version:


Pascal Vrignat, Manuel Avila, Florent Duculty, Sebastien Aupetit, Mohamed Slimane, et al..
Generation dindicateurs de maintenance par une approche semi-parametrique et par une approche markovienne. Revue Sciences et Maintenance, Association francaise des ingenieurs et
responsables de maintenance (AFIM), 2012, pp.1-28. <hal-00684468>

HAL Id: hal-00684468


https://hal.archives-ouvertes.fr/hal-00684468
Submitted on 2 Apr 2012

HAL is a multi-disciplinary open access


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

Larchive ouverte pluridisciplinaire HAL, est


destinee au depot et `a la diffusion de documents
scientifiques de niveau recherche, publies ou non,
emanant des etablissements denseignement et de
recherche francais ou etrangers, des laboratoires
publics ou prives.

Gnration d'indicateurs de maintenance par une approche semiparamtrique et par une approche markovienne
Pascal Vrignat* - Manuel Avila* - Florent Duculty* - Sbastien Aupetit** - Mohamed
Slimane** - Frdric Kratz***
* Laboratoire PRISME Ple IRAUS - Equipe MCDS Universit dOrlans
IUT de lIndre 2 avenue Franois Mitterrand
36000 Chteauroux
{pascal.vrignat, manuel.avila, florent.duculty}@univ-orleans.fr
** Universit Franois Rabelais Tours Laboratoire dInformatique
Polytech'Tours - 64 avenue Jean Portalis
37200 Tours
{sebastien.aupetit, mohamed.slimane}@univ-tours.fr
*** Institut PRISME Equipe MCDS Universit dOrlans
ENSI - 88 boulevard Lahitolle
18020 Bourges Cedex
frederic.kratz@ensi-bourges.fr
RSUM. Les stratgies de maintenance et leurs valuations demeurent une proccupation particulirement
forte au sein des entreprises aujourdhui. Les enjeux socio-conomiques dpendant de la comptitivit de
chacune dentre elles sont de plus en plus troitement lis lactivit et la qualit des interventions de
maintenance. Une suite dvnements particuliers peut, ventuellement, informer lexpert dune panne
prochaine. Notre tude tente dapprhender cette signature laide dun modle de Markov cach. Nous
proposons lexpert deux stratgies sur lestimation du niveau de dgradation du systme maintenu. La
premire stratgie consiste utiliser des lois de dgradation non paramtriques. La deuxime stratgie
consiste utiliser une approche markovienne.
ABSTRACT. Today, maintenance strategies and their analyses remain a worrying problem for companies.
Socio economic stakes depending on competitiveness of each strategy are even more linked to activity and
quality of maintenance interventions. A series of specific events can eventually warn the expert of an
imminent breakdown. Our study aims at understanding this signature thanks to an hidden Markov model. On
that purpose, two strategies on damage level estimation of maintained system are proposed to expert. The
first one consists in using of non parametric degradation laws. The second one consists in using of an
markovian approach.
MOTS-CLS : diagnostic, gestion de maintenance, valuation, lois de dgradation, chane de Markov cache.
KEYWORDS: diagnosis, maintenance management, assessment, degradation laws, Hidden Markov Model.

Revue Sciences & Maintenance - Volume X n x/anne, pages 1 X

Revue Sciences & Maintenance - Volume X n x/anne

1. Introduction
La maintenance industrielle, qui a pour vocation initiale dassurer le bon fonctionnement des outils de
production, est une fonction stratgique dans les entreprises. Etroitement lie lincessant dveloppement
des technologies, lapparition de nouveaux modes de gestion, la ncessit de rduire les cots de
production dans une conomie de march international, elle est en constante volution. Elle na plus
aujourdhui comme seul objectif de rparer loutil de production mais aussi de prvoir et viter les
dysfonctionnements. Au fil de sa perptuelle adaptation, lactivit des personnels de maintenance a
galement volu, pour combiner comptences technologiques, comptences organisationnelles et
comptences relationnelles. Se rajoute ces diffrentes missions professionnelles, une mission majeure,
indispensable et hirarchiquement suprieure : lexpertise .
Dans lentreprise, la fonction maintenance consiste de moins en moins souvent remettre en tat
loutil de production mais de plus en plus frquemment anticiper ses dysfonctionnements. Larrt ou le
fonctionnement anormal de celui-ci, et le non-respect des dlais qui sen suivent, engendrent des cots que
lentreprise nest plus capable de supporter. Elle ne peut plus attendre que la panne se produise pour y
remdier, mais doit dsormais sorganiser pour procder aux diverses oprations qui permettent de lviter.
Nous sommes ainsi passs dune maintenance curative une maintenance prventive . Ce
phnomne se traduit par la dfinition de plans dactions et dinterventions sur le systme ou processus, par
le remplacement de certains composants en voie de dgradation afin den limiter lusure. Ces actions
prventives taient dans un premier temps effectues de faon systmatique selon des calendriers
prdfinis. Elles permettaient effectivement danticiper les pannes, mais au prix dun alourdissement
important des cots de maintenance. Une nouvelle maintenance se dveloppe aujourdhui grce aux
diffrents travaux de recherche et aux technologies de diagnostic et de contrle utilisant les rseaux de
communication. Cette nouvelle maintenance utilise des techniques de prvision des pannes (par exemple
: lanalyse des vibrations ou des huiles). Ce stade ultime de la maintenance, dite prdictive ou
prventive conditionnelle , permet de remplacer des composants juste avant leur rupture. Le passage de
la maintenance curative la maintenance prdictive nest cependant pas systmatique. Il vise moins
minimiser les cots de maintenance qu les optimiser en fonction des objectifs de production. Il peut ainsi
tre conomiquement rentable dappliquer une maintenance prventive systmatique un processus de
production particulier (par exemple : pour un produit phare forte marge bnficiaire). La maintenance
curative peut savrer la seule conomiquement acceptable pour un autre produit ou quipement sur
lequel lentreprise dispose de lexprience et lhabitude de rparer des pannes. Les entreprises oprent donc
des choix parmi les diffrents types de maintenance, en fonction de nombreux critres techniques,
conomiques, internes et externes tels que la frquence des dfaillances cycliques ou alatoires des
quipements, les aptitudes et comptences du personnel de maintenance ou des sous-traitants, les politiques
et modes dorganisation du travail
Dans cet article, nous montrons quil est possible de proposer lexpert, responsable de la maintenance,
un niveau de dgradation du processus maintenu partir dune collecte dinformations terrain . Une suite
dvnements particuliers peut, ventuellement, informer lexpert dune panne prochaine. Notre tude tente
dapprhender cette signature laide dun modle de Markov cach. Nous proposons lexpert deux
stratgies sur lestimation du niveau de dgradation du systme maintenu. La premire stratgie consiste
utiliser une loi non paramtrique ainsi quune loi semi-paramtrique en vue destimer le niveau de dgradation
du systme. La deuxime stratgie consiste utiliser une approche Markovienne permettant dapporter
lexpert un complment dinformations sur le niveau de dgradation du systme. Enfin, nous proposerons
lexpert diffrentes stratgies de sortie de crise , appliques des modalits de travaux oprationnels en
maintenance. Toutes les propositions sont illustres sur un cas concret correspondant une situation
industrielle relle (systme continu pour lagroalimentaire).

Revue Sciences & Maintenance - Volume X n x/anne

2. Contexte gnral en maintenance


2.1. La maintenance
La fonction maintenance, dont la vocation est dassurer le bon fonctionnement des outils de production,
est maintenant une des fonctions stratgiques majeures dans les entreprises. De manire plus pragmatique,
un systme de production nest performant que si sa finalit, les objectifs qui lui sont attribus, les rsultats
quil fournit et les moyens (financiers, stratgiques, technologiques et humains) quil met en uvre, sont en
parfaite cohrence (Chandler, 1989). Dautres dfinitions de ce concept peuvent tre trouves dans
(Tarondeau et al., 1998) et (Thitart et al., 2001).
Par exemple, les rsultats des performances des entreprises en agroalimentaire (fabrication des pains de
mie, brioches) ou en verrerie (fabrication des plats pour cuisiner, de verres pour boire) dpendent
essentiellement du rendement des machines qui fabriquent les produits. Les fabricants de voitures tiennent
la qualit de leurs produits pour prenniser leur image. Les industries fabriquant des produits de haute
technologie (ordinateurs, vido-projecteurs, tlviseurs) sont dpendantes de la vitesse laquelle leur
produit est commercialisable.

2.2. Evolution de la notion de maintenance


Dans un contexte de concurrence conomique lchelle plantaire, la gestion de la maintenance est loin
dtre stabilise dans un environnement o lautomatisation et le processus de fabrication deviennent de plus
en plus complexes. Daprs (Moubray, 2000), depuis les annes 1940, l'volution de la maintenance peut tre
trace travers trois gnrations (Figure 1).

Figure 1. Evolution de la maintenance depuis 1940

La premire gnration couvre la priode allant jusqu' la seconde guerre mondiale. Pendant cette
priode, les temps d'arrt n'avaient pas beaucoup d'importance. La prvention de la dfaillance de
l'quipement n'tait pas une priorit dans les esprits de la plupart des gestionnaires. La majorit des
quipements taient techniquement plus simples quaujourdhui et de ce fait, fiables et faciles rparer. Par
consquent, les activits de maintenance se rsumaient des routines de nettoyage et de lubrification. Le
besoin de comptences tait galement infrieur ce qu'il est aujourd'hui.
Durant la deuxime gnration, des changements significatifs ont eu lieu. Avec larrive des annes 50, et
une pression de la demande de marchandises, le volume de main-duvre industrielle chute (Boulat et al.,
2007). Cela conduit une mcanisation accrue . Pendant les annes 1950, des machines de tous types
apparaissent en nombre et de plus en plus complexes. Pour maintenir ou augmenter ses performances,
l'industrie commence en dpendre. La gestion des temps d'arrt rentre dans lorientation gnrale de
lorganisation de lentreprise. Cela conduit l'ide que les pannes d'quipements pourraient et devraient tre
vites. Cette ide conduit son tour, la notion de maintenance prventive. Dans les annes 1960, cela
consiste principalement effectuer des rvisions intervalles fixes sur les composants. Le cot de la

Revue Sciences & Maintenance - Volume X n x/anne


maintenance commence augmenter fortement par rapport d'autres cots d'exploitation. Cela conduit la
croissance de la planification de la maintenance et des systmes de contrle.
4

La troisime gnration commence au milieu des annes 70, le processus de changement dans l'industrie
rassemble encore plus de dynamiques et de remises en causes. Ces changements peuvent tre classs
sous les rubriques :
-

nouvelles attentes,

nouvelles recherches,

nouvelles techniques (Moubray, 2000).

La norme FD X 60-000 (AFNOR, 2002) dfinit la maintenance comme lensemble des actions permettant
de maintenir ou de rtablir un bien dans un tat spcifi ou en mesure dassurer un service dtermin.
(Retour et al., 1990) prsentent la fonction maintenance comme un ensemble dactivits regroupes en deux
sous-ensembles : les activits dominante technique et les activits dominante gestion (voir Figure 2).

Figure 2. Le contenu de la fonction maintenance

Le processus fonctionnel de maintenance peut tre dcrit plus en dtail (Despujols, 2004).
La complexification de loutil de production doit relever le double challenge dveloppement durable /
flexibilit et ractivit . Cela ncessite que chacun des sous-processus de production apporte sa propre
contribution lobtention de la performance globale. En ce sens, le processus de Maintien en Conditions
1
Oprationnelles (MCO ) met en oeuvre un ensemble dactivits et de moyens logistiques (ravitaillement,
acquisition et gestion des pices de rechange, oprations de maintenance, outillages, documentation,
formation) dans lobjectif de garantir tout au long de la phase d'exploitation la finalit (produit ou service)
attendue du systme.
(Fleurquin et al., 2006) ont dvelopp une plate-forme logicielle (OPTIMAIN) sorientant principalement
vers llaboration de stratgies de maintenance de systmes complexes en dveloppant une approche de
modlisation combinant optimisation et simulation. Cette plate-forme est capable de prendre en compte le
comportement dynamique des systmes maintenir en tenant compte de leurs fiabilits.

3. Mise en uvre dune politique de maintenance


Dans la dfinition de la maintenance, nous trouvons deux mots-cls : maintenir et rtablir. Le premier fait
rfrence une action prventive, le deuxime fait rfrence laspect correctif. On peut rsumer les
diffrentes politiques de maintenance selon la Figure 3. Une bonne synthse de ces diffrentes stratgies de

le terme MCO est issu du domaine militaire o la matrise chaque instant de la disponibilit et de la scurit des systmes darmes
est capitale. Il est galement utilis depuis quelques temps dans le monde de la tlphonie o des systmes dinformations en tant que
processus permettant de garantir la continuit de service du rseau et la rsolution la plus rapide possible des incidents de
fonctionnement.

Revue Sciences & Maintenance - Volume X n x/anne


maintenance se trouve par exemple dans la thse de (Castanier, 2001) et larticle de (Despujols, 2004). Le
choix d'une politique est parfois impos, comme c'est le cas dans le nuclaire en France. Ainsi, l'optimisation
de la maintenance par la fiabilit dtermine la maintenance prventive optimale. Dans le cas o il n'y a pas de
maintenance prventive, cela revient attendre la dfaillance, c'est--dire une maintenance corrective. De
nombreuses tudes ont montr que les politiques de maintenance prventive (ou plutt mixte) sont souvent
les moins onreuses sur le long terme.
5

Figure 3. Exemple de politiques de maintenance

3.1. Critres de rparation minimale


La dfaillance dun quipement peut tre caractrise par un taux () appel taux de panne. Ce taux est
aussi appel taux de dfaillance, taux de hasard ou taux de mortalit. Il est dfini comme tant la probabilit
conditionnelle que lquipement tombe en panne entre linstant t et t + t sachant quil a survcu jusqu'
linstant t. Il peut aussi tre dfini comme la proportion de composants ayant survcu jusqu linstant t
(quation [1]). Il reprsente galement la vitesse darrive de la panne (Monchy, 1991). On peut noter, que la
variable temps doit tre considre comme une unit dusage. En effet, dans le cas de certains
dispositifs, il convient de considrer : une distance parcourue, un nombre de tours, un nombre de
sollicitations

Revue Sciences & Maintenance - Volume X n x/anne


1 R ( t ) R ( t + t )

R (t )
t

(t ) = lim
t 0

[1]

Avec :
-

R(t) : nombre de composants ayant survcu jusqu linstant t,

R(t+t) : nombre de composants ayant survcu jusqu linstant t+t.

Cette loi sappuie sur le constat que lvolution de la fonction dintensit (t) est dtermine par lefficacit des
oprations de maintenance. En pratique, une activit de maintenance est dite :
minimale si ltat du systme aprs rparation est le mme que celui avant rparation : ABAO2 ((t) =
t ; t0), (Figure 4),
3

parfaite si la maintenance remet le systme neuf : AGAN (t = (t -TNt-) avec TNt- la limite gauche
du processus stochastique N(t)), (Figure 4). Ce type de problme, envisag lorigine par (Hastings, 1969), a
fait lobjet de nombreux dveloppements ultrieurs incluant diverses variantes (Phelps, 1981), (Muth, 1997),
(Meier-Hirmer et al., 2008),
-

nuisible si ltat du systme aprs rparation est moins fiable quavant rparation,

efficace si le systme est remis dans tat moins sujet aux pannes quavant rparation mais moins
bien que le neuf,
amliorative si ltat du systme aprs rparation dispose dune rduction du taux de panne par
rapport au neuf.

Figure 4. Fonction dintensit pour une maintenance ABAO et AGAN (Basile, 2007)

3.2. Maintenance corrective


Cette maintenance est excute aprs dtection d'une panne ou dune dfaillance (Figure 5). Elle est
destine remettre un bien dans un tat dans lequel il peut accomplir une fonction requise. Pratiquement,
cest faire fonctionner sans entretien un systme jusqu la rupture, la panne de ce dernier. Nous
constatons (Figure 5) que les activits de maintenance corrective sont subies et dcoulent directement des
consquences de lapparition dune dfaillance. Ces activits englobent deux types dintervention :
-

2
3

les interventions palliatives qui remettent le systme en tat de fonctionnement provisoire,

As Bad As Old
As Good As New

Revue Sciences & Maintenance - Volume X n x/anne


les interventions curatives permettant de rparer le systme dune manire dfinitive.

C'est une politique de maintenance (dpannage ou rparation) qui correspond une ractivit, des
vnements plus ou moins alatoires et qui s'applique aprs la panne. C'est un choix politique de l'entreprise
qui malgr tout, ncessite la mise en place d'un certain nombre de mthodes qui permettent d'en diminuer les
consquences :
analyse des modes de dfaillance, de leurs effets et de leur criticit (exemple : AMDEC (mthode
permettant de mettre en vidence de faon prospective un certain nombre d'organes ou de machines
critiques pour la scurit ou la fiabilit d'un systme aprs inventaire des dfaillances lmentaires
possibles)),
-

installation d'lments de secours (redondance de matriels),

utilisation de technologies plus fiables,

recherche de mthodes de surveillance les mieux adaptes aux points nvralgiques (mouchards,
capteurs intgrs...),
utilisation de mthodes de diagnostic de pannes (arbre des causes de dfaillances, historique des
pannes, systmes experts...). Ces diffrentes mthodes ne sont pas exposes dans cet article.

Figure 5. Processus de droulement dune maintenance corrective sur un systme ou un quipement

On peut remarquer que depuis linstant t0 jusqu linstant t5, aucune intervention oprationnelle nest
encore engage. Cette dure (t5-t0) devra tre minimise pour amliorer la productivit. Elle pourra tre
diminue par une gestion efficace dune maintenance dite prventive et une analyse de retour dexprience
dans le programme de maintenance. Ce type de maintenance sera rserv du matriel peu coteux, non
stratgique pour la production, et dont la panne aurait peu d'influence sur la scurit ou le processus de
fabrication.

3.3. Maintenance prventive


Dans une stratgie de maintenance globale, il faut tendre vers une diminution des dpannages et des
rparations au profit d'activits d'amlioration mais surtout d'entretien prventif structur. La maintenance
prventive peut se raliser de diverses faons et comprend gnralement :
les routines diverses sur le matriel, les interventions lgres de surveillance, de calibration, les
corrections mineures ou ajustements rguliers. On y inclut galement les rondes de lubrification, de graissage
et les vidanges dans le but de rduire les frottements, l'usure, viter le grippage et conomiser l'nergie,
l'automaintenance , ou la maintenance effectue par les oprateurs de l'quipement. On dit
souvent que ce sont les oprateurs qui connaissent le mieux leur machine, alors pourquoi ne pas tirer des
avantages de ce savoir et leur confier certaines tches qui les responsabilisent vis--vis de leur machine tout
en dchargeant le personnel de maintenance pour des interventions plus spcialises. Cette dmarche
appele galement TPM comprend gnralement les rglages simples prvus par le constructeur au moyen
d'organes accessibles sans aucun dmontage d'quipement, ou les changes d'lments accessibles en
toute scurit,

Revue Sciences & Maintenance - Volume X n x/anne


la maintenance priodique, impliquant un chancier tabli en fonction du temps ou du nombre de
cycles de fonctionnement. Elle comprend un ensemble de tches d'inspection allant d'une simple vrification
visuelle au dmontage de composantes dans le but d'identifier tout signe d'usure, toute dtrioration notable
ncessitant une rparation. Elle comporte galement des tches prdfinies, comme le calibrage, le
nettoyage, l'ajustement, la lubrification Si lon ignore la dure de vie des pices et des composantes de
l'quipement, ces visites priodiques imposent trs souvent des travaux de maintenance dcids sur le
champ ou planifis dans un avenir rapproch,
8

la maintenance systmatique, demandant un suivi rigoureux du nombre d'heures ou de cycles de


fonctionnement. Elle exige cependant une bonne connaissance des dures de vie et des caractristiques de
fiabilit des diffrents composants et sous-ensembles (ils seront remplacs systmatiquement). Ce type de
maintenance est souvent appliqu aux pices critiques d'un quipement dont le cot d'indisponibilit serait
lev.
la maintenance conditionnelle, plutt subordonne un type d'vnement prdtermin (diagnostic,
capteur, signal ou mesure) rvlateur de l'tat de dgradation. Ce type de maintenance est dvelopp grce
une meilleure connaissance de l'quipement, de leur cause et mode de dfaillance tout en pouvant corrler
leurs apparitions avec un phnomne physique enregistrable. Pour cela, nous avons souvent recours aux
analyses prdictives ou prvisionnelles permettant d'estimer la tendance volutive du dysfonctionnement
ventuel. Cette dtection est effectue par un instrument de mesure associant le temps pendant lequel il est
possible de continuer utiliser l'quipement avant la panne : par exemple, l'analyse des huiles, l'analyse des
vibrations, la thermographie
Une tude dARC (Chin, 2006) indique que le cot de la maintenance prdictive sur des valves installes
pour la ptro-chimie peut tre jusqu cinq fois moins lev que la maintenance prventive et 10 fois moins
lev que la maintenance corrective . La Figure 6 montre dune manire trs significative linfluence
budgtaire dans la mise en place de politiques de maintenance (Henry, 2001).

Figure 6. Le budget variable en maintenance Cockerill-Sambre

Une approche efficace est propose (NASA, 2000) dans le cadre dune activit de maintenance base sur
la fiabilit. Lanalyse des politiques de maintenance dans lindustrie du transport arien la fin des annes
4
1960 et au dbut des annes 1970 a conduit au dveloppement du concept RCM . Cette approche est un
concept continu recueillant des donnes de performance sur les systmes. Il utilise ces donnes pour
amliorer la conception et lentretien futur des processus. Ces stratgies dentretien, plutt que dtre
appliques indpendamment, sont intgres pour tirer parti de leurs comptences respectives afin doptimiser
lefficacit tout en minimisant les cots du cycle de vie des processus (voir Figure 7).

Reliability Centered Maintenance

Revue Sciences & Maintenance - Volume X n x/anne

Figure 7. Approche du concept RCM

3.4. Maintenance proactive et opportuniste


La maintenance proactive est un terme pour dsigner le renforcement de la maintenance prventive et
prdictive. Ainsi, dans cette forme de maintenance, la maintenance prdictive est utilise pour reprer les
causes des problmes survenant sur les machines ou les processus. Une implantation prcise et opportune
dun plan d'action est ensuite systmatiquement mise en place. Cette modalit de maintenance fournit
lexpert un moyen pour crer une rduction efficace du temps total de pannes des quipements. En fait, dans
ce type de maintenance, les quipements fonctionnent presque sans subir darrt non planifi ; le temps
5
moyen entre les dfaillances (MTBF ) des quipements est considrablement allong. Lobjectif majeur dune
maintenance proactive est lanalyse de lvolution surveille des paramtres significatifs de la dgradation
du bien, permettant de retarder et de planifier les interventions (Iung et al., 2003), (Leger, 2007). La
surveillance de ces paramtres est ralise dans le cadre dune automatisation industrielle communicante
intgrant les nouvelles technologies et concepts. Le dveloppement des rseaux de communication associs
permet daccder un grand nombre de donnes temps rel existantes et donc den tablir des paramtres
de suivi (Vrignat, 1999), (Vrignat et al., 2008). Les systmes de maintenance proactive reposent parfois sur la
6
technologie M2M , et permettent notamment de mieux grer les consommables. Cette stratgie de
maintenance intgre, aujourdhui, un cadre plus global qui se nomme la e-maintenance. Cette e-maintenance
7
rsulte dune utilisation des TIC , dune nouvelle faon denvisager la production (e-manufacturing) qui
dcoule dune nouvelle faon denvisager le business (e-business) qui dcoule dune nouvelle faon
denvisager le travail (e-work) (Shimon, 2003). (Muller et al., 2008) proposent un point particulirement
complet sur les concepts adopts en e-maintenance avec un large ventail de solutions techniques
oprationnelles.
Le Tableau 1 prsente une tude comparative sur lemploi de diffrentes mthodes dentretien aux EtatsUnis. Cette mise en pratique demande une dcomposition du ou des sous-systmes en lments
maintenables (palier, rducteur de vitesse, contacteur, ...).

Tableau 1. Etude comparative sur lemploi de diffrentes mthodes dentretien aux Etats-Unis (Rinehart,
2006)

La maintenance opportuniste prend en compte les interactions entre les diffrents composants dun
systme (Bouillaut, 2007), (Thomas et al., 2006). Cette stratgie, contrairement aux stratgies prcdentes,
va prendre en compte les interactions entre les composants du systme. Un composant subit une

Mean Time Between Failures


Machine To Machine
7
Technologies de l'Information et de la Communication
6

Revue Sciences & Maintenance - Volume X n x/anne


maintenance prventive s'il a travaill pendant N units de temps. Mais il peut subir un remplacement
prventif lorsque l'on doit effectuer un remplacement prventif ou correctif sur un des composants du systme
et s'il a travaill pendant n units de temps (n<N) (Vergin et al., 1979). Cette politique est avantageuse
lorsquil existe une conomie d'chelle, c'est--dire, lorsque le cot d'une maintenance groupe est infrieur
la somme des cots des actions de maintenance spares pour le critre cot par unit de temps ou lorsqu'il
est possible de raliser plusieurs remplacements la fois pour le critre de disponibilit des matriels et des
hommes.
10

4. Etude de la fiabilit du processus maintenu


Cette tude de la fiabilit est trs souvent utilise par lexpert. Nous prsentons, dans cette section,
quelques distributions de vie qui interviennent le plus frquemment dans lanalyse des donnes de vie et qui
sont communes plusieurs champs disciplinaires. Nous parlerons en particulier des lois continues. Nous
noncerons les principales proprits de ces lois (densit de probabilit, fonctions fiabilit et taux de
dfaillance) ainsi que leur application en fiabilit (Villemeur, 1988), (Birolini, 1997). Les modles de survie
historiquement utiliss sont des modles paramtriques et des modles non-paramtriques risques
proportionnels (Bertholon, 2001).
Une maintenance optimale est relie une prvision de la dure de vie des composants de ces systmes,
prvision qui se fonde en premier lieu sur une analyse fine des donnes de retour dexprience (ou REX).
Plus prcisment, ltude de la dure de vie de tout systme se scinde en deux alternatives distinctes, quil
est important de ne pas confondre et qui ncessitent un travail important de validation de ce REX :
La fiabilit est laptitude dun systme accomplir la fonction laquelle il est dvolu, dans des
conditions dutilisation donnes et pendant un intervalle de temps donn (NF X 60-500, 1988), (NF X, 60-510,
1986) et (NF X, 60-520, 1988). Lingnieur fiabiliste cherche dduire de lvolution temporelle de cette
fiabilit une future stratgie de maintenance. Le type de REX utilis est fonctionnel,
La durabilit est laptitude dun systme accomplir cette fonction, dans des conditions dutilisation et
de maintenance donnes, jusqu ce quun tat limite soit atteint (NF EN 13-306, 2001). On peut
grossirement rsumer la dmarche de lingnieur durabiliste lestimation de la dure de vie restante,
lorsque le systme est en cours de fonctionnement. Une telle tude cherche prendre en compte la
modification des conditions dexploitation, le renouvellement des matriaux, pour en dduire le temps de
bon fonctionnement du systme.

4.1. La loi exponentielle


Cette loi a de nombreuses applications dans plusieurs domaines. Cest une loi simple, trs utilise en
fiabilit dont le taux de dfaillance est constant. Elle dcrit la vie des matriels qui subissent des
dfaillances brutales. La densit de probabilit dune loi exponentielle de paramtre s'crit :

f (t ) = e t

[2]

R (t ) = e t

[3]

La fonction fiabilit scrit :

4.2. La loi normale (Laplace-Gauss)


Cette loi est trs rpandue parmi les lois de probabilit car elle sapplique de nombreux phnomnes. En
fiabilit, la distribution normale est utilise pour reprsenter la distribution des dures de vie de dispositifs en
fin de vie (usure) car le taux de dfaillance est toujours croissant. La densit de probabilit dune loi normale
de moyenne et dcart-type scrit :

11

Revue Sciences & Maintenance - Volume X n x/anne


f (t ) =

1 t

[4]

La fonction de rpartition scrit :


F (t ) =

2 2

[5]

dx

La fiabilit est donne par : R(t) = 1-((t-)/) o est la fonction de rpartition de la loi normale centre
( = 0) rduite ( = 1) :
t

(t ) =

u2
2

[6]

du

4.3. La loi Log-normale (ou de Galton)


Une variable alatoire continue et positive T est distribue selon une loi log-normale si son logarithme
nprien est distribu suivant une loi normale. Cette distribution est largement utilise pour modliser des
donnes de vie, en particulier les dfaillances par fatigue en mcanique. La densit de probabilit dune loi
log-normale de paramtres positifs et scrit :
1 log( t )


1
f (t ) =
e 2
t 2

t >0

[7]

La fonction fiabilit scrit :


log(t )
R (t ) = 1

[8]

: fonction de rpartition de la loi normale rduite

4.4. La loi de Weibull


Pour des composants mcaniques ou lectroniques, on utilise classiquement des lois dont le taux de
dfaillance est une fonction puissance du temps : elles reprsentent trs bien la ralit. On obtient alors
une classe de lois de dfaillance : les lois de Weibull (Antoni et al., 2008). La loi de Weibull caractrise le
comportement du systme dans les trois phases de vie : priode de jeunesse, priode de vie utile et priode
dusure ou vieillissement. Dans sa forme la plus gnrale, la distribution de Weibull dpend des trois
paramtres suivants : , et . La densit de probabilit dune loi de Weibull a pour expression :

f (t ) =

[9]

o : est le paramtre de forme ( > 0) ; est le paramtre dchelle ( > 0) ; est le paramtre de
position ( 0).
La fonction fiabilit scrit :

R (t ) = e
La taux de dfaillance scrit :

[10]

12

Revue Sciences & Maintenance - Volume X n x/anne

t
(t ) =

[11]

Suivant les valeurs de , le taux de dfaillance est soit dcroissant ( < 1) soit constant (= 1), soit
croissant ( > 1). La distribution de Weibull permet donc de reprsenter les trois priodes de la vie d'un
dispositif dcrites par la courbe en baignoire.

4.5. Etude non paramtrique des dures de vie dun processus


4.5.1. Estimateur de Kaplan-Meier
La mthode de Kaplan-Meier, utilise dans un champ disciplinaire large (Pacaut et al., 2007), (Cheuk-Kit
et al., 2007), permet destimer les fonctions de survie, sans que les intervalles de temps ne soient
8
ncessairement rguliers, contrairement la mthode des tables actuarielles . Les courbes de survie
permettent danalyser lvolution de leffectif dune population donne dans le temps. Cette technique
(appele aussi estimateur limite produit) est utilise pour lanalyse de donnes de survie, quil sagisse
dindividus (recherche sur le cancer par exemple), ou de produits (rsistance au temps dun outil de
production). Le premier type dinformation est appel donnes vnement , tandis que le second est
appel donnes censures . S(t) est la fonction de survie, connaissant les donnes (y1,yn), on peut en
fournir lestimation empirique sans biais de Kaplan-Meier :

ni
S n (t ) =

i{1,K, n}, yi <t n i + 1

[12]

o i = 1 si yi est une donne non censure (0 si une donne censure). (Lo et al., 1989) et (Bitouz et al.,
1999) proposent une redfinition de cet estimateur pour une mesure de la concentration de cet estimateur
vis--vis de la distribution relle, dans un cadre non asymptotique.

4.5.2. Analyse dun modle risques proportionnels de Cox


Un modle semi-paramtrique cherche estimer la fonction de survie en tenant compte de linfluence des
facteurs exognes et sans faire aucune hypothse a priori sur la forme de la distribution de base. Le modle
de rgression de Cox est une mthode utile lorsquon veut dterminer limpact de variables explicatives sur le
temps de survie dun processus conomique (Gouriroux, 1989), dun patient dans le cadre dune tude
mdicale (Breslow, 1973), dun systme (Kalbfleisch et al., 2002)...
Ce modle dvelopp par Cox (1972) est bas sur une estimation par maximum de vraisemblance dite
partielle. Le principe du modle de Cox qui se rapproche des mthodes de rgression classique est de relier
la date darrive dun vnement des variables explicatives. Par exemple, dans le domaine mdical, on
cherche valuer limpact dun pr-traitement sur le temps de gurison dun patient. Cette approche se
distingue par son pouvoir destimer la relation entre le taux de dfaillance et les variables explicatives sans
mettre aucune hypothse sur la forme de la fonction de survie de base. Elle est base sur lhypothse des
risques proportionnels (le risque instantan de survenue de lvnement considr scrit comme le produit
dune fonction qui dpend du temps et dune fonction qui dpend uniquement des caractristiques du sujet
tudi) et sapplique toute situation o lon tudie le dlai doccurrence dun vnement. Le modle de Cox
est un modle risque proportionnel, dont le risque de base na pas de forme spcifie et dont le risque
relatif a une forme exponentielle.
Dans les modles risque proportionnel, le risque instantan scrit :

Cette mthode regroupe les observations par intervalles alatoires ou dfinis au pralable. Elle permet destimer et dobtenir une
reprsentation du taux de hasard.

13

Revue Sciences & Maintenance - Volume X n x/anne


1
(t | z, ) = lim P (t < T t + dt | T > t , Z = z ) = 0 (t )f ( z )
dt 0 dt

[13]

avec :

Z = (Z1,...Zp )T : un vecteur de covariables,

: les paramtres estims en deux composants : un risque de base 0 (le risque de base,
inconnu, indpendant de Z), et une fonction ( z, ) ,

f ( z ) : le risque relatif, indpendant du temps.

: le paramtre de rgression, inconnu,

Par exemple : le ratio des risques pour deux individus est indpendant du temps. Les variables
explicatives Z1, ...Z p , quantitatives ou qualitatives sont appeles facteurs pronostics (ge, sexe, traitement,
). Cox (1972) a propos comme modle de survie pour le sujet i :

(t | Zi ) = 0 (t )exp( 1Zi ,1 + ..., p Zi ,p ) = 0 (t )exp( T Zi )


o

0 (t )

est une fonction quelconque qui ne dpend que du temps (risque de base) et

des constantes avec :


0 (t ) (le risque de base inconnu, indpendant de

1 , 2 , p

[14]
sont

Zi ),

= ( 1,... p ) est le paramtre de rgression inconnu,

exp( T Zi ) (le risque relatif, indpendant du temps),

Zi = (Zi ,1,...Zi ,p ) est le vecteur des variables indpendantes.

Si lon note

la fonction de survie de base associe

0 ,

nous avons la relation suivante :

(t | Zi ) = [ 0 (t )] exp( Zi ) , ce qui permet dobtenir une estimation de connaissant lestimation du


T

vecteur

. Pour

estimer les composantes du vecteur

partir dun chantillon ordonn ( y (1) ,...y ( n ) ), on

calcule la fonction de vraisemblance partielle de Cox qui nest autre que (sil ny a pas de donnes
censures) :

L( y (1) ,...y ( n ) ; ) =

i =1

exp( T Zi )
exp( T Zk )

[15]

kR ( y( i ) )

A noter, que cette fonction de vraisemblance partielle reste identique dans le cas de donnes censures
droite.
A noter, par exemple que :

Zi = 1 par rapport ceux pour lesquels Zi = 0 , toutes

exp( i ) : taux relatif des sujets pour lesquels

choses gales par ailleurs,


exp( i ) > 1 : effet nfaste ; exp( i ) = 1 : pas deffet ; exp( i ) < 1 : effet protecteur.

14

Revue Sciences & Maintenance - Volume X n x/anne

5. Tentative dtablissement dun systme daide la dcision dans une approche


9
markovienne : utilisation de modles de Markov cachs (MMC )
Les modles stochastiques sont des reprsentations de systmes dynamiques bases sur les
probabilits. Ltude des processus stochastiques a commenc au dbut du 20me sicle grce un
mathmaticien Russe, Markov Andre Andreevitch. Son tude statistique du langage la conduit formuler
lhypothse markovienne, qui peut se rsumer ainsi : Lvolution future dun systme ne dpend que de son
tat prsent . Autrement dit, cette hypothse implique que ltat courant du systme contient toute
linformation apporte par le pass. Cest donc une hypothse trs forte. En pratique, on constate que de
nombreux systmes enfreignent cette condition. Cependant, en affinant le modle, on peut souvent le rendre
markovien. Des travaux originaux (Meier-Hirmer et al., 2006) montrent quil est possible de modliser, laide
dun processus markovien saut, lusure des pices catnaires pour la SNCF.
Lanalyse des risques des systmes dynamiques par une approche classique markovienne ne considre
que deux tats (Marche/Panne (Arrt)). Entre ltat de marche parfaite et ltat de panne totale, les systmes
industriels prsentent gnralement un grand nombre dtats dgrads qui continuent assurer un service,
mme si celui-ci nest pas gal 100 %. Ces tats dgrads sont donc prendre en compte pour valuer
correctement le niveau de service des systmes industriels et cela est plus particulirement vrai en ce qui
concerne les systmes de production (Signoret, 2009) .
Hypothse : les vnements qui prcdent une panne sont souvent rcurrents. Une suite dvnements
particuliers peut, ventuellement, informer dune panne prochaine. Quelques exemples connus peuvent
illustrer notre hypothse.
En mcanique : un bruit, une vibration prcdent la rupture. Une baisse de performances traduit une
ou des anomalies.
En informatique : un dplacement inopin du pointeur, un ralentissement, un dysfonctionnement
dune application comme un navigateur Internet peuvent traduire la prsence dun virus sur lordinateur
concern.
Notre tude tente dapprhender cette signature laide dun Modle de Markov Cach. Le processus
cach correspondra ltat du systme (ou sous-systme) et les observations seront les informations
observables sur le systme (Figure 8).

Figure 8. Processus observable et processus cach

Nos travaux prsents dans ce chapitre tentent de montrer quil est possible de modliser le niveau de
dgradation dun processus (dit continu ). Les rsultats montrent galement que notre dmarche de
travail, complmentaire aux travaux de (Zille et al., 2007), peut apporter une aide la dcision dans
lorganisation et lvaluation quotidienne de la maintenance (Figure 9).

Modle de Markov Cach

15

Revue Sciences & Maintenance - Volume X n x/anne

Figure 9. Objectif des travaux initis

5.1. Approches markoviennes caches


Les modles de Markov cachs sont une famille doutils mathmatiques probabilistes parfaitement
adapts la modlisation de squences temporelles. C'est au dbut des annes 70 que les modles
markoviens cachs ont vritablement connu leur essor en traitement du signal, essentiellement dans le cadre
de la reconnaissance automatique de la parole. Ceci s'explique en partie par la dcouverte (Baum et al.,
1966) d'une procdure gnrale d'ajustement des paramtres des modles aux caractristiques du signal
reconnatre et d'un algorithme de dcodage (Viterbi, 1967) utilis en thorie de l'information puis adapt par la
suite au dcodage des tats cachs de la chane. Depuis lors, moyennant l'introduction de nouveaux
lments de modlisation, le cadre thorique des modles markoviens cachs s'est considrablement largi
tandis que les approches par MMC se sont gnralises d'autres domaines d'application : les travaux en
reconnaissance de la parole (Schalapbach et al., 2004) ; traitement dimages (Aupetit, 2005) ; biosciences
(Grundy et al., 1997) ; reconnaissance de lcriture (Avila, 1996) Aujourd'hui, les rseaux baysiens
dynamiques peuvent tre perus comme les hritiers des MMCs. La richesse de modlisation est beaucoup
plus importante avec des rseaux baysiens dynamiques dans la mesure o le contexte utilis pour dfinir les
observations peut incorporer plusieurs tats cachs. Ils permettent galement de modliser des processus en
interaction et donc de fusionner diffrents types d'information. Les chanes de Markov caches, tant des
chanes de Markov stationnaires, modlisent des phnomnes alatoires. On suppose que ceux-ci sont
composs, un premier niveau, dun processus alatoire de transition entre des tats inobservables (les
tats cachs) et, un second niveau, dun autre processus alatoire qui, dans chaque tat, engendre des
valeurs observables (appeles observations).

5.2. Outils utiliss


L'objectif de cet article n'est pas de prsenter de faon dtaille les MMCs. Pour les lecteurs intresss
pour en savoir plus, nous vous recommandons de lire les documents (Rabiner, 1989), (Vrignat et al., 2010)
et (Aupetit, 2005). Un processus de MMC peut tre observ travers un autre ensemble de processus qui
produit une suite dobservations. Les tats (S={s1,s2,sk}) sont cachs, mais ils peuvent tre estims
travers des processus stochastiques qui produisent les squences dobservations (O={o1, o2,,oT}). Ces
modles cachs permettent de reprsenter des processus plus complexes que ceux reprsents par des
modles de Markov. Un MMC est dfini par le triplet de matrices not =(A,B,) qui suppose implicitement la
connaissance de N (nombre dtats) et de M (nombre de symboles).
La matrice de distribution des probabilits de transition entre tats est caractrise par :
N

A = {aij = P (S j Si )}; aij = 1


j =1

[16]

16

Revue Sciences & Maintenance - Volume X n x/anne


La matrice de distribution des probabilits de gnration des symboles est caractrise par :
N

B = {bi (oT ) = P (oT Si )}; bi (o j ) = 1

[17]

j =1

La matrice de distribution des probabilits initiales est caractrise par :


N

= { i = P (Si )} ; i = 1

[18]

i =1

L'apprentissage d'un modle de Markov cach consiste estimer son vecteur paramtre sur la base
d'un ensemble de squences dobservation. L'algorithme d'apprentissage le plus communment utilis est
l'algorithme de Baum-Welch (Baum, 1972), lequel est une instance dalgorithmes EM (ExpectationMaximization) applique aux MMCs. Il se fonde sur le critre du Maximum de Vraisemblance. Etant donns
un MMC et une observation o, nous cherchons le MMC * qui a la plus forte probabilit d'engendrer la
squence o. C'est une procdure de r-estimation itrative des matrices A, B et d'un MMC. Etant donns
un modle =(A,B,) quelconque et une squence d'observations O={o1, o2,,oT}, l'algorithme de BaumWelch r-estime les valeurs des matrices A, B et de faon maximiser la vraisemblance de la squence
o : P(O=o|) . Nous obtenons aprs excution de l'algorithme, le MMC * tel que :

* = argmax P (O = o )

[19]

Parmi lensemble des critres utiliss pour lapprentissage dun MMC, le critre de segmental K-means se
dtache des autres. Pour ce critre, nous cherchons optimiser la probabilit P(O,S=Q*|), avec Q*
correspondant la squence dtats cachs qui a le plus probablement engendr la squence telle que
calcule par lalgorithme de Viterbi (Viterbi, 1967). Les grandes difficults de ce critre sont quil nest ni
drivable, ni continu. Par consquent, les mthodes sappuyant sur lalgorithme EM ou les descentes de
gradient ne sont pas utilisables. Il existe toutefois une mthode pour ajuster les paramtres dun modle de
manire maximiser cette probabilit. Cet algorithme appel segmental k-means repose sur lalgorithme
de Viterbi.
Une fois le modle caractris, soit par lalgorithme de Baum-Welch, soit par lalgorithme segmental kmeans, il reste estimer partir de nouvelles squences les tats les plus probables (Figure 10). Pour cela,
nous avons utilis deux algorithmes associs aux modles caractriss prcdemment. Dans une premire
approche, lestimation de ltat le plus probable a t dfinie partir du modle caractris par lalgorithme de
Baum-Welch, associ lalgorithme permettant de calculer la variable Forward dfinie par : soit la probabilit
t (j) ([20]) de gnrer O = {o1, o2,,oT} et de se trouver dans ltat qt linstant t .

t ( j ) = P (o1, o2 ...ot ,Qt = s j )

[20]

Dans une deuxime approche, lestimation de ltat le plus probable a t dfinie partir du modle
caractris par lalgorithme de segmental k-means associ lalgorithme de Viterbi. Cet algorithme pourrait
tre associ un critre pouvant sappeler la recherche du chemin optimal . Nous cherchons trouver
lunique chemin optimal de la suite dtats et donc de maximiser P(Q,O|). Pour cela, nous pouvons dfinir la
probabilit maximale dune squence dtats au temps t se terminant dans ltat qt. Lalgorithme permettant
de rsoudre ce problme est dfini par [21] (Viterbi, 1967).

t ( j ) = max P ( q1, q2 ,...qt , = si , o1...ot )

[21]

q1,q2 ,...qt

5.3. Graphe dtats : choix de la topologie


La topologie dun MMC dpend directement des lments non nuls de la matrice de transition note A. En
particulier, un MMC dont la matrice A est pleine (aucun terme nul) est dite connectivit totale : toutes les
possibilits d'volution sont permises. En pratique, il savre que la matrice A est trs rarement pleine car elle

Revue Sciences & Maintenance - Volume X n x/anne


fixe la topologie et lorientation future de lanalyse du modle choisi. Avant de dcrire les rsultats sur les tests
effectus (paragraphe 6.6), posons-nous la question suivante : Combien de niveaux de vigilance significatifs
et interprtables peut-on choisir ? Force est de constater que dans bon nombre de domaines, les usages et
pratiques utilisent quatre niveaux de vigilance (exemples : renforcement de la politique de prvention des
risques lis aux inondations (Ministre de lcologie et du dveloppement durable 2006) ; plan national
canicule, fortes chaleurs, scurit des lves et des personnels (Ministre de la sant 2004 ; )). Nous
sommes rests sur le constat des pratiques reconnues et efficaces sur quatre niveaux. L'apprentissage de
notre modle (Figure 10) MMC consiste estimer son vecteur paramtre sur la base d'un ensemble de
squences d'observations. La Figure 10 montre galement que le modle choisi permet de situer lestimation
en S1 la seule condition quil y ait eu au pralable un passage obligatoire par les tats S3 et S2. Les
symboles utiliss sont explicits dans lintroduction du paragraphe 6.
17

Figure 10. Modle topologie oriente 4 tats

6. Etude dun processus industriel dans le cadre dune politique de maintenance


prventive
Nous prsentons, dans ce paragraphe, le cas dun processus continu de fabrication de pain de mie. Ce
processus fonctionne toute lanne sans interruption en quipes organises en 3x8. Pour chaque quipe, des
bases de donnes sont disponibles et renseignes conformment aux activits de maintenance
oprationnelle (Tableau 2) dans une politique de maintenance prventive. La Figure 11 dcrit lorganisation
du processus continu.

Figure 11. Principe dorganisation du processus continu tudi

Larrt dun sous-systme engendre larrt total de production en amont de celui-ci. Une maintenance
prventive est donc indispensable. Notre tude porte plus particulirement sur le sous-systme peseuse
volumtrique. Le fonctionnement de cette peseuse volumtrique peut tre assimil au fonctionnement dune
seringue que lon remplirait par un effet de dpression. Lensemble des donnes traites dans notre tude est
er
issu des informations collectes sur les annes 2005, 2006 et 1 trimestre 2007. Le Tableau 3 dcrit la

Revue Sciences & Maintenance - Volume X n x/anne


signification des codes (activits oprationnelles de maintenance) au sein de lentreprise. Dans la suite, nous
tudions ces donnes dans le cadre de nos diffrentes approches.
18

Tableau 2. Exemple de consignation des activits oprationnelles en maintenance sur la peseuse M2

Tableau 3. Activits maintenance recenses par le service maintenance

La base de notre travail sest appuye sur les donnes collectes en 2005 et 2006. Le Tableau 4 est un
extrait des informations collectes, relatives aux activits de maintenance sur la priode retenue (donnes
compltes non censures). A partir de ces donnes, nous avons effectu une tude statistique descriptive
concernant le sous-systme tudi.

Tableau 4. Bilan des informations relatives aux activits de maintenance dans la base de donnes

Les dfinitions des enttes du Tableau 4 sont : CAS : situations de dpannage, D_PRODOK : date
production OK, D_DEP : date apparition dune situation de dpannage, J_DEP : situations entre 2
dpannages (jour), T_xxx (temps pass dans lactivit en min) avec xxx : DEP, RM, AU, OBS, TEP, SEC,
RAN, NET, VEP, J_RAS : temps pass en RAS (jour), EPOQ : poque de lanne (mois).

Figure 12. Rpartition des pannes, mesures de tendance, de dispersion et demplacement

Revue Sciences & Maintenance - Volume X n x/anne


Lors de notre tude de dure de vie, nous tenons compte des situations o la peseuse est tombe en
panne (aucune censure nest adopte dans le traitement des donnes). Aprs une analyse descriptive des
dures de vie de la peseuse, nous aborderons une tude non paramtrique pour estimer sa fiabilit. Il est
noter que lors de ltude des dures de vie de la peseuse, nous ne prenons en compte que les dures de
fonctionnement (Figure 12). La dure moyenne entre deux situations de dpannage o le systme est arrt
est de 5,38 jours. Elle inclut entre deux situations de dpannage toutes autres activits oprationnelles
possibles en maintenance respectant la codification symbolique interne (RM, AU, OBS, , cf Tableau 3).
Lhistogramme (Figure 12) montre que le systme a besoin dtre trs fortement maintenu. Dans 19,27% des
cas, la panne arrive au bout dune journe.

19

6.1. Rsultats par lestimateur de Kaplan-Meier de la fonction de survie du systme


Le Tableau 5 prsente la table de Kaplan-Meier sur les donnes traites. La Figure 13 donne la Fonction
de Survie Cumule (FSC) encadre par un intervalle de confiance 95 %.

J_DEP
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
17
23
27
37

A risque
109
104
83
69
57
47
41
35
26
18
15
12
8
7
6
5
4
3
2
1

Evnements
5
21
14
12
10
6
6
9
8
3
3
4
1
1
1
1
1
1
1
1

Censures
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

Proportion
d'vnements
0,046
0,202
0,169
0,174
0,175
0,128
0,146
0,257
0,308
0,167
0,200
0,333
0,125
0,143
0,167
0,200
0,250
0,333
0,500
1,000

Taux de
survie
0,954
0,798
0,831
0,826
0,825
0,872
0,854
0,743
0,692
0,833
0,800
0,667
0,875
0,857
0,833
0,800
0,750
0,667
0,500
0,000

Tableau 5. Table de Kaplan-Meier pour les annes 2005 et 2006

Figure 13. Fonction de survie cumule par lestimateur de Kaplan-Meier

Fonction de Ecart-type de
la fonction de
survie
cumule
survie
0,954
0,020
0,761
0,041
0,633
0,046
0,523
0,048
0,431
0,047
0,376
0,046
0,321
0,045
0,239
0,041
0,165
0,036
0,138
0,033
0,110
0,030
0,073
0,025
0,064
0,023
0,055
0,022
0,046
0,020
0,037
0,018
0,028
0,016
0,018
0,013
0,009
0,009
0,000
0,000

Revue Sciences & Maintenance - Volume X n x/anne


On pourra noter, que dans cette approche, lexpert dispose dlments qui lui indiquent que la dgradation
du systme suit une loi exponentielle (Figure 13). Pour le systme continu tudi ayant besoin dtre
fortement maintenu , on constate quaprs cinq jours de fonctionnement suite un dpannage, celui-ci a
57% de chance de tomber en panne (estimation mdiane du Tableau 7).
20

6.2. Rsultats de lanalyse dun modle risques proportionnels de Cox


Les valeurs proposes dans la colonne valeur sont les estimations numriques des paramtres du
modle de Cox. Le terme Pr > Khi est une p-valeur dans le test de l'hypothse H0 (paramtre = 0), si cette pvaleur est plus petite que 0,05 (si on prend un risque de 5 %), alors le paramtre sera significativement
diffrent de 0. Ce terme (Pr>Khi) est le seuil de rejet de l'hypothse H0. Cette valeur est dfinie d'une part
par la statistique de Wald (calcule pour chaque variable) et d'autre part par la valeur critique du Khi. Les
valeurs exp( i) sont places dans la colonne Rapport de risque, Rapport de risque borne inf. et sup. .
Le Tableau 6 montre que seule la variable T_SEC a un impact sur le temps de survie du processus
(temps entre deux situations de dpannage). Le coefficient exp( i), pour la borne sup. (95%) est le seul <1
associ au terme (Pr > Khi) < 0,0001. Nous pouvons conclure que plus le temps pass dans lactivit de
maintenance rattache la scurit (code SEC) sera important , plus le temps de survie du processus
sera potentiellement grand.

Tableau 6. Coefficients de rgression du modle risques proportionnels de Cox

La Figure 14 dcrit la fonction de survie cumule en prenant en compte les variables explicatives. Nous
pouvons constater que les rsultats du test de Cox proposent des valeurs plus pessimistes pour la fonction
de survie que dans le cas de lestimateur de Kaplan-Meir (Figure 13).

Figure 14. Fonction de survie cumule par lestimateur de Cox

21

Revue Sciences & Maintenance - Volume X n x/anne

6.3. Premier bilan pour lexpert concernant ltude non paramtrique des dures de
vie
Le Tableau 7 donne un bilan des diffrentes probabilits de tomber en panne en fonction du temps qui
passe. A partir de cette premire approche, lexpert pourra ajuster son niveau de vigilance et dcider ou non
dune intervention de maintenance en fonction de son retour sur exprience et de la probabilit dtre en
panne par rapport la dernire situation de dpannage.

Tableau 7. Probabilit dtre en panne

6.4. Rsultats obtenus par lutilisation de modles de Markov cachs


A partir des donnes dont nous disposions, nous avons travaill dans un premier temps synthtiser le
bilan des observations codifies pour les annes 2005, 2006 et 2007, relevs relats chronologiquement
dans le Tableau 2. Le deuxime temps a consist effectuer un codage symbolique (Figure 15) sur les
natures des interventions (Tableau 3).

Figure 15. Codage symbolique des observations

Le corpus de donnes reprsente 303 interventions en maintenance (Tableau 4) pour lanne 2005, 308
interventions pour lanne 2006 et 70 interventions pour le premier trimestre 2007. Ce volume dactivits
oprationnelles en maintenance ne tient pas compte du code Ras (Tableau 3). Deux types
dchantillonnage des donnes ont t tests. Le premier type a consist tenir compte des donnes
journalires sur lesquelles nous avons insr le code Ras (Tableau 3) dans lempilage des interventions
lorsque le service de maintenance ntait pas sollicit (Figure 16). Ce critre sintgre dans une approche de
management la journe des activits de maintenance. En effet, linsertion de ces symboles permet
dactualiser ltat du modle au moins une fois par jour.

Figure 16. Exemple de codage de la squence

Revue Sciences & Maintenance - Volume X n x/anne


Lchantillonnage retenu pour le deuxime type est de 6 heures (temps maximum entre deux activits de
maintenance). Le modle sera actualis plusieurs fois par jour. Les modalits adoptes pour les diffrents
tests sont reprsentes Figure 17.

22

Figure 17. Modalits adoptes pour les diffrents tests

6.4.1. Rsultats en fonction des deux types dchantillonnage


Notre approche initiale consiste donner un sens trs fort sur lestimation de ltat S2 (ne pas dtecter
la panne, ni trop tard, ni trop tt ce qui pourrait engager sur le terrain des interventions inutiles). Le Tableau 8
(a) montre, pour un exemple, que notre approche est satisfaisante en considrant linsertion journalire. Le
Tableau 8 (b) montre que le passage en S2 de faon prmature ne permet pas une planification optimale
doprations de maintenance.
Les Tableau 9 et Tableau 10 proposent une synthse des rsultats sur la base des deux types
dchantillonnage. Le Tableau 9 montre que le volume du corpus dapprentissage a un impact important sur
la capacit prvoir la panne. Lapprentissage sur 2005 et 2006 donne des rsultats trs encourageants. A
+3 jours, la panne est dtecte dans 85,7% des cas. Si lexpert ne tenait compte que des statistiques, il
pourrait se poser des questions sur larrive possible de la panne 5,38 jours (moyenne statistique sur 2005
et 2006 (Figure 12)). Cette information statistique par dfinition, ntant quun indicateur, ne peut elle seule
rpondre aux exigences de lexpert.

Tableau 8. Rsultats sur une squence partir des deux types dchantillonnage ((a) : insertion journalire,
(b) : chantillonnage 6 heures)

23

Revue Sciences & Maintenance - Volume X n x/anne

Tableau 9. Prdiction de panne : variable Forward

Dans le cas dun apprentissage par lalgorithme segmental k-means, nous constatons quil y a un
talement dans le temps de la prdiction de la panne. Nous ne commenons obtenir un premier chiffre avec
une probabilit de plus de 50% de chance de tomber en panne qu partir de +9 jours (54,5%). Dautre part, le
volume du corpus dapprentissage na pas dimpacts majeurs entre les rsultats. La prdiction par Viterbi
nest pas adapte notre problmatique. En effet, le passage en S2 bien trop prmatur, ne permet pas de
programmer la maintenance. Les lois non paramtriques sont susceptibles de fournir des estimations plus
prcises. Les rsultats du Tableau 9 avec un corpus dapprentissage suffisamment consquent, permettent
dapporter une estimation plus prcise que des lois non paramtriques (Exemple : 3 jours de la panne, un
taux de 85,7% lorsque les symboles potentiellement dgradants pour lestimation du niveau de dgradation
du systme sont observs).

Tableau 10. Prdiction de panne :Viterbi

6.5. Complmentarit des diffrentes approches


Dans la littrature, les lois de dgradation ont dj t largement exploites. Le Tableau 11 permet, sur un
exemple, de faire un point sur la capacit complmentaire des deux approches dveloppes dans cet article.
Lexpert disposant dun tableau de ce type en temps rel pourrait avoir une vision globale sur le niveau de
dgradation du systme partir de diffrents indicateurs. Au 14/01/2007, lestimation du niveau de
re
dgradation est en S2 (1 alarme forte). Les autres indicateurs des modles non paramtriques estiment
que le systme a plus dune chance sur deux de tomber en panne.

24

Revue Sciences & Maintenance - Volume X n x/anne

Tableau 11. Squence complte entre deux activits de dpannage sur lanne 2007

Dans ces conditions, lexpert devrait ragir en fonction des diffrentes contraintes et priorits du terrain en
considrant que sil ne fait rien, il va vers la panne. Deux interventions de travaux prventifs ont t
effectues, suivies de deux journes sans aucune intervention et le processus tombe en panne.
La Figure 18 propose, pour la mme squence, une autre orientation dans la confrontation des deux
approches. Les valeurs numriques des probabilits (Variables Forward) sont tires du Tableau 9. Prenons le
cas o lexpert fixerait les interventions de maintenance partir dune situation o le systme aurait plus de
50% de chance dtre dj tomb en panne. Sil se rfre uniquement aux lois de survie, il pourrait
programmer une intervention ( - 4 jours (temps mesur avant larrive de la panne (le 16/01/2007), Figure
18)). Sil utilisait notre approche MMC, il pourrait programmer une intervention -1 jour. Cette diffrence de
sensibilit peut sexpliquer par le fait que les lois de survie ne tiennent compte que du temps qui passe alors
que notre modle tient compte des observations collectes. Dans ce cas, notre modle a bien identifi la
signature dune panne prochaine.
En considrant linformation S2, lexpert pourrait planifier des interventions de maintenance juste avant la
panne. En effet, on peut supposer que la dgradation serait suffisamment marque pour replanifier si la
situation le permet, les actions de maintenance (Figure 9).

Figure 18. Probabilit de dtecter la panne sur diffrentes simulations (peseuse M2)

Revue Sciences & Maintenance - Volume X n x/anne


Malgr un manque dinformations, le Tableau 12 montre que pour une squence, le modle estime un
niveau de dgradation en S2 par une variation forte de lestimation (passage de 4% 20,2%). Cet exemple
montre que la panne arrive malheureusement la suite. Un seuil dalerte est donc arriv avant que la
panne narrive (ligne n5) confort par les modles non paramtriques.
25

Tableau 12. Squence complte (arrive en DEP) avant passage en S3, S2.

7. Conclusion et perspectives envisages


Dans cet article, aprs un tat des lieux sur les diffrentes approches de la maintenance, nous prsentons
des mthodes non paramtriques dvaluation de ltat dun systme : Kaplan-Meier et Cox. Notre approche
originale base sur des MMCs est ensuite dveloppe. Les tests des diffrentes mthodes sont effectus sur
un cas concret : un systme industriel de production continue de pain.
Notre approche montre que lensemble des rsultats obtenus par cette tude, peut apporter des lments
daide la dcision pour lexpert. Les rsultats montrent que notre systme daide la dcision apporte
une bonne estimation de la probabilit de tomber en panne lorsque lon dispose dobservations. En labsence
dvnements, les lois non paramtriques pourraient prendre le relais. Nous montrons galement que lexpert
disposant dun tel outil danalyse peut tenter de qualifier les interventions de maintenance. Les tests ayant t
effectus a posteriori, nous ne pouvons valuer les effets de la programmation dventuelles actions de
maintenance. Avant denvisager la mise en place en situation relle, nous allons explorer les possibilits de
simulation dun processus sur lequel nous appliquerions une planification dynamique de la maintenance. Les
premires analyses des vnements fournis par les industriels, leur ont permis de conforter leur
connaissance des effets de certaines actions de maintenance (lindicateur peut dans certains cas, informer
sur la qualit des actions de maintenance). Par exemple, laction oprationnelle de maintenance est-elle
ou non bnfique, voir neutre pour le systme ?

8. Bibliographie
[1] AFNOR, Maintenance industrielle - Fonction maintenance, FD X60-000, Mai, 2002.
[2] Antoni M., Meier-Hirmer C. Une tude de la fiabilit des ensembles fonctionnels lectroniques de signalisation
ferroviaire , Matrise des risques et sret de fonctionnement, lm16,1D-3, 2008.
[3] Aupetit S., Contributions aux modles de Markov cachs : Mtaheuristiques d'apprentissage, nouveaux modles et
visualisation de dissimilarit, Thse de doctorat, Universit Franois-Rabelais, Tours, 2005.
[4] Avila M., Optimisation de modles Markoviens pour la reconnaissance de l'crit, Thse de doctorat, Universit de
Rouen, 1996.
[5] Bertholon H., Une modlisation du vieillissement, Thse de doctorat, Universit Joseph Fourier, Grenoble, 2001.

26 Revue Sciences & Maintenance - Volume X n x/anne


[6] Baum L.E., Petrie T., Statistical inference for probabilistic functions of Markov chains, Annals of Math. Statistics, 37,
1966, pp. 1554-1563.
[7] Baum L. E., "An inequality and associated maximisation technique in statistical estimation for probabilistic functions",
Inequalities, 3, 1972, pp. 1-8.
[8] Basile O., Prise en compte de l'incertitude dans les modles fiabilistes de maintenance industrielle. Extension aux
sollicitations variables, Thse de doctorat, Facult Polytechnique de Mons, 2007.
[9] Bitouz D., Laurent B., Massart, P. A Dvoretzky-Kiefer-Wolfowitz type inequality for the Kaplan-Meier estimator,
Annales de lInstitut Henri Poincar, 35, 1999, pp. 735-764.
[10] Birolini, A. Quality and reliability of technical systems, Edition Springer, 1997.
[11] Bouillaut L., Aknin P., Maintenance de lInfrastructure Ferroviaire : Etat Actuel et Perspectives, Ple Diagnostic et
Maintenance des systmes de transport, Forum NTIC&T : Maintenance et Transports, 2007.
[12] Boulat R., Berger F., Les entreprises de biens de consommation sous lOccupation , VIIme colloque
international du Groupement de recherche (GDR) 2539 du CNRS, Tours, Universit Franois Rabelais, 2007.
[13] Breslow N. Applications to clinical trials of multiple regression models for censored survival data, The Scientific
Meeting of the Committee on Controlled Therapeutic Trials of the U.I.C.C, April, 1973.
[14] Chandler A.D.J., Stratgie et structures de l'entreprise, Paris, Editions d'organisation, 1989.
[15] Cheuk-Kit W., Eng Wie T. Survival over 5 years in the initial hospital survivors with acute coronary syndrome: a
comparison between a community hospital and a tertiary hospital in New Zealand, Journal of the New Zealand
Medical Association, vol. 120, n 1261, 2007.
[16] Chin W., Emerging instrumentation trends and impact of plant asset management, 61st Instrumentation
Symposium for the Process Industries, Texas A&M University, College Station, Texas, 2006.
[17] Cox D.R. Regression Models and Life Tables (with Discussion), Journal of the Royal Statistical Society, Series B
34:187-220, 1972.
[18] Despujols A., Approche fonctionnelle de la maintenance , Techniques de l'ingnieur, MT 9 020, 2004.
[19] Fleurquin G., Riane F., Roland B., Dehombreux P., Hou, G., OPTIMAIN : Plate-forme dlaboration de stratgies
de maintenance de systmes complexes, MOSIM06, 2006.
[20] Gouriroux C. Economtrie des variables qualitatives, Paris, Economica, 2me dition, 1989.
[21] Grundy W.N., Bailey T.L., Baker M.E., Meta-MEME : Motif-based Hidden Markov Models of protein families,
Computer applications in the biosciences, 13(4), 1997, pp. 397-406.
[22] Hastings N.A.J, The repair limit method, Operational Research Quarterly, 20, 1969, pp. 337-349.
[23] Henry D., Le budget variable en Maintenance , CEMI, 2001.
[24] Iung B., Morel G., Leger J.B., Proactive maintenance strategy for harbour crane operation improvement, Robotica,
vol.21, 2003, pp. 313-324.
[25] Kalbfleisch J.D., Prentice R. L., The Statistical Analysis of Failure Time Data, 2nd edition, John Wiley & Sons, New
York, 2002.
[26] Leger J.B., Maintenance & Transports : De la e-maintenance de sites industriels la e-maintenance de flottes ,
PREDICT, 2007.
[27] Lo S.H., Mack Y.P., Wang J.L. Density and hazard rate estimation for censored data via strong representation of
the Kaplan-Meier estimator, Probability Theory and Related Fields, 80, 1989, pp. 461-473.
[28] Meier-Hirmer C., Sourget F., Roussignol M., Estimation de la dure de vie des pices catnaires , Journal
europen des systmes automatiss, vol.40, n7, 2006.
[29] Meier-Hirmer C., Pouligny P., Ardeois J., Sibille N., Optimisation de l'utilisation des trains meuleurs pour la
maintenance des voies ferres , Matrise des risques et sret de fonctionnement, lm16, 4A-3, 2008.
[30] Monchy F., La fonction maintenance : Formation la gestion de la maintenance industrielle Collection technologies
de luniversit lindustrie, MASSON, 1991.

27 Revue Sciences & Maintenance - Volume X n x/anne


[31] Moubray J., Reliability Centered Maintenance, May, RCM II Edition, 2000.
[32] Muller A., Crespo Marquez A., Iung B., On the concept of e-maintenance: Review and current research, Reliability
Engeniering and System Safety 93, 2008, pp. 1165-1187.
[33] Muth E.J., An optimal decision rule for repair versus replacement, IEEE Transactions on Reliability, R-26, 1997,
pp. 179-181.
[34] NASA, Reliability Centered Maintenance, Guide for Facilities and Collateral Equipment, February, 2000.
[35] NF EN 13-306 , Terminologie de la maintenance, 2001.
[36] NF X 60-500, Terminologie relative la fiabiliste Maintenabilit Disponibilit, Octobre, 1988.
[37] NF X 60-510, Techniques d'analyse de la fiabilit des systmes - Procdures d'analyse des modes de dfaillance et
de leurs effets, Dcembre, 1986.
[38] NF X60-520, Prvisions des caractristiques de fiabilit, maintenabilit et disponibilit, Mai, 1988.
[39] Pacaut P., Le Bourdais C., Laplante B. Dynamique et dterminants de la participation des femmes au march du
travail aprs la naissance dun enfant au Canada Cahiers qubcois de dmographie, Volume 36, numro 2, 2007,
pp. 249-279.
[40] Phelps R.I., Replacement policies under minimal repair, Journal of the Operational Research Society, 32, 1981,
pp. 549-554.
[41] Rabiner L.R., "A tutorial on hidden Markov models and selected applications in speech recognition", Proceeding of
the IEEE, vol. 77, 1989, pp. 257 286.
[42] Retour D., Bouche M., Plauchu V., O va la maintenance industrielle ? , Problmes conomiques, No. 2.159,
1990, pp. 7-13.
[43] Rinehart N., Rethink your Control valve MAINTENANCE, Chemical Processing, March, 2006.
[44] Schalapbach A., Bunke H., Using HMM-based recognizers for writer identification and verification, Workshop on
frontiers in Handwriting Recognition, Proceeding. 9th International, 2004, pp. 167 - 172.
[45] Shimon Y., Design of effective e-Work: review of models, tools, and emerging challenges, Production Planning and
Control, Volume 14, Number 8, 2003, pp. 681-703.
[46] Signoret J.P., Analyse des risques des systmes dynamiques : approche markovienne, Techniques de
l'ingnieur, SE 4 071, 2009.
[47] Tarondeau J.C. , Lorino P., De la stratgie aux processus stratgiques , Revue Franaise de la gestion, n117,
1998, pp. 5-17.
[48] Thitart R.A., Martinet A.C., Posture paradigmatique et recherche en management stratgique, Vuibert, 2001.
[49] Thomas E., Levrat E., Iung B. and Monnin M., Odds algorithm-based opportunity triggered preventive maintenance
with production policy, 6th IFAC Symposium Safeprocess'06, China, 2006, pp. 835 - 840.
[50] Vergin R.C, Scriabin M., Maintenance scheduling for multicomponent equipment, AIIE Transactions 9, 1979, pp.
297 - 305.
[51] Villemeur A. Sret de fonctionnement des systmes industriels : Fiabilit, Facteurs humains et Informatisation,
Collection EdF - Ed Eyrolles, 1988.
[52] Viterbi A.J., Error bounds for conventionnal codes and asymptotically optimum decoding algorithm, IEEE Trans. on
Information Theory, 13 (1967), pp. 260 - 269.
[53] Vrignat P., Rseaux Locaux Industriels / Cours et Travaux Pratiques, Gatan MORIN Editeur Europe, 1999.
[54] Vrignat P., Begot S., Duculty F., Avila M., Une nouvelle approche de la maintenance "on line" : un cas d'cole ,
Colloque sur l'Enseignement des Technologies et des Sciences de l'Information et des Systmes, CETSIS, 2008.
[55] Vrignat P., Avila M., JC. Bardet J.C, Kratz F., Que peut-on attendre aujourdhui des nouveaux produits
dautomation pour la e-maintenance ? , 13me Colloque National de la Recherche en IUT, CNRIUT, Thionville-Yutz,
2007.

28 Revue Sciences & Maintenance - Volume X n x/anne


[56] Vrignat P., Avila M., F. Duculty, Kratz F., "Towards a maintenance and servicing indicator, In Advances in Production
Management Systems, New Challenges", New Approaches, IFIP, International Federation for Information
Processing, AICT 318, B. Vallespir & T. Alix (Eds), Springer, ISBN 978-3-642-16357-9, pp. 113-120, 2010.
[57] Zille V., Brenguer C., Grall A., Despujols A., Lonchampt J., "Modelling and simulation of complex maintenance
strategies for multi-component systems", Maintenance and facility Management, 2007.