2014 MohammedMehdiBoumarafi

UNIVERSIT DE MONTRAL
MODLE DE RPARATION MINIMALE BAS SUR LACTUALISATION BAYSIENNE

DU TAUX DE DFAILLANCE
MOHAMMED MEHDI BOUMARAFI

DPARTEMENT DE MATHMATIQUES ET DE GNIE INDUSTRIEL
COLE POLYTECHNIQUE DE MONTRAL
MMOIRE PRSENT EN VUE DE LOBTENTION

DU DIPLME DE MATRISE S SCIENCES APPLIQUES
(GNIE INDUSTRIEL)
AVRIL 2014
Boumarafi Mohammed Mehdi, 2014.

UNIVERSIT DE MONTRTAL
COLE POLYTECHNIQUE DE MONTRAL
Ce mmoire intitul :
MODLE DE RPARATION MINIMALE BAS SUR LACTUALISATION

BAYSIENNE DU TAUX DE DFAILLANCE
prsent par : BOUMARAFI Mohammed Mehdi
en vue de lobtention du diplme de : Matrise s sciences appliques
a t dment accept par le jury dexamen constitu de :
CLMENT Bernard, Ph.D., prsident
OUALI Mohamed-Salah, Doct., membre et directeur de recherche
CHINNIAH Yuvin, Ph.D., membre

iii
REMERCIEMENTS
Ce travail a t dirig par le professeur Mohamed-Salah OUALI, qui jadresse toute

ma gratitude pour son aide comptente et pour mavoir soutenu pendant ces deux annes.
Il a toujours t trs ouvert aux ides que jai proposes et ma toujours encourag les
dvelopper. Son regard critique m'a t trs prcieux pour structurer le travail et pour
amliorer la qualit des diffrentes parties.
Je remercie vivement les membres de mon jury, messieurs. Bernard CLMENT et

Yuvin CHINNIAH, professeurs lcole Polytechnique, pour avoir accept dexaminer
mon travail. Leurs comptences et leur notorit dans leurs domaines respectifs me font
honneur.
Enfin, jai une pense particulire pour les membres de ma famille qui mont soutenu
tout au long de cette aventure. Ma mre et mon pre qui nont jamais cess de me
prodiguer leurs encouragements pour aller de lavant dans mes tudes et pour
laboutissement de ce travail.
iv
RSUM
Lestimation des paramtres de fiabilit dun quipement est toujours conditionne par la
disponibilit des donnes savoir les dures de vie et leurs natures compltes ou
censures ce qui rend cette tche difficile. Les mthodes destimation de ces paramtres
peuvent varier selon la situation.
Cette estimation est une tape cruciale pour un fiabiliste pour tre en mesure de proposer
des stratgies de maintenance prventive de lquipement et ainsi maximiser sa
disponibilit et minimiser ses cots de maintenance
Notre mmoire focalise sur deux principaux objectifs:
1. tablir un modle dactualisation des paramtres du taux de dfaillance dun

quipement en utilisant linfrence baysienne et les mthodes de simulation
Chaines de Markov Monte Carlo (MCMC).
2. Proposer une stratgie de remplacement priodique avec rparation minimale
(Remplacement du composant dfaillant par un composant aussi mauvais que
vieux) en cas de dfaillance tenant compte du modle dactualisation baysienne
du taux de dfaillance.
La mthodologie suivie pour atteindre le premier objectif consiste modliser le taux de

dfaillance dun quipement par une loi exponentielle. Ce taux de dfaillance est
actualis par la prise en compte dune distribution a priori reprsentant lavis dexpert.
Cette distribution est caractrise par une loi normale. Comme cette loi est non
conjugue, la simulation MCMC est utilise pour dterminer la posteriori du taux de
dfaillance. Cet a posteriori reprsente la valeur actualise du taux de dfaillance.
Pour le second objectif, une modlisation analytique du cot total moyen de la stratgie
de remplacement priodique avec rparation minimale en cas de dfaillance est propose.
Cette modlisation prend en compte le taux de dfaillance actualise prcdemment.
Comme le modle ne sapprte pas une drivation analytique, une approche par
simulation est considre pour dterminer la stratgie optimale.
Un cas dtude est utilis tout au long du mmoire pour valider les modles proposs.
v
ABSTRACT
The estimation of equipment reliability Parameters is always conditioned by the

availability of its life-time data and the nature of this data such as complete or censored
making this task delicate. The methods of estimation of these parameters may vary by
situation.
This estimation is a crucial step for a reliability engineer to propose strategies for
preventive maintenance of equipment, maximizing availability and minimizing the costs
of maintenance
Our work focuses on two main objectives:
1. Establish a model that updates the equipment failure rate parameters by using
Bayesian inference and simulation methods of Monte Carlo Markov Chains
(MCMC).
2. Develop a minimal repair strategy, taking into account the Bayesian estimation
model of updating the failure rate.
The methodology used to achieve the first objective is to model the failure rate of
equipment by an exponential law. This failure rate is updated by taking into account a
representative expert advice prior. The prior is characterized by a normal distribution. As
this law is non-conjugate, the MCMC simulation is used to determine the posterior failure
rate. This posterior is the current value of the failure rate.
For the second objective, an analytical model of the average total cost for the periodic
replacement with minimal repair strategy in case of failure is proposed. This model takes
into account the failure rate previously updated. As the model is not about to analytical
derivation, a simulation approach is considered to determine the optimal strategy.
A case study is used throughout the store to validate the proposed models.
vi
TABLE DES MATIRES

REMERCIEMENTS .......................................................................................................... iii
RSUM ........................................................................................................................... iv
ABSTRACT ........................................................................................................................ v
TABLE DES MATIRES ................................................................................................. vi
LISTE DES TABLEAUX................................................................................................ viii
LISTE DES FIGURES ...................................................................................................... ix
LISTE DES SIGLES ET DES ABRVIATIONS.............................................................. x
LISTE DES ANNEXES .................................................................................................... xi
CHAPITRE 1 : INTRODUCTION GNRALE............................................................... 1
1.1 Contexte ............................................................................................................... 1
1.2 Objectif de travail ................................................................................................. 3
1.3 Organisation du mmoire ..................................................................................... 4
CHAPITRE 2 : CONCEPTS DE BASE ET REVUE DE LITTRATURE ...................... 6
2.1 Fiabilit des quipements ..................................................................................... 6
2.1.1 Concepts de dfaillance, de fiabilit et de dure de vie ................................ 6
2.1.2 Fonction du taux de dfaillance .................................................................... 8
2.1.3 Lois usuelles de fiabilit ............................................................................... 9
2.2 Mthodes destimation paramtrique ................................................................. 11
2.2.1 Mthode destimation par le maximum de vraisemblance ......................... 12
2.2.2 Mthodes destimation baysienne ............................................................. 12
2.2.3 Considrations importantes ......................................................................... 15
2.2.4 Calcul de la loi a postriori ......................................................................... 16
2.3 Stratgies de maintenance .................................................................................. 19
2.3.1 Stratgie de maintenance de type Age ........................................................ 19
2.3.2 Stratgie de maintenance de type Bloc ....................................................... 20
2.3.3 Stratgie de remplacement priodique avec rparation minimale aprs
dfaillance .................................................................................................................. 21
2.3.4 Autres stratgies de maintenance priodique .............................................. 21
CHAPITRE 3 : MODLE DACTUALISATION DU TAUX DE DFAILLANCE ..... 23
3.1 Prsentation du cas dtude ................................................................................ 23
vii
3.2 lments de modlisation................................................................................... 24

3.2.1 Dmarche gnrale...................................................................................... 24
3.2.2 Calcul de la vraisemblance ......................................................................... 25
3.2.3 Modlisation de lavis de lexpert............................................................... 25
3.3 Algorithme dactualisation du taux de dfaillance ............................................. 28
3.4 Rsultats obtenus et discussion .......................................................................... 29
3.4.1 Effet de la variation des paramtres (, ) .................................................. 29
3.4.2 Effet de lincertitude de lexpert ................................................................. 31
CHAPITRE 4 : STRATGIE DE MAINTENANCE ET OPTIMISATION ................... 34
4.1 Modlisation de la stratgie de maintenance...................................................... 34
4.1.1 Hypothses et notations .............................................................................. 35
4.1.2 Formulation mathmatique du cot ............................................................ 35
Existence et unicit dune politique optimale............................................................ 36
4.2 Structure des donnes ......................................................................................... 37
4.3 Rsultats de la simulation ................................................................................... 38
4.3.1 Cas de la vraisemblance non actualise ...................................................... 38
4.3.2 Cas de la vraisemblance actualise ............................................................. 44
CHAPITRE 5 : CONCLUSION GNRALE ................................................................. 47
RFRENCES ................................................................................................................. 49
ANNEXES ........................................................................................................................ 53
viii
LISTE DES TABLEAUX

Tableau 2-1 Exemples de lois a priori conjugues ..................................................................15
Tableau 3-1 Codes utiliss pour modliser l'a priori ...............................................................26
Tableau 3-2 Diffrents scnarios a priori selon les avis de l'expert.........................................26
Tableau 3-3 Rsultats de simulation aprs 1000 itrations avec (, ) provenant dune loi
uniforme (0 ; 0.1) .....................................................................................................................30
uniforme (0.1 ; 0.2) ..................................................................................................................30
uniforme (0.2 ; 0.3) ..................................................................................................................30
Tableau 3-6 Rsum des rsultats du taux de dfaillance a posteriori en fonction de (, ) ...31
Tableau 3-7 Rsultats de simulation avec un un avis d'augmentation et (, ) entre (0.2;0.3)31
Tableau 4-1 Structure des donnes de dures de vie ...............................................................37
Tableau 4-2 Donnes des cots de maintenance .....................................................................37
Tableau 4-3 Rsultats, cas daugmentation sure du taux de dfaillance, vraisemblance non
actualise avec 0.1 < < 0.2 ....................................................................................................39
Tableau 4-4 Rsultats en cas daugmentation moyenne de taux de dfaillance, vraisemblance
non actualise, avec 0.1 < < 0.2 ............................................................................................40
Tableau 4-5 Rsultats, cas daugmentation incertaine de taux de dfaillance, vraisemblance
non actualise, avec 0.1 < < 0.2 ............................................................................................42
Tableau 4-6 Rcapitulatif des stratgies optimales en fonction de lincertitude de lexpert ...43
Tableau 4-7 Rsultats de simulation en cas daugmentation sure de taux de dfaillance,
vraisemblance non actualise, avec 0 < < 0.1.......................................................................45
Tableau 4-8 Rsultats de simulation en cas daugmentation sure de taux de dfaillance,
vraisemblance actualise, avec 0 < < 0.1..............................................................................45
Tableau 4-9 Rcapitulatif des stratgies optimales en fonction lactualisation de la
vraisemblance ..........................................................................................................................45
ix
LISTE DES FIGURES
Figure 2.1 La courbe en baignoire (adapte de Kaffel, 2001) ...................................................9

Figure 2.2 La fonction f(t) de la loi exponentielle ...................................................................10
Figure 2.3 La fonction R(t) de la loi exponentielle..................................................................10
Figure 2.4 Exemple dune infrence hirarchique avec trois niveaux .....................................14
Figure 2.5 Algorithme Metropolis-Hastings............................................................................18
Figure 2.6 Algorithme de Gibbs ..............................................................................................18
Figure 2.7 Stratgie de maintenance de type Age (Bagayoko, 2009) ......................................19
Figure 2.8 Stratgie de maintenance de type Bloc (Bagayoko, 2009) .....................................21
Figure 3.1 quipement multi-composants neuf .......................................................................21
Figure 3.2 Dmarche gnrale dactualisation du taux de dfaillance ....................................24
Figure 3.3 Algorithme dactualisation du taux de dfaillance .................................................28
Figure 3.4 La vraisemblance, la priori et le rsultat dchantillonnage dans le cas dune
augmentation certaine avec (, ) provenant dune loi uniforme (0.2 ; 0.3) ...........................32
augmentation moyenne avec (, ) provenant dune loi uniforme (0.1 ; 0.2) .........................33
augmentation incertaine avec (, ) provenant dune loi uniforme (0.1 ; 0.2) ........................33
Figure 4.1 volution du taux de dfaillance, cart-type et cot de maintenance, cas
daugmentation sure avec 0.1 < < 0.2 ..................................................................................39
daugmentation moyenne avec 0.1 < < 0.2 ..........................................................................41
daugmentation incertaine avec 0.1 < < 0.2.........................................................................42
Figure 4.4 Comparaison du comportement du taux de dfaillance suivant trois avis dexpert
diffrents ..................................................................................................................................43
Figure 4.5 Comparaison des cots de maintenance pour trois avis dexperts .........................44
Figure 4.6 volution du taux de dfaillance avec actualisation ou non de la vraisemblance ..46
Figure 4.7 volution du cot de maintenance dans le cas dactualisation ou non de la
vraisemblance ..........................................................................................................................46
x
LISTE DES SIGLES ET DES ABRVIATIONS
: Cot de rparation corrective de lquipement la fin dune priode j.
: Cot dinspection de lquipement la fin de chaque priode j.
: Cot de rparation prventive de lquipement
: Cot de rparation minimale du produit chaque panne
: Moyenne de la densit a priori
: cart-type de la densit a priori
: Taux de dfaillance a posteriori
: Markov Chain Monte Carlo

xi
LISTE DES ANNEXES
ANNEXE A : PROGRAMME MATLAB.55

1
CHAPITRE 1 : INTRODUCTION GNRALE
1.1 Contexte
Dans toute analyse probabiliste de fiabilit, les dures de vie alatoires dun quipement
ou dun systme industriel, sont souvent modlises par des lois de probabilit
paramtriques telle la loi exponentielle, normale ou de Weibull. Cependant, lestimation
des paramtres de ces lois demeure une tche relativement dlicate du fait de la
disponibilit des donnes et de leurs natures cest--dire des dures de vie compltes ou
censures.
En effet, plusieurs approches classiques sont utilises pour estimer les paramtres dune
distribution de probabilit telle que par exemple, lestimation du taux de dfaillance
associ la loi exponentielle, ainsi que son intervalle de confiance. Parmi les mthodes
les plus populaires, nous citons lestimation par les mthodes de moindres carrs et du
maximum de vraisemblance.
Par ailleurs, afin de maximiser la disponibilit dun quipement ou minimiser ses cots
de maintenance, un ingnieur fiabiliste ou de maintenance tudie des stratgies de
maintenance prventive qui cherchent ordonnancer les remplacements prventifs dun
quipement de faon optimiser la disponibilit ou minimiser les cots de maintenance
sur un horizon infini. Ces modles permettent de dterminer la priodicit ou lintervalle
de remplacements prventifs de manire satisfaire le critre de disponibilit ou de cot.
Bien que les modles minimisant les cots sapprtent plus ou moins loptimisation
analytique, les modles de maximisation de la disponibilit des quipements sont plus
difficiles rsoudre analytiquement du fait quils font intervenir des formes plus
complexes de produits de convolution. Toutes ces stratgies sont bases sur la thorie de
renouvellement qui suppose que les remplacements prventifs et correctifs remettent
lquipement aussi bon que neuf. Une hypothse plus ou moins justifie en pratique.
Cependant, une hypothse de rparation minimale, permettant de remettre lquipement
dans un tat aussi bon que mauvais est plus raliste. Ce type de stratgie permet
deffectuer des interventions correctives minimales aprs une dfaillance et effectuer un
2
remplacement prventif une priodicit donne. Ce type de stratgie donne des

stratgies optimales si le taux de dfaillance est strictement croissant.
Dun point de vue pratique, pour tablir de tels modles, le fiabiliste se base sur plusieurs
informations issues des inspections priodiques de lquipement et donnes de
dgradation ou de dfaillance. Les informations concernent ltat de dgradation de
lquipement, ces informations sont collectes pendant les inspections prventives ou
aprs diagnostic de dfaillances. Ces informations sont consignes dans les dossiers
machines. Elles sont gnralement non exploites leurs justes valeurs. Les donnes de
dgradation regroupent les relevs de fatigue, dusure, de corrosion, collectes
habituellement lorsque lquipement est soumis une stratgie de maintenance
conditionnelle. Ces informations peuvent tre rares et ne sont disponibles que pour les
quipements dont la dfaillance cause des accidents graves ou des pertes normes en
termes de cot ou de disponibilit. Les autres donnes dites de dfaillance concernent les
dures de vie compltes ou censures. Les donnes de vie compltes caractrisent la fin
de vie dun quipement. Lquipement est retir de la production et sera soumis une
rnovation majeure. Les donnes de vie censures caractrisent les dures de
fonctionnement sans panne. Bien entendu, toutes les informations et les donnes
disponibles peuvent tre entaches dincertitudes ou derreurs.
Lorsque les donnes de dfaillance ne sont pas disponibles en quantit suffisante, cas
dun quipement neuf, lestimation du taux de dfaillance laide de la mthode du
maximum de vraisemblance est biaise et ne peut tre considrer pour prdire son
volution court terme. Pour ce faire, le taux de dfaillance estim ainsi que son cart-
type, ceux gnralement fournis par le constructeur de lquipement, peuvent tre utiliss
pour prdire les dfaillances dun quipement au cours dune priode donne. Le calcul
du taux de dfaillance estim se base sur des essais limits de laboratoire ou du retour
dexpriences. Ce taux de dfaillance estim est souvent considr comme constant au
cours de la dure de vie utile de lquipement selon lhypothse du constructeur.
En pratique, comme lusage dun quipement pourrait tre diffrent de celui prvu par le
constructeur, ou que lquipement a t modifi pour incorporer dautres fonctions non
prvu par le constructeur, ou bien lefficacit des interventions de maintenance, toutes ces
3
raisons et bien dautres pourraient avoir un effet sur le comportement du taux de

dfaillance au cours du temps. Ainsi, il peut rester constant, augmenter ou diminuer au
cours du temps. A ce sujet, les remarques suivantes peuvent tre soulignes :
- Au fur et mesure que les dfaillances saccumulent, la dgradation de lquipement

augmente au cours du temps mme si les interventions de maintenance sont
entreprises sur lquipement. Dailleurs, ces interventions peuvent tre imparfaites,
ce qui peut tre lorigine dautres dfaillances. Dans ce cas, le taux de dfaillance
augmentera. Cependant, il pourra diminuer ou rester constant si des oprations de
maintenance ont t entreprises sur lquipement.
- Lestimation du taux de dfaillance utilisant la mthode des moindres carrs ou de
maximum de vraisemblance nintgre pas les informations rcoltes et les avis
dexperts consigns aprs la mise en marche de lquipement, ce qui pourrait
amliorer lestimation de taux de dfaillance et la rendre plus reprsentatif.
Afin de pouvoir prendre en compte les avis dexperts par rapport ltat de dgradation
ou tout simplement par rapport au taux de dfaillance un moment donn, linfrence
baysienne est souvent propose dans la littrature. Son objectif est de conjuguer, sur une
priode donne, lavis dexpert, pris sous forme dune distribution a priori sur la valeur
du taux de dfaillance, avec les donnes de dfaillances rellement enregistres dans la
mme priode. Cela permet de mettre jour le taux de dfaillance en considrant non
seulement les donnes de dfaillances mais aussi les avis dexperts.
1.2 Objectif de travail
Lobjectif de ce travail est de proposer une stratgie de rparation minimale pour un

quipement en se basant sur lactualisation du taux de dfaillance par une infrence
baysienne. La stratgie de rparation minimale consiste remplacer prventivement
lquipement une certaine priodicit. Si lquipement tombe en panne entre deux
priodes de remplacement prventif, lquipement est rpar minimalement (aussi bon
que vieux).Son taux de dfaillance reste sensiblement le mme aprs la rparation
minimale quavant la dfaillance. Cette stratgie dterminera, chaque priode de mise
en marche, linstant o le remplacement prventif doit tre effectu et ce moindre cot.
Ce modle de rparation minimale permettra de mettre contribution linfrence
4
baysienne pour estimer le taux de dfaillance dun quipement pour la priode suivante
(appel taux de dfaillance a postriori) en se basant sur les donnes de dfaillance
colletes (appeles donnes de vraisemblance) et lavis dexpert de maintenance (appel
la priori) durant la priode antrieure. Ce modle de rparation minimale permettra
ensuite de dterminer la priodicit optimale des remplacements prventifs de
lquipement.
Dun point de vue modlisation baysienne du taux de dfaillance, celui qui combine les
donnes de vraisemblance avec la priori dexperts de maintenance amne des modles
trs complexes lorsque les modles reprsentant la loi a priori et la loi a posteriori sont
diffrents (modles dits non conjugus). Dans ce cas, une expression analytique de la
distribution a posteriori nexiste pas. Pour rsoudre ce problme, nous faisons appelle
une technique dchantillonnage par simulation dite MCMC Markov Chain Monte
Carlo . Cette technique nous permettra de dterminer le modle a posteriori pour
nimporte quel modle a priori. Lestimation du taux de dfaillance a posteriori ainsi que
son intervalle de confiance seront dfinitivement dtermins par simulation.
Considrons les cots de rparation minimale, dinspection et de remplacement prventif,

nous chercherons dterminer la priodicit optimale de remplacement dun quipement.
Pour une priode donne, les donnes de dfaillance seront combines avec quatre
diffrents scnarios (avis dexperts) concernant le comportement du taux de dfaillance
durant la priode subsquente: aucun avis, le taux de dfaillance reste constant, augmente
ou diminue ainsi que lerreur que lexpert estime propos de son avis. Ainsi, plusieurs
situations seront considres afin dexaminer le comportement du taux de dfaillance a
postriori. Lexistence ou non dune priodicit optimale de remplacement prventif
dpendra essentiellement du taux de dfaillance et des cots encourus. Un programme
MatLab est propos pour modliser et rsoudre la stratgie de rparation minimale.
1.3 Organisation du mmoire
Le mmoire est organis sur trois chapitres. Le chapitre 2 est consacr aux concepts de
bases de fiabilit paramtrique des quipements, de fiabilit et dinfrence baysienne et
des techniques de simulations de type MCMC. Une revue de littrature sur les modles
5
de modlisation des taux de dfaillance appliquant une infrence baysienne avec des
techniques de simulation MCMC. Ce chapitre prsente galement une revue de littrature
sur les stratgies de maintenance en gnral et celles bases sur le principe de rparation
minimale.
Le chapitre 3 prsente la dmarche de modlisation dactualisation du taux de dfaillance

selon la mthode dinfrence baysienne, pour ce faire, nous allons prendre comme
exemple une densit exponentielle de la vraisemblance et nous allons modliser lavis
dun expert laide dune distribution normale. Lorganisation de ltude statistique
permettant de simuler les diffrents avis dexperts et les combiner avec la vraisemblance
choisie, nous intgrons cette dmarche dans un algorithme de Metropolis-Hastings pour
avoir une actualisation a posteriori du taux de dfaillance chaque priode. Enfin du
chapitre nous allons prsenter et analyser les rsultats de cette simulation.
Le chapitre 4 prsente le modle doptimisation de la stratgie de rparation minimale.

Comme le taux de dfaillance est actualis chaque priode, une nouvelle formulation de
la stratgie de maintenance est propose qui tient compte des cots et du taux de
dfaillance a posteriori ainsi que les cots de rparation minimale, dinspection et de
remplacement. Loptimisation de la stratgie propose sera base sur de simulation.
Enfin, une conclusion ainsi que les pistes et ides qui peuvent tre dveloppes partir
des travaux labors seront prsentes.
6
CHAPITRE 2 : CONCEPTS DE BASE ET REVUE DE

LITTRATURE
Dans ce chapitre, nous allons prsenter les diffrentes notions de bases et lois de fiabilit,
du taux de dfaillance habituellement utilises pour estimer la fiabilit dun quipement.
Ensuite, nous prsentons un tat de lart des principaux modles de fiabilit proposs
dans la littrature, en particulier, ceux utilisant les mthodes baysiennes. Les modles
avec des distributions de densit non conjugues, ceux ncessitant le recours aux
techniques dchantillonnage MCMC pour estimer les paramtres des densits a
posteriori sont galement esquisss. En dernire partie, nous prsentons une revue des
stratgies de maintenance les plus rencontres, en particulier, les stratgies dites ge et
bloc, ainsi que celles utilisant le principe de rparation minimale.
2.1 Fiabilit des quipements
2.1.1 Concepts de dfaillance, de fiabilit et de dure de vie
La dfaillance dun quipement dsigne larrt de ralisation de sa fonction principale ou

de lune de ses fonctions secondaires. Un quipement est dclar dfaillant lorsque une
ou plusieurs de ses grandeurs caractristiques voluent en dehors des tolrances dfinies
lors de sa conception (Kozlov, Ushakov et al. (1970)).
Plus spcifiquement, lUnion Technique de l'lectricit (UTE), sur recommandation de la

Commission lectrotechnique internationale, a propos la dfinition suivante de la
fiabilit : La fiabilit est laptitude dun dispositif ou un quipement accomplir une
fonction requise dans des conditions donnes pour une priode de temps donne. En
dautres termes la fiabilit cest la probabilit de survie dun quipement (Laprie 2004).
La fiabilit est une caractristique dun systme exprime par la probabilit quil
accomplisse la fonction pour laquelle il a t conu, dans des conditions donnes et
pendant une dure donne. La fiabilit est une caractristique du systme au mme titre
que les caractristiques dimensionnelles (Elsayed 2012). Cette dfinition vhicule quatre
concepts principaux :
7
Concept 1: La fiabilit sexprime par une probabilit (grandeur comprise entre 0 et 1)

et qui rend compte du caractre alatoire de laccomplissement de la fonction.
Concept 2: La fonction requise (service rendu ou mission accomplie) implique un
seuil dadmissibilit en dessous duquel la fonction nest plus remplie.
Concept 3: Les conditions dutilisation renvoie lenvironnement et ses variations,
les contraintes mcaniques, etc.
Concept 4: La priode de temps donne la dure de la mission en units dusage, cest
le temps de bon fonctionnement.
En pratique, la fonction de fiabilit est directement lie une autre notion qui est la dure
de vie d'un quipement quon dfinit comme tant la dure durant laquelle le systme est
en fonctionnement et elle mesure la quantit de service rendue par le systme et qui peut
tre exprime en units de temps, en cycles ou en units produites par le systme.
La dure de vie T est une variable alatoire caractrisant le passage alatoire d'un systme
d'un tat de fonctionnement un tat de dfaillance selon une loi de probabilit qui peut
tre connue ou inconnue.
La fonction de densit de la variable alatoire associe la dure de vie T du systme est

exprime par la probabilit que la dure de vie soit comprise entre t et t+dt :
= Pr < + (2.1)
Avec la fonction de densit dfinie auparavant, une fonction de rpartition F(t) peut tre
associe la dure de vie. F(t) reprsente la probabilit que la dure de vie T soit
infrieure ou gale t:

= Pr = (2.2)
0
Par consquent, la fiabilit R(t)du systme qui dsigne la probabilit que le systme soit
fonctionnel au-del de la dure t. Elle s'crit comme suit:

= Pr > = (2.3)

Daprs les deux dfinitions prcdentes, la proprit suivante doit tre vrifie :
8
+ = = 1 (2.4)
0
2.1.2 Fonction du taux de dfaillance
La fonction du taux de dfaillance ou davarie dun systme est donn par =

| > . Comme () dsigne le risque de dfaillance dun quipement linstant t, la
probabilit que lquipement tombe en panne entre les instants t et t+dt est donne par la

driv de la fonction () au cours de lintervalle t et t+dt, note , sachant que

lquipement est survivant linstant t avec une probabilit (). Ainsi, lafonction du
taux de dfaillance (t) scrit alors comme suit :
1 1
= = (2.5)
() ()
Il est largement admis en fiabilit classique que lvolution du taux de panne dun
quipement neuf au cours de son cycle de vie suit une courbe spciale, appele courbe
en baignoire (Figure 2.1). Selon cette courbe, le taux de dfaillance dcroit pendant la
premire priode de vie de lquipement. Les dfaillances qui surviennent dans cette
priode sont appeles dfaillances infantiles . Ensuite, le taux de dfaillance devient
constant dans le temps. Cette priode caractrise les dfaillances alatoires. Il sagit de la
priode de vie utile de lquipement. Enfin, durant la dernire priode, le taux de
dfaillance croit avec le temps. Lquipement subit des dfaillances dites dusure ou de
vieillesse.
Connaissant une des quatre fonctions de fiabilit, les relations suivantes permettent den
dduire les autres fonctions. Ces fonctions sont gnrales et ne dpendent pas de la loi de
probabilit.

=
= 0
(2.6)
Il en dcoule de cette relation, les relations suivantes :

= 1 (2.7)
0
9
= (2.8)
0
Figure 2.1 La courbe en baignoire (adapte de Kaffel, 2001)
2.1.3 Lois usuelles de fiabilit
Lvaluation de la fiabilit dun quipement passe obligatoirement par la connaissance

dterministe ou plus ou moins approximative, soit de la distribution de probabilit des
dures de vie de cet quipement, soit des paramtres de son taux de dfaillance. Cela est
gnralement dtermin travers des essais de fiabilit, ou des donnes de retour
dexprience. Plusieurs distributions paramtriques peuvent tre utilises. Nous
prsentons celles les plus utilises en pratique.
Loi exponentielle
La loi exponentielle est une loi qui est parfaitement dfinie ds que son unique paramtre
Lambda est connu. Elle est la loi suivie par la variable alatoire T lorsque le taux de
dfaillance est constant. Pour tout t 0 nous avons (t) = , une constante strictement
positive ( >0). Cette loi caractrise gnralement la dure de vie utile dun quipement.
Cette loi est trs utilise en fiabilit raison de sa simplicit analytique. Donc pout tout t
0, la fonction de densit de dfaillance est donne par = (Figure 2.2).
La fonction de distribution (de dfaillance) est donne par : = 1
La fonction de fiabilit est donne par : = (Figure 2.3).

10
Figure 2.2 La fonction f(t) de la loi exponentielle
Figure 2.3 La fonction R(t) de la loi exponentielle
Loi de Weibull
Cette distribution est dfinie ds que les trois paramtres suivants sont dtermins:
(paramtre de forme), (paramtre de position) et (paramtre dchelle). Elle est
connue pour caractriser des phnomnes de fatigue, dusure ou de dgradation. Ses
fonctions de fiabilit sont donnes par :
1

= (2.9)

= 1 (2.10)

= (2.11)

1

= (2.12)

11
Loi normale
La loi normale est la plus usuelle parmi les lois de fiabilit. Elle comporte deux
paramtres la moyenne et lcart-type . La fonction de densit scrit, pour 0,
comme suit :
1 1 2
= , > 0 (2.13)
2 2
La loi normale prend une place particulire dans les tudes statistiques grce la
convergence dune suite de variables alatoires vers cette loi en utilisant le thorme de la
limite centrale. En effet, elle correspond au comportement de la moyenne d'une suite
d'expriences alatoires similaires et indpendantes lorsque le nombre d'expriences est
trs lev. Grce cette proprit, la loi normale permet de sapprocher d'autres
distributions et ainsi de modliser de nombreuses tudes scientifiques telles la
modlisation derreurs de mesure ou dexpriences alatoires.
Par ailleurs, la loi normale est souvent utilise pour modliser des avis dexperts. Ainsi,
lavis dun expert peut tre modlis par la moyenne dune loi normale et lincertitude de
lavais de lexpert par la variance ou lcart-type de la mme loi (Gendre 1977), (Saporta
2006).
Il existe galement dautres lois paramtriques utilises en fiabilit telles que la loi
gamma ou la loi log-normale. Toutes ces lois sont dtermines ds que leurs paramtres
sont estims partir dchantillons de donnes de dures de vie.
2.2 Mthodes destimation paramtrique
Pour estimer les paramtres dune distribution de probabilit, nous faisons recours aux
mthodes statistiques destimation telles que les mthodes graphiques et les mthodes
dinfrence statistiques en particulier, la mthode du maximum de vraisemblance et
destimation baysienne.
Plus gnralement, soit une variable alatoire = 1 , 2 , , qui reprsente les dures
de vie dun quipement. Le problme consiste dterminer une fonction de densit
o seul le vecteur de paramtres = 1 , 2 , , est inconnu.
12
Une fois le modle paramtrique construit, lobjectif serait deffectuer une infrence sur
le paramtre inconnu.Dans la littrature, plusieurs mthodes dinfrence statistique sont
possibles, nous examinons les plus connues : la mthode de maximum de vraisemblance
et lestimation baysienne.
2.2.1 Mthode destimation par le maximum de vraisemblance
Dans cette mthode dite classique, l'information provenant des donnes observes est
l'unique source dinformation utilise pour estimer les paramtres de la loi de fiabilit.
Elles sont des ralisations de la variable alatoire. Elles servent faire porter l'infrence
sur les paramtres . Dans cette mthode, une fonction de vraisemblance est utilise. Elle
scrit comme suit:
= (2.14)
Dans cette mthode, nous cherchons un estimateur de qui maximise la fonction de

vraisemblance . Lestimateur est donn par :
= (2.15)
o est la densit de probabilit conditionnelle suite aux observations.
2.2.2 Mthodes destimation baysienne
Lestimation baysienne se base sur le thorme de Bayes (Miller, Freund et al. 1965).
Pour deux vnements alatoires A et B, ce thorme scrit comme suit :

= (2.16)

O () reprsente la probabilit a priori, et reprsente la probabilit a

posteriori.
Par opposition lestimation paramtrique base sur le maximum de vraisemblance,

lestimation baysienne suppose que les paramtres dintrts sont considrs comme
des variables alatoires caractrises par des densits de probabilit (). Ces densits
s'appellent les densits a priori. Afin destimer les paramtres a posteriori, la formule
prcdente de Bayes est utilise. Elle donne le rsultat suivant :
13

= (2.17)

O caractrise la vraisemblance des donnes connaissant les paramtres .
Les bases de lestimation baysienne sont mises en place dans les annes 40. Cependant,
elles seront rellement dveloppes dans les annes 70 travers plusieurs travaux comme
ceux de (Efron and Morris 1972), (Casella 1985), (Deely and Lindley 1981), (Kass and
Steffey 1989) et (Morris 1983). Dans ces travaux, les auteurs expliquent la thorie de
modlisation baysienne et sa relation avec les autres mthodes statistiques.
Lun des premiers auteurs avoir utilis lestimation baysienne du taux de dfaillance
de composants lectroniques est (Ringler 1981). Ce travail a men des changements sur
la courbe classique en baignoire du taux de dfaillance. Dautres auteurs ont utilis cette
mthode pour combiner les informations issues des observations (vraisemblance) avec les
connaissances des experts tels que lestimation de la fiabilit des quipements en
arospatial la NASA (Prez, Martn et al. 2006).
En gnral, dans la modlisation baysienne, les paramtres de la distribution a priori

(appels les hyperparamtres) sont dtermins par infrence baysienne dite
hirarchique . Cette infrence permet de modliser en plusieurs niveaux hirarchiques
les paramtres de la densit a priori jusquau dernier niveau qui consiste estimer le
paramtre vis par linfrence. Dans la plupart des cas, la loi de premier niveau sera
conjugue, par souci de simplification et aussi, parce que la modlisation sur les niveaux
suprieurs permet de corriger ventuellement cette erreur de spcification de
l'information a priori. Lide principale de la modlisation baysienne hirarchique
consiste considrer les hyperparamtres de la densit a priori comme des variables
alatoires dpendantes dautres hyperparamtres. Donc, un modle baysien hirarchique
est un modle tel que la loi a priori est compose de plusieurs distributions
conditionnelles (Robinson 2001). La figure 2.4 illustre un cas dune infrence baysienne
avec trois niveaux hirarchiques des paramtres estimer.
14
1 1 1 1 2 2 2 2
1 1 2 2
Figure 2.4 Exemple dune infrence hirarchique avec trois niveaux
Un rsum des mthodes baysiennes est prsent dans (Berger 2000). Cependant, il est
trs difficile dappliquer une infrence baysienne analytiquement dans le cas o nous
avons des distributions de probabilit non conjugues (la distribution a priori et la
distribution a posteriori nont pas la mme forme). Donc lutilisation de ces mthodes, est
reste restreinte jusqu' lintroduction de mthodes numriques de chaines de Markov
Monte Carlo (MCMC)(Brooks 1998). Ces mthodes sont bases sur des techniques de
simulation qui permettent dobtenir des solutions numriques des problmes bass sur
des modles trs complexes (Prez, Martn et al. 2006).
ce sujet, plusieurs algorithmes sont proposs dans la littrature. Les algorithmes

Metropolis, Hastings et Gibbs sont parmi les dix algorithmes les plus utiliss en
ingnierie dans le dernier sicle (Beichel et Sullivan 2000). Lalgorithme Metropolis de
base (Metropolis, Rosenbluth et al. 1953), (Hastings 1970) est adapt dans plusieurs
travaux consacrs des diffrents domaines tels que en biologique (Liu and Logvinenko
2003) et en intelligence artificielle (Andrieu, De Freitas et al. 2003). Ces algorithmes
offrent des mthodes dchantillonnage partir de distributions de probabilit complexes.
Enfin, Kelly & Smith (2008) constatent aussi le large champ dapplication des mthodes
baysiennes avec les mthodes MCMC. Nous pouvons citer les applications dans les
sciences sociales (Gill 2002), lingnierie financire (Geweke 2005), la science de sant
(Lawson 2006) et le contrle des processus (Enrique 2006).
15
2.2.3 Considrations importantes
Lestimation baysienne est trs sensible aux aspects suivant :
Choix de la loi a priori
Le choix de la loi a priori est une tape fondamentale dans lanalyse baysienne.
Linformation a priori est dfini sur le paramtre . Cette information nest pas apporte
par les observations, cest--dire la vraisemblance, mais plutt par la mise contribution
des expriences du pass, les intuitions ou lexprience des spcialistes des modes de
dfaillance. Cette information est incertaine, donc il est naturel de la modliser au travers
dune loi de probabilit (). En pratique, () peut-tre une loi normale, Beta, Gamma,
ou autres. Les paramtres dune loi a priori sont appels Hyperparamtres.
Loi a priori conjugue
tant donn une loi paramtrique sur les observations collectes, si la loi a priori sur le
paramtre estimer donne une loi a posteriori de mme famille, alors la loi a priori est
dite conjugue. Ceci bien entendu simplifie considrablement le calcul de la densit a
posteriori sur le mme paramtre dintrt. Le tableau 2.1 prsente des exemples de lois a
priori conjugues. remarquer quil nexiste pas de loi a priori conjugue si la loi
(|) caractrisant la vraisemblance est exponentielle.
Tableau 2-1 Exemples de lois a priori conjugues
(|) () (|)
, 2 , 2 (( 2 + 2 ), 2 2 )
ou 1 = 2 2
() (, ) ( + , + 1)
(, ) (, ) ( + , + )
(, ) (, ) ( + , )
Lois a priori non informatives
Une loi a priori non informative est une loi qui porte une information sur le paramtre
estimer dont le poids dans linfrence baysienne est rduit. Certains auteurs la
dfinissent galement comme une loi a priori qui ne contient aucune information sur ,
ou encore, comme une loi qui ne donne pas davantage de poids telle ou telle valeur du
16
paramtre. Par exemple, supposons un ensemble fini de taille q une loi a priori non
informative pourra tre une loi de la forme :
= 1 (2.18)
Donc, les valeurs possibles de se voient attribuer le mme poids.
Les lois a priori non informatives peuvent tre construites partir de la distribution
dchantillonnage. Une deuxime mthode est celle propose par Jeffreys (1961) en
utilisant linformation de Fischer : () qui reprsente une mesure de la quantit
dinformation sur contenue dans lobservation. Plus () est grande, plus lobservation
apporte de linformation. Il semble alors naturel de favoriser les valeurs de pour
lesquels () est grande. Ce qui minimise linfluence de la loi a priori au profit des
observations (la vraisemblance).
2.2.4 Calcul de la loi a postriori
Tel que nonc prcdemment, si la loi a priori nest pas conjugue, la rsolution
analytique de devienne trs complexe. La mthode MCMC est alors utilise.
Nous prsentons dans ce qui suit, le principe de simulation Monte Carlo ainsi que les
algorithmes dchantillonnage les plus connus.
Principe des mthodes MCMC
Lide gnral des mthodes MCMC est dutiliser des chantillons pour approximer les
moyenne des distributions complexes en remplaant les intgrations complexes par des
simulations dun large ensemble dchantillons. La prcision de ces approches se base
sur le nombre ditrations ou dchantillonnages et le degr dindpendance entre les
chantillons. De ce fait apparait limportance des chaines de Markov qui permettent
dchantillonner des chantillons indpendants partir dune distribution stationnaire.
Comme la distribution a posteriori est une fonction proportionnelle au produit de

la distribution a priori et de la vraisemblance , , , , alors
les mthodes MCMC permettent de calculer la moyenne et la variance de la fonction a
posteriori en simulant plusieurs fois le produit des deux valeurs alatoires tires des loi a
priori et de la vraisemblance.
17
En rsum, les mthodes MCMC permet de gnrer et rsoudre une chaine de Markov
partir de la distribution stationnaire qui sera exactement la distribution tudier
(distribution a postriori). Parmi les mthodes MCMC les plus rpandues, nous allons
prsenter les algorithmes de Metropolis-Hastings et de Gibbs.
Algorithme de Metropolis-Hastings
On suppose que lobjectif soit dchantillonner partir de la distribution de densit

P().Lalgorithme de Metropolis-Hastings gnre une chaine de Markov qui produit une
squence de valeurs :
(1) (2) ()
o () reprsente ltat de la chaine de Markov litration t, et on initialise la chaine n

donnant une certaine valeur initiale a (1) .
1
La mthode utilise ensuite une distribution dite instrumentale note (| ) pour
gnrer un nouveau candidat . Ltape prochaine consiste accepter ou refuser ce
nouveau candidat en utilisant une probabilit dacceptation. Le candidat choisi est
accept comme prochaine tat de la chaine avec la probabilit suivante :
1 1
( ) = min [1, ] (2.19)
1 1
Enfin pour prendre la dcision daccepter ou de refuser le nouveau candidat propos on

gnre une valeur partir dune distribution uniforme et on la compare avec la
probabilit dacceptation. La figure 2.5 dcrit lalgorithme Metropolis-Hastings.
Algorithme de Gibbs
Du fait de la difficult de trouver une distribution instrumentale, lchantillonnage de

Gibbs est un cas particulier de la mthode Metropolis-Hastings. La diffrence est que
lalgorithme de Gibbs permet dchantillonner seulement dans le cas o la distribution
conditionnelle a posteriori est parfaitement connue. C'est--dire nous connaissons toutes
les distributions de ses paramtres avec prcision. En dautres terme les lois a priori sont
conjugues. La figure 2.6 prsente lalgorithme de Gibbs.
18
Figure 2.5 Algorithme Metropolis-Hastings
Figure 2.6 Algorithme de Gibbs

19
2.3 Stratgies de maintenance
2.3.1 Stratgie de maintenance de type Age
Une stratgie de maintenance de type ge consiste effectuer un remplacement correctif

en cas de dfaillance de lquipement ou effectuer un remplacement prventif seulement
si ce dernier atteint un ge T sans dfaillance. Lge T reprsente la priode de
remplacement prventif. Lide de cette stratgie est de remplacer prventivement
lquipement le plus proche possible de linstant o il risque de tomber en dfaillance.
Par ailleurs, si lquipement tombe en dfaillance avant linstant T, il fera objet dune
maintenance corrective. Comme les remplacements prventifs et correctifs utilisent des
quipements neufs, lge rel de lquipement est remis zro.
Pour dfinir la stratgie optimale correspondante, il faut dterminer la priodicit

optimal T* o le remplacement prventif sera effectu. Considrant les cots de
remplacement correctif et prventif de lquipement la stratgie optimale T* garantit un
cot total moyen par unit de temps sur un horizon infini minimum. Un modle
mathmatique a t dvelopp par Barlow et Proschan (1965). La (Figure 2.7) prsente
un schma simple des squences des vnements dans cette stratgie.
Figure 2.7 Stratgie de maintenance de type Age (Bagayoko, 2009)

20
Le modle de Barlow et Proschan (1965) suppose que lquipement a deux tats

possibles (en marche ou en panne), la dtection des pannes est instantane, les temps des
oprations de maintenance sont ngligeables et la remise neuf de lquipement par un
quipement identique. Les auteurs ont montr quun tel modle est toujours prfrable en
comparaison une stratgie de remplacement correctif si le taux de dfaillance est
strictement croissant. Cette stratgie permet lutilisation effective de lquipement, donc
ne pas remplacer un quipement neuf aprs une courte priode de fonctionnement.
Cependant, cette stratgie ncessite une surveillance continue et un suivi de lutilisation

de lquipement. Elle prsente quelques inconvnients tels que limpossibilit deffectuer
les remplacements prventifs lge optimal T* cause de la non concordance de cette
priode optimale avec le calendrier de production.
2.3.2 Stratgie de maintenance de type Bloc
Cette stratgie consiste faire des remplacements prventifs des intervalles de temps
fixes et prdtermins. En cas de dfaillance, un remplacement correctif de lquipement
est encouru. Lun des premiers modles de cette mthode est le modle de Barlow et
Hunter (1960) (Figure 2.8) dans lequel, ils utilisent la fonction de renouvellement de
lquipement. Ils dterminent la priode optimale T*qui minimise le cot total moyen par
unit de temps sur un horizon infini. Un deuxime modle propos par Ait-Kadi et Chelbi
(1995) qui constitue une extension du dernier modle en tenant compte des stocks
disponibles de pices de rechange.
Par opposition la maintenance de type ge, la stratgie de type bloc peut avoir un effet
de gaspillage des quipements neufs. Car, il arrive de remplacer un quipement qui vient
dtre mis en marche. Pour remdier cette lacune, des modles tendus de type Bloc
ont t proposs en effectuant des rparations minimales ou remplacer par des
quipements usags (Tango 1978).
21
Figure 2.8 Stratgie de maintenance de type Bloc (Bagayoko, 2009)
2.3.3 Stratgie de remplacement priodique avec rparation minimale aprs

dfaillance
Cette stratgie consiste remplacer priodiquement lquipement avec un quipement

identique neuf. En cas de dfaillance, une rparation minimale est entreprise. Cette
rparation na pas deffet sur le taux de dfaillance de lquipement. Lquipement est
dans un tat aussi mauvais quavant loccurrence de la dfaillance. Cette stratgie est
introduite par (Barlow and Hunter 1960) avec ltablissement des conditions dexistence
et dunicit dune stratgie optimale. Ensuite, Barlow et Proschan (1965) ont tabli un
modle en minimisant le cot total moyen par unit de temps sur un horizon infini. Un
autre modle de remplacement priodique considrant des cots croissant de rparation
minimale a t propos par (Boland and Proschan 1982).
2.3.4 Autres stratgies de maintenance priodique
partir des deux politiques de base cits au-dessus, dautres modles ont t dvelopps,
nous prsentons quelques-uns ci-aprs :
Stratgie de remplacement avec priode dinactivit. Cette stratgie propose

darrter lquipement suite une panne jusquau moment dtermin de la
maintenance prventive. Mais le modle suppose que la dfaillance est survenue un
22
petit moment avant larrt programm de lquipement. Le modle de base a t

dvelopp par Cox (1962) en dterminant le cot total moyen par unit de temps sur
un horizon infini et en tablissant les conditions dexistence dune stratgie optimale
(i.e. taux de dfaillance croissant).
Stratgie de maintenance imparfaite. Cette stratgie propose de remplacer des
composants dfaillants par des composants en meilleurs tats sans tre neufs. Donc, le
but est seulement damliorer les performances de lquipement. Des modles dans la
littrature ont t dvelopps comme les modles de maintenance prventive
imparfaite de (Nakagawa 1986), le modle de (Brown et Proschan 1983) ou le modle
de (Pham and Wang 1996).
Stratgie de maintenance squentielle. Cette stratgie suppose un horizon de temps
fini. Une stratgie optimale qui minimise le cot total moyen sur cet horizon a t
tablie par (BARLOW and Proschan 1965). De mme, un autre modle de
remplacement priodique avec des cots de rparation minimale croissant a t
dvelopp par les mmes auteurs prcdents.
En rsum, la stratgie qui correspond mieux la situation observe par les quipements
rparables est celle de remplacement priodique avec rparation minimale aprs
dfaillance. Cest cette stratgie qui nous intresse. Elle sera dtaille et exploite
ultrieurement dans le chapitre 4.
23
CHAPITRE 3 : MODLE DACTUALISATION DU TAUX DE

DFAILLANCE
Le chapitre prcdent nous a permis davoir une revue de littrature sur les notions de
modlisation du taux de dfaillance et des stratgies de maintenance. Dans ce chapitre
nous allons prsenter une tude de cas, lexprimentation de plusieurs modlisations de la
distribution a priori, le modle dactualisation du taux de dfaillance et nous analyserons
les rsultats obtenus selon les diffrents scnarios pris sur linformation a priori.
3.1 Prsentation du cas dtude
Dans le cas dtude, nous considrons un quipement neuf schmatis dans la figure 3.1,
mis en exploitation un instant t = 0. Le fournisseur de lquipement dispose dun taux
de dfaillance estim et dun cart-type estim .
Figure 3.1: quipement multi-composants neuf
Cet quipement sera mis en marche pendant plusieurs priodes et nous allons enregistrer
le nombre de dfaillances et les dures de vie pour chaque priode. Ce qui constituera la
vraisemblance de lquipement.
Ensuite, un avis dun expert sur le taux de dfaillance sera modlis en dbut de chaque
priode, cet avis est dfini par les trois lments suivants :
La tendance du taux de dfaillance (augmente, stable, diminue),

le pourcentage caractrisant la tendance du taux de dfaillance
24
lincertitude de lexpert vis--vis de la tendance du taux de dfaillance.
Ces trois lments vont permettre la construction de la loi a priori sur le taux de
dfaillance. La vraisemblance, modlise par une loi exponentielle, jumele avec la loi a
priori, modlise par une loi normale, va permettre deffectuer une infrence baysienne
sur le taux de dfaillance ().
Linfrence dans ce cas se fera en utilisant un chantillonnage de Metropolis-Hastings et

qui donnera la moyenne et lcart-type de la loi a posteriori reprsentant ainsi
lactualisation du taux de dfaillance estim du constructeur de lquipement, une priode
aprs une autre. La loi conditionnelle a posteriori de taux de dfaillance sera le produit
de la vraisemblance exponentielle et la distribution a priori normale.
3.2 lments de modlisation
3.2.1 Dmarche gnrale
Dans notre cas, la figure 3.2 reprsente la dmarche gnrale pour actualiser le taux de
dfaillance. Linformation a priori consiste en une estimation dune moyenne et dune
variance. Le choix de deux paramtres sera dtaill dans section 3.2.3. Nous disposons
galement des observations xi qui reprsentent les donnes de dfaillance de notre
quipement. Ces observations sont utilises pour construire la fonction de vraisemblance.
La fonction a posteriori permet dactualiser le taux de dfaillance observ considrant la
distribution a priori de lexpert.
Figure 3.2 Dmarche gnrale dactualisation du taux de dfaillance

25
3.2.2 Calcul de la vraisemblance
La distribution de la vraisemblance est tire des observations tout au long de la priode

dtude. La vraisemblance est donne par la relation suivante:

; = , (3.1)
=1
Dans le cas tudi, nous supposons que les dures de vie suivent une loi exponentielle de
paramtre , sachant la densit , = , nous pouvons en dduire la
vraisemblance ; qui scrit comme suit :

; = = =1 (3.2)
=1
3.2.3 Modlisation de lavis de lexpert
Lexpert devrait donner un avis sur le taux de dfaillance. Quatre possibilits pourraient
tre obtenues :
Lexpert na pas davis. Cet avis pourrait se produire au dbut de lexploitation

dun quipement ou que lexpert ne peut pas se rfrer un quipement similaire.
Lexpert pense que le taux de dfaillance est rest stable par rapport la valeur du
taux de dfaillance estim par le constructeur.
Lexpert pense que le taux de dfaillance a augment. Cet avis pourrait
reprsenter par exemple une augmentation de nombre de dfaillances enregistr
plus grand que celui estim par le constructeur cause dune mauvaise
maintenance ou dune sollicitation plus importante de lquipement.
Lexpert pense que le taux a diminu. Cet avis pourrait reprsenter le cas o une
maintenance prventive accrue a t effectue sur lquipement rduisant ainsi
son taux de dfaillance.
Pour les trois derniers avis, lexpert pourrait spcifier son incertitude en choisissant une
des situations suivantes :
Lexpert est certain.

Lexpert est moyennement certain.
26
Lexpert est incertain.
Le tableau 3.1 rsume les avis, les incertitudes et les codes utiliss pour notre tude. Nous
avons choisi la loi normale pour modliser lavis dexpert ainsi que son incertitude. Les
paramtres de cette loi normale ( et ) sont calibrs par les choix de lexpert.
Tableau 3-1 Codes utiliss pour modliser l'a priori
Avis : Code Incertitude : Code

Sans avis 0 Certaine 0
Augmente 1 Moyenne 1
Diminue -1 Incertaine 2
Stable 2
Plus prcisment, les paramtres de la loi normale sont les hyperparamtres caractrisant
le taux de dfaillance . Le choix de ces hyperparamtres sont dtermins comme suit :
Si lexpert est sans avis dans la priode (i), la moyenne de la loi a priori sera gale au
a posteriori de la priode (i-1). Pour la premire priode la moyenne sera gale au
estim du constructeur. Dans ce cas, nous naurons aucune prcision de lexpert.
Lcart-type sera gal lcart-type de la priode prcdente (i-1).
Si lexpert prvoit une augmentation ou une diminution, deux valeurs alatoires (,
) seront tires partir dune loi uniforme [0,1]. Ces valeurs dfiniront le
pourcentage daugmentation ou de diminution du taux de dfaillance ainsi que son
incertitude. Dans le cas o lexpert prvoit une stabilit du taux de dfaillance,
seulement la valeur () sera utilise pour dterminer lincertitude de lexpert.
a. En cas de prvision dune augmentation dans une priode (i) la moyenne
de la loi a priori sera toujours gale (1+ ) fois le a posteriori de la
priode (i-1).Lcart-type sera dtermin selon lincertitude de lexpert :
Expert certain : cart-type(i) sera gal (1- ) fois lcart-type (i-1)
Expert moyen : cart-type(i) sera gal lcart-type (i-1)
Expert incertain : cart-type(i) sera gal (1+ ) fois lcart-type
(i-1)
b. En cas de prvision dune diminution dans une priode (i) la moyenne de la
loi a priori sera toujours gale (1- ) fois le a posteriori de la priode (i-
27
1).Lcart-type sera dtermin selon lincertitude de lexpert, tel exprim

en a).
Si lexpert prvoit une stabilit du taux de dfaillance dans une priode (i), la
moyenne de la loi a priori sera toujours gale au a posteriori de la priode (i-1) et
lcart-type est donn avec lcart-type tel que exprim en a).
En combinant les diffrents avis de lexpert avec les diffrentes incertitudes nous
obtenons les scnarios suivants :
Tableau 3-2 Diffrents scnarios a priori selon les avis de l'expert
Numro Scnario Incertitude Moyenne() cart-type()

1 Sans Avis / = (j-1) = (j-1)
2 Augmentation Certaine = (1+) (j-1) = (1-)(j-1)
3 Augmentation Moyenne = (1+) (j-1) = (j-1)
4 Augmentation Incertaine = (1+) (j-1) = (1+)(j-1)
5 Diminution Certaine = (1-) (j-1) = (1-)(j-1)
6 Diminution Moyenne = (1-) (j-1) = (j-1)
7 Diminution Incertaine = (1-) (j-1) = (1+)(j-1)
8 Stabilit Certaine = (j-1) = (1-)(j-1)
9 Stabilit Moyenne = (j-1) = (j-1)
10 Stabilit Incertaine = (j-1) = (1+)(j-1)
28
3.3 Algorithme dactualisation du taux de dfaillance
La figure 3.3 prsente lalgorithme dactualisation du taux de dfaillance dun

quipement. Ce taux de dfaillance est suppos constant pendant une priode (i).
Figure 3.3 Algorithme dactualisation du taux de dfaillance

29
Dans notre cas, la vraisemblance est calcule partir dune distribution exponentielle.
Lavis de lexpert est modlis en une loi normale avec une moyenne et cart-type connu.
Ces deux lois ne sont pas conjugues, donc la mthode MCMC appropri. Dans ce cas,
lalgorithme de Metropolis-Hastings est utilis. Les paramtres dinitialisation sont :
Le lambda estim du constructeur est de 5 10-3 dfaillance/heure.

Lcart-type estim du constructeur est de 5 10-4 dfaillance/heure.
Ltendue dune priode (i) est de 104 heures.
Le nombre dchantillonnages de la mthode Metropolis-Hastings est fix 1000
itrations.
Lcart-type de la loi instrumentale utilise par la mthode Metropolis-Hastings
est de 10-3.
3.4 Rsultats obtenus et discussion
3.4.1 Effet de la variation des paramtres (, )
Nous avons appliqu diffrents scnarios des avis et des incertitudes quun expert
pourrait formuler. Nous obtenons 10 scnarios possibles (Tableau 3.2) en combinant les
avis dexpert (4 avis) et sa prcision (3 niveaux) (Tableau 3.1), sachant que le scnario du
sans avis na pas de prcision. Pour tous les scnarios, nous avons considr une seule
priode mais avec plusieurs valeurs des paramtres (, ) de la loi uniforme. Rappelons
que ces paramtres dfinissent le pourcentage daugmentation ou de diminution dsir
par lexpert. Les tableaux 3.3, 3.4 et 3.5 prsentent les rsultats pour les couples (, )
suivant une loi uniforme respectivement entre (0;0,1), (0,1;0,2) et (0,2;0,3).
Les tableaux 3.3, 3.4 et 3.5 montrent que si les valeurs de (, ) changent, les 2 premiers
scnarios donnent des rsultats identiques. Ces scnarios sont : lexpert sans avis et
lexpert prvoit une stabilit du taux de dfaillance avec ses trois niveaux de prcision.
Ceci est parfaitement normal, car lavis de lexpert est non information. Cest la
vraisemblance qui prend le dessus. Par contre en cas dun avis daugmentation ou de
diminution du taux de dfaillance, laugmentation ou la diminution du taux a posteriori
est proportionnelle aux valeurs de (, ). Ainsi, si (, ) augmentent, le taux de
dfaillance a posteriori augmente et inversement. Ceci traduit le fait que laugmentation
30
ou la diminution des valeurs de (, ), dans ces scnarios, rend la distribution a priori

plus informative et devient plus influente que la vraisemblance. Ce qui explique la
croissance ou dcroissance du taux de dfaillance a posteriori.
Tableau 3-3 Rsultats de simulation aprs 1000 itrations avec (, ) provenant dune loi uniforme (0 ; 0.1)
Tableau 3-4 Rsultats de simulation aprs 1000 itrations avec (, ) provenant dune loi uniforme (0.1 ; 0.2)
Tableau 3-5 Rsultats de simulation aprs 1000 itrations avec (, ) provenant dune loi uniforme (0.2 ; 0.3)
31
En rsum, le tableau 3-6 suivant prsente le rsultat des moyennes et des cart-types en
fonction de (, ).
Tableau 3-3 Rsum des rsultats du taux de dfaillance a posteriori en fonction de (, )
3.4.2 Effet de lincertitude de lexpert
Dans cette exprimentation, nous simulons un cas daugmentation du taux de dfaillance

mais avec trois types dincertitudes de lexpert : certaine, moyenne et incertaine avec (,
) sont compris dans (0.2 ; 0.3). Les rsultats de simulation sont prsents dans le tableau 3-
7 et les figures suivantes :
Tableau 3-7 Rsultats de simulation avec un un avis d'augmentation et (, ) entre (0.2;0.3)
En examinant leffet de la prcision de lexpert, nous remarquons que taux de dfaillance

a posteriori augmente (respectivement diminue) significativement si lexpert est certain
(respectivement incertain). De plus, lcart-type du taux de dfaillance a posteriori
augmente lorsque lexpert est incertain. Ce qui est tout fait logique.
Dans les figures 3.4, 3.5 et 3.6, les graphes de haut en bas prsentent respectivement, la
loi a posteriori avant chantillonnage, la distribution a priori de lexpert, la densit
thorique du modle aprs chantillonnage et la squence dchantillonnage obtenue par
MCMC pour les cas dune augmentation certaine, moyenne et incertaine respectivement.
Nous remarquons partir de ces figures, que la mthode de Metropolis-Hastings

converge rapidement vers une valeur du taux de dfaillance a posteriori qui serait la
moyenne de toutes les valeurs du taux de dfaillance a posteriori chantillonnes. Cette
32
moyenne ainsi que lcart-type de lchantillonnage sont les paramtres de la densit a

posteriori du taux de dfaillance.
A premire vue, il semble que les 3 figures se ressemblent mais en examinant de plus
prs, nous constatons que seulement les graphes en haut des trois figures sont identiques
(car nous avons la mme vraisemblance). Les autres graphes sont diffrents cause du
changement de la prcision de la loi a priori. En effet, la prcision de lexpert affecte le
nombre des chantillons qui sapprochent de la moyenne a postriori. Une grande
prcision permet de tirer des chantillons qui se rapprochent le plus de la valeur exacte du
taux de dfaillance a postriori.
Figure 3.4 La vraisemblance, la priori et le rsultat dchantillonnage dans le cas dune augmentation certaine
avec (, ) provenant dune loi uniforme (0.2 ; 0.3)
33
Figure 3.5 La vraisemblance, la priori et le rsultat dchantillonnage dans le cas dune augmentation moyenne
avec (, ) provenant dune loi uniforme (0.1 ; 0.2)
Figure 3.6 La vraisemblance, la priori et le rsultat dchantillonnage dans le cas dune augmentation
incertaine avec (, ) provenant dune loi uniforme (0.1 ; 0.2)
34
CHAPITRE 4 : STRATGIE DE MAINTENANCE ET

OPTIMISATION
Dans le chapitre prcdent, nous avons modlis et estim la moyenne du taux de

dfaillance dun quipement ainsi que sa variance en utilisant une infrence baysienne
de type MCMC. Nous avons dmontr que nous pouvons avoir plusieurs valeurs a
posteriori selon lavis de lexpert. Nous avons considr un quipement dont le taux de
dfaillance est constant par intervalle et nous avons modlis lavis dun expert laide
dune loi normale. Dans ce chapitre, le taux dfaillance actualis sera intgr une
stratgie de remplacement priodique de lquipement avec rparation minimale en cas
de dfaillance. Nous tudierons cette stratgie sur un horizon fini et dterminerons la
stratgie optimale qui minimise le cot total moyen de maintenance dans le cas dun avis
daugmentation du taux de dfaillance. Deux cas de figures sont examins : le cas o la
vraisemblance nest pas actualise dune priode destimation lautre, et le cas o la
vraisemblance est actualise avec le taux de dfaillance a posteriori de la priode
prcdente.
4.1 Modlisation de la stratgie de maintenance
Pour un quipement assujetti des dfaillances alatoires, le besoin des stratgies de

maintenance est crucial pour viter les cots levs des dfaillances et des arrts de
lquipement. La stratgie de maintenance qui nous intresse est dite priodique avec
rparation minimale en cas de dfaillance. Sous cette stratgie, les rparations remettent
lquipement dans un tat oprationnel mais sa performance sera la mme que celle
ltat juste avant la dfaillance. Cette stratgie est trs applique dans le cas de systmes
complexes ou multi-composants.
La stratgie de remplacement priodique avec rparation minimale en cas de dfaillance

sera amliore afin de pouvoir prendre en compte lactualisation du taux de dfaillance
sur plusieurs priodes. Cette stratgie sera value et optimise sur un horizon fini de 20
annes. En dautres termes, dans cette stratgie, nous allons considrer un taux de
dfaillance discret sur plusieurs priodes.
35
Ce taux de dfaillance sera actualis dune priode une autre selon les donnes de
dfaillance enregistres et les avis des experts sur lhorizon de ltude. Cest--dire, dans
chaque priode j nous estimons le taux de dfaillance postriori et son cart-type. Ce
taux sera considr dans la fonction du cot de la stratgie pour la priode j en question.
4.1.1 Hypothses et notations
Les hypothses suivantes sont considres dans le modle des cots de la stratgie :
Les pannes sont dtectes instantanment

Les dures de maintenance corrective ou prventive sont considres comme
ngligeables
Le taux de dfaillance est actualis selon une mthode baysienne chaque
priode ce qui conduit un taux de dfaillance discret.
Les cots lis aux oprations de maintenance sont connus et constants.
Notation
: Nombre total de priodes

T : Priode de remplacement prventif de lquipement.
: Cot de rparation corrective de lquipement la fin dune priode j.
: Cot dinspection de lquipement la fin de chaque priode j.
: Cot de rparation prventive de lquipement
: Cot de rparation minimale du produit chaque panne
: Taux de dfaillance a postriori
: Cot total moyen par unit de temps
4.1.2 Formulation mathmatique du cot
Daprs le travail de Barlow et Proschan (1996), le cot total espr durant un cycle de
longueur T scrit comme suit :

+ E[N] + 0
, = = (4.1)

Ce modle suppose une fonction du taux de dfaillance continue dans le temps. Le cot
des rparations minimales la fin de la priode T est gal :
36
= . (4.2)
0
Dans le cas de notre tude, les valeurs du taux de dfaillance (t) sont diffrentes dune
priode lautre. Il sagit dune fonction constante par priode. Ainsi, en considrant que
le taux de dfaillance est discret, le cot de rparation minimale la priode (k) scrit
comme suit :
= . ) (4.3)
=1
o est lintervalle de temps reprsentant ltendue dune priode et = 1, .
Prenant en compte le cot dinspection , le cot total moyen par priode se dfinit
comme suit :

+ + =1 )
C = (4.4)

Existence et unicit dune politique optimale
Le problme de vrification de lexistence dune stratgie optimale revient trouver un

qui minimise le cot total moyen. Pour ce faire, nous drivons la fonction du cot total
C par rapport k:

( + + ( =1 ))
= (4.5)
2
Nous cherchons ensuite la valeur de k qui annule la drive :
) =0 (4.6)
=1

+ ) = (4.7)

=1
37
Pour ce faire, nous avons une fonction dont la variable k ne peut pas tre isole : k se
trouve comme un terme de la sommation du taux de dfaillance. Dans ce cas, une
rsolution numrique est privilgie. Nous avons choisi de dterminer la solution
optimale de lexpression prcdente par simulation.
4.2 Structure des donnes

Pour appliquer la mthode de simulation par MatLab, nous avons gnr des observations
de vraisemblance en utilisant le taux de dfaillance estim par le constructeur. Le tableau
4-1 prsente la structure des donnes exploites :
Tableau 4-1 Structure des donnes de dures de vie
Anne (j)
Anne 1 Anne 2 Anne n
Nombre de
dfaillances (i)
1 11 12 1
2 21 21 2
3 31 21 3
. . . . .
. . . . .
. . . . .
i 1 2
i+1 (+1)2
Il faut bien noter que la somme des dures de dfaillance pour une priode donne ne
devrait pas dpasser une anne, soit 104 heures. Ce qui veut dire que nous naurons pas
un nombre gal dobservations dune anne lautre. Pour les besoins de ce cas dtude,
nous avons choisi les cots suivants (Tableau 4-2).
Tableau 4-2 Donnes des cots de maintenance
Cots (K$) 0,5 40 0,1

38
4.3 Rsultats de la simulation
Nous avons programm laide dun programme MatLAb le calcul du cot total moyen
de la stratgie de remplacement priodique avec rparation minimale. Ce programme
simule le cot de maintenance sur une priode de 20 priodes, chaque priode dure 104
heures. Deux scnarios sont simuls : le scnario o la vraisemblance est non actualise
et le scnario o elle est actualise. Dans le premier scnario, le taux de dfaillance qui a
servi pour estimer les dures de vie est correspond celui propos par le constructeur. Il
ne change pas dune priode lautre, donc la vraisemblance reste la mme. Dans le
second scnario, le taux de dfaillance a posteriori est utilis pour simuler les donnes de
vraisemblance pour la priode subsquente. Pour comparer les stratgies optimales pour
ces deux scnarios, nous avons choisi de garder la mme squence davis dexpert durant
les 20 priodes de simulation. Trois avis dexpert sont considrs. Ils concernent tous
laugmentation du taux de dfaillance avec trois niveaux dincertitude : certaine,
moyenne, incertaine).
4.3.1 Cas de la vraisemblance non actualise
Dans les tableaux 4.3, 4.4 et 4.5, nous prsentons le taux de vraisemblance non actualiss,
le taux de dfaillance a posteriori et son cart-type ainsi que les cots de maintenance
pour chaque priode (anne) sur un horizon de 20 priodes avec un avis dexpert relatant
une augmentation certaine , moyenne et incertaine respectivement.
Daprs le tableau 4-3, nous remarquons que lorsque lexpert est sr quant
laugmentation du taux dfaillance, le taux de dfaillance a posteriori croit
exponentiellement. Lcart-type diminue si la moyenne a priori ne sloigne pas
beaucoup de la moyenne de vraisemblance. Sinon, lcart-type commence crotre aussi.
Dautre part nous remarquons que le cot de maintenance par unit de temps est minimal
la cinquime priode. Pour dterminer exactement le , nous avons utilis une
fonction polynomiale (polyfit) de degr 5 sous MatLab. Cette fonction nous donne un
cot minimum 3913 $ atteint aprs 4.97 104 heures de fonctionnement. Donc, les
remplacements prventifs se feront chaque = 4.97 104 .
39
Tableau 4-3 Rsultats, cas daugmentation sure du taux de dfaillance, vraisemblance non actualise avec 0.1 <
< 0.2
Les graphes de la figure 4.1 prsentent respectivement de haut vers le bas : le

comportement du taux de dfaillance; lvolution de lcart-type pendant les 20 priodes
et lvolution du cot de la maintenance. Nous remarquons sur le graphe des cots de la
figure 4.1, que ce dernier dcroit rapidement pour atteindre le minimum dtect la fin
de la quatrime priode puis il prsente une tendance daugmentation rapide.
Figure 4.1 volution du taux de dfaillance, cart-type et cot de maintenance, cas daugmentation
sure avec 0.1 < < 0.2
40
Dans le tableau 4.3, la prcision de lexpert est moyenne pour chaque anne avec 0.1 < <
0.2. De ce fait, nous constatons que le taux de dfaillance a posteriori augmente
moyennement par rapport au premier cas. Cependant, la bande [min, max] qui dsigne la
borne suprieure et infrieure du taux a posteriori est plus large justifiant ainsi la
lincertitude moyenne de lexpert.
En appliquant la mme fonction polyfit sous MatLab, le cot minimum de maintenance

est atteint = 5.94 104 avec un cot minimum donn par = 3738 $.
Une fois le cot minimum atteint, laugmentation du cot se fait lentement cause de la
lente croissance du taux de dfaillance a postriori. Dans ce cas de figure, il serait plus
conomique deffectuer le remplacement prventif la fin de la 5epriode.
Tableau 4-4 Rsultats en cas daugmentation moyenne de taux de dfaillance, vraisemblance non actualise,
avec 0.1 < < 0.2
Dans le graphe de la figure 4.2, nous remarquons que le taux de dfaillance croit dune
faon linaire passant de 0,0056 jusqu 0,0137dfaillance/heure avec une prcision
moyenne. Par contre, lvolution de lcart-type nest pas affecte par la prcision de
lexpert sauf lorsque la moyenne a priori sloigne considrablement de la moyenne de la
vraisemblance. Lcart-type devient plus grand.
Le graphe reprsentant lvolution du cot de maintenance (courbe en bas de la figure

4.2) a tendance saplatir aprs atteinte du cot minimum la fin de la priode 5. Ceci
41
indique quen considrant une incertitude moyenne de lexpert, le cot de maintenance,

augmentent lentement.
Figure 4.2 volution du taux de dfaillance, cart-type et cot de maintenance, cas daugmentation moyenne
avec 0.1 < < 0.2
Dans le cas o lexpert est incertain quant laugmentation du taux de dfaillance, nous
constatons que le taux de dfaillance a posteriori est fluctuant. Ce qui est expliqu par
leffet dominant de la vraisemblance sur la densit a postriori, alors que linformation a
priori a un effet mineur. De plus, vu lincertitude de lexpert la bande [min, max] qui
dsigne les bornes suprieure et infrieur du taux de dfaillance est trs large (Tableau 4-
5).
Le minimum du cot de maintenance est atteint = 10.41 104 , avec =

3504 $ . Il serait intressant conomiquement de considrer une priodicit de
remplacement prventif optimale chaque . Cependant, nous encourons le risque de
se baser sur un avis dexpert incertain qui peut savrer loin de la vraisemblance (figure
4.3).
42
Tableau 4-5 Rsultats, cas daugmentation incertaine de taux de dfaillance, vraisemblance non actualise, avec
0.1 < < 0.2
Figure 4.3 volution du taux de dfaillance, cart-type et cot de maintenance, cas daugmentation incertaine
avec 0.1 < < 0.2
43
Le tableau 4-6 rsume les diffrentes priodicits optimales ainsi que les cots de
maintenance cette priodicit en fonction de lincertitude de lexpert:
Tableau 4-6 Rcapitulatif des stratgies optimales en fonction de lincertitude de lexpert
Prcision Expert () 104 ($)

Certaine 4.97 3913
Moyenne 5.94 3738
Incertaine 10.41 3504
Dans la figure 4.4, les graphiques servent comparer les trois cas daugmentation du taux
de dfaillance selon les diffrentes incertitudes de lexpert. Nous remarquons bien que la
croissance du taux de dfaillance devient plus significative avec laugmentation de
lincertitude de lexpert.
0,06
Taux de dfaillance
0,05
0,04
0,03 Aug_sur1
0,02 Aug_Moy1
0,01
Aug_pas sur1
0,00
0 5 10 15 20 25
Annes
Figure 4.4 Comparaison du comportement du taux de dfaillance suivant trois avis dexpert diffrents
La figure 4.5 montre que le cot de maintenance est en accord avec lvolution du taux
de dfaillance. Cependant, le minimum des cots est atteint plus rapidement lorsque
lexpert est certain. La priodicit du remplacement prventif sloigne lorsque lexpert
est incertain. Nous pouvons conclure que la priodicit optimale de remplacement
diminue avec laugmentation de la prcision de lexpert et inversement.
44
12,0
10,0
cout en K$
8,0
6,0 Aug_sur
4,0 Aug_Moy
2,0
Aug_Incertain
0,0
0 5 10 15 20 25
Annes
Figure 4.5 Comparaison des cots de maintenance pour trois avis dexperts
4.3.2 Cas de la vraisemblance actualise
Dans ce cas, le taux de dfaillance a posteriori sert actualiser la vraisemblance (les

observations des dures de vie) dans la priode suivante. Nous obtenons les rsultats de
simulation dans le cas o lexpert est certain dune augmentation du taux de dfaillance
chaque priode avec un pourcentage compris 0 < < 0.1. Ensuite, nous comparons ce cas
avec le cas de la vraisemblance constante (sous-section 4.3.2).
Le tableau 4.7, indique que le cot de maintenance minimum si nous nous basons sur les
donnes de vraisemblance du taux estim par le constructeur, se situe entre les priodes 9
et 10. En approximant les cots de maintenance par la fonction polyfit de MatLab, nous
obtenons une priodicit optimale = 9.75 104 , avec = 3269 $ . Si
lquipement tombe en dfaillance avant , il sera rpar minimalement.
Dans le cas dune actualisation de la vraisemblance, le taux de dfaillance a une

croissance plus rapide par rapport au premier cas. Parce que le nombre de dfaillances
augmente chaque priode. Cependant, lcart-type nest pas trs affect, ce qui est
justifi compte tenu de lavis certain de lexpert propos de laugmentation dans les deux
cas. Le cot de maintenance par unit de temps est minimum = 5.80 104 ,
avec = 3557 $. Ce cot se situe entre les priodes 5 et 6. Si lquipement tombe
en dfaillance avant , il sera rpar minimalement.
45
Tableau 4-7 Rsultats de simulation en cas daugmentation sure de taux de dfaillance, vraisemblance non
actualise, avec 0 < < 0.1
Tableau 4-8 Rsultats de simulation en cas daugmentation sure de taux de dfaillance, vraisemblance
actualise, avec 0 < < 0.1
Nous rsumons les rsultats des cots de maintenance dans le tableau 4-9 suivant :
Tableau 4-9 Rcapitulatif des stratgies optimales en fonction lactualisation de la vraisemblance
() ( ) ($)
Vraisemblance non actualise 9.75 104 3269
Vraisemblance actualise 5.80 104 3557
46
Les Figures 4.6 et 4.7 comparent respectivement, lvolution du taux de dfaillance ainsi
que lvolution du cot de maintenance, en supposant que les observations de
vraisemblance de lquipement seront actualises ou non actualises dans chaque
priode. Le cot minimum de maintenance ( ), est atteint plus rapidement lorsque la
vraisemblance est actualise par le taux de dfaillance a posteriori de la priode
prcdente, la croissance du cot est plus significative (Figure 4-7).
0,014
0,013
0,012
0,011
Taux de panne
0,01
0,009
vraisemblance actualise
0,008
0,007 Vraisemblance non
actualise
0,006
0,005
0,004
0 10 20 30
Annes
Figure 4.6 volution du taux de dfaillance avec actualisation ou non de la vraisemblance
6
Cout en K$
5
Cout avec Vraiss actualie
Cout avec vraiss non

4 actualise
3
0 5 10 15 20 25
Annes
Figure 4.7 volution du cot de maintenance dans le cas dactualisation ou non de la vraisemblance
47
CHAPITRE 5 : CONCLUSION GNRALE
L'utilisation des mthodes baysiennes prsente beaucoup davantages. En effet, ces

mthodes utilisent des connaissances antrieures, des avis dexperts ou des intuitions,
exprimes sous forme de distribution de probabilit, afin de gnrer une nouvelle
information. Les mthodes MCMC ont permis de simplifier les calculs lorsque la loi a
priori est non conjugue.
Dans le cadre de ce mmoire, nous avons propos une stratgie de rparation minimale
pour un quipement. Cette stratgie intgre un taux de dfaillance actualis par une
infrence baysienne chaque priode. La complexit du modle baysien dploy nous
a amen appliquer une mthode dchantillonnage de type MCMC.
Ce projet de recherche, nous a permis de bien apprhender les points suivants :
Utiliser les statistiques baysiennes dans le domaine de la fiabilit.

Avoir recours aux mthodes MCMC pour simuler des modles statistiques
complexes.
Modliser une stratgie de maintenance initialement ddie pour des taux de
dfaillance continus et non actualiss
Utiliser la simulation pour optimiser le cot total moyen dune stratgie de
rparation minimal.
Analyser les rsultats de diffrents scnarios.
Dans ce travail, nous avons pu intgrer le taux de dfaillance actualis pour proposer une
stratgie de remplacement priodique avec rparation minimale en cas de dfaillance et
loptimiser dans le cas du taux de dfaillance croissant.
Un programme crit avec le code Matlab a t labor pour combiner et actualiser le taux
de dfaillance dune priode lautre. Le programme utilise ce taux actualis pour
dterminer la stratgie de remplacement optimale.
Comme dveloppement et complment de ce travail de recherche, nous proposons les

perspectives de recherche suivantes :
48
Le programme dvelopp utilise un seul expert. C'est--dire les avis dun seul
expert sont modliss selon une seule distribution. Si plusieurs experts sont
disponibles, il serait intressant de modliser leurs avis avec plusieurs lois a priori
et dterminer une seule distribution a posteriori pour une seule vraisemblance.
Ltude de la sensibilit de ltude peut tre effectue en changeant les
paramtres de modlisation et de simulation.
49
RFRENCES
Achcar, J. A. and S. Loibel (1998). "Constant hazard function models with a change point: A
Bayesian analysis using markov chain Monte Carlo methods." Biometrical journal 40(5): 543-
555.
Andrieu, C., et al. (2003). "An introduction to MCMC for machine learning." Machine learning
50(1-2): 5-43.
Bagayoko, M. (2009). Stratgie de maintenance optimale du parc de locomotives de Transrail,

cole de technologie suprieure.
Barlow, R. and L. Hunter (1960). "Optimum preventive maintenance policies." Operations

Research 8(1): 90-100.
BARLOW, R. E. P. and F. Proschan (1965). F.(1965).Mathematical theory of reliability, Wiley,

New York.
Berger, J. O. (2000). "Bayesian analysis: A look at today and thoughts of tomorrow." Journal of
the American Statistical Association 95(452): 1269-1276.
Boland, P. J. (1982). "Periodic replacement when minimal repair costs vary with time." Naval
Research Logistics Quarterly 29(4): 541-546.
Boland, P. J. and F. Proschan (1982). "Periodic replacement with increasing minimal repair costs
at failure." Operations Research 30(6): 1183-1189.
Boudali, H. and J. B. Dugan (2006). "A continuous-time Bayesian network reliability modeling,
and analysis framework." Reliability, IEEE Transactions on 55(1): 86-97.
Brooks, S. (1998). "Markov chain Monte Carlo method and its application." Journal of the royal
statistical society: series D (the Statistician) 47(1): 69-100.
Casarin, R. (2011). Monte Carlo Methods using Matlab.
Casella, G. (1985). "An introduction to empirical Bayes data analysis." The American Statistician
39(2): 83-87.
Chelbi, A. and D. Ait-Kadi (2004). "Analysis of a production/inventory system with randomly

failing production unit submitted to regular preventive maintenance." European Journal of
Operational Research 156 (3): 712-718.
Chib, S. and E. Greenberg (1995). "Understanding the metropolis-hastings algorithm." The

American Statistician 49(4): 327-335.
Cox, D. R., et al. (1962). Renewal theory, Methuen London.

50
Dayanik, S. and . Grler (2002). "An adaptive Bayesian replacement policy with minimal
repair." Operations Research 50(3): 552-558.
Deely, J. and D. Lindley (1981). "Bayes empirical bayes." Journal of the American Statistical
Association 76(376): 833-841.
Diaconis, P. and D. Ylvisaker (1979). "Conjugate priors for exponential families." The Annals of
statistics 7(2): 269-281.
Ebrahimi, N., et al. (1997). Bayesian analysis of change-point hazard rate models, Citeseer.
Efron, B. and C. Morris (1972). "Empirical Bayes on vector observations: An extension of Stein's
method." Biometrika 59(2): 335-347.
Elsayed, E. A. (2012). Reliability engineering, Wiley Publishing.
Fink, D. (1997). "A compendium of conjugate priors." See http://www. people. cornell.
edu/pages/df36/CONJINTRnew% 20TEX. pdf: 46.
Gelfand, A. E. and A. F. Smith (1990). "Sampling-based approaches to calculating marginal

densities." Journal of the American Statistical Association 85(410): 398-409.
Gendre, F. (1977). L'analyse statistique univarie: introduction son utilisation pratique, Librairie
Droz.
Geweke, J. (2005). Contemporary Bayesian econometrics and statistics, Wiley. com.
Gill, J. (2002). Bayesian methods: A social and behavioral sciences approach, CRC press.
Haghighattalab, A., et al. (2012). "Bayesian inference along Markov Chain Monte Carlo approach
for PWR core loading pattern optimization." Annals of Nuclear Energy 50: 150-157.
Hastings, W. K. (1970). "Monte Carlo sampling methods using Markov chains and their
applications." Biometrika 57(1): 97-109.
Jiang, X., et al. (2012). "Bayesian inference method for stochastic damage accumulation
modeling." Reliability Engineering & System Safety.
Karandikar, J. M., et al. (2012). "Prediction of remaining useful life for fatigue-damaged
structures using Bayesian inference." Engineering Fracture Mechanics.
Kass, R. E. and D. Steffey (1989). "Approximate Bayesian inference in conditionally independent

hierarchical models (parametric empirical Bayes models)." Journal of the American Statistical
Association 84(407): 717-726.
Kozlov, B. A. e., et al. (1970). Reliability handbook, Holt, Rinehart and Winston New York.
Laprie, J.-C. (2004). "Sret de fonctionnement des systmes: concepts de base et terminologie:
Sret de fonctionnement." REE. Revue de l'lectricit et de l'lectronique(11): 95-105.
51
Lawson, A. B. (2006). "Disease cluster detection: a critique and a Bayesian proposal." Statistics
in Medicine 25(5): 897-916.
Liu, J. S. and T. Logvinenko (2003). "Bayesian methods in biological sequence analysis."

Handbook of Statistical Genetics.
Martinez, W. L. and A. R. Martinez (2001). Computational statistics handbook with MATLAB,

CRC press.
Metropolis, N., et al. (1953). "Equation of state calculations by fast computing machines." The
journal of chemical physics 21: 1087.
Miller, I., et al. (1965). Probability and statistics for engineers, Prentice-Hall Englewood Cliffs,
NJ.
Morris, C. N. (1983). "Parametric empirical Bayes inference: theory and applications." Journal of
the American Statistical Association 78(381): 47-55.
Nakagawa, T. (1986). "Periodic and sequential preventive maintenance policies." Journal of

applied Probability: 536-542.
Parent, . and J. Bernier (2007). Le raisonnement baysien: modlisation et infrence, Springer.
Prez, C., et al. (2006). "MCMC-based local parametric sensitivity estimations." Computational
statistics & data analysis 51(2): 823-835.
Pham, H. and H. Wang (1996). "Imperfect maintenance." European journal of operational

research 94(3): 425-438.
Raftery, A. and V. Akman (1986). "Bayesian analysis of a Poisson process with a change-point."
Biometrika: 85-89.
Ringler, J. (1981). "Une modlisation baysienne du taux de dfaillance en fiabilit." Revue de

Statistique Applique 29(1): 43-56.
Robert, C. P. (2005). Le choix baysien: Principes et pratique, Springer.
Roberts, G. O. and A. F. Smith (1994). "Simple conditions for the convergence of the Gibbs
sampler and Metropolis-Hastings algorithms." Stochastic processes and their applications49(2):
207-216.
Robinson, D. G. (2001). "A hierarchical Bayes approach to system reliability analysis." Sandia
Report Sand 2001 3513.
Rousseau, J. (2009). Statistique Baysienne Notes de cours, ENSAE-ParisTech.
Saporta, G. (2006). Probabilits, analyses des donnes et statistiques, Editions Technip.

52
Sheu, S.-H., et al. (1999). "A Bayesian perspective on age replacement with minimal repair."
Reliability Engineering & System Safety 65(1): 55-64.
Sheu, S.-H., et al. (2001). "A Bayesian approach to an adaptive preventive maintenance model."
Reliability Engineering & System Safety 71(1): 33-44.
Smith, A. F. and G. O. Roberts (1993). "Bayesian computation via the Gibbs sampler and related
Markov chain Monte Carlo methods." Journal of the Royal Statistical Society. Series B
(Methodological): 3-23.
Tango, T. (1978). "Extended block replacement policy with used items." Journal of applied
Probability: 560-572.
Wang, H. (2002). "A survey of maintenance policies of deteriorating systems." European journal
of operational research 139(3): 469-489.
Yuan, T. and Y. Kuo (2010). "Bayesian analysis of hazard rate, change point, and cost-optimal
burn-in time for electronic devices." Reliability, IEEE Transactions on 59(1): 132-138.
53
ANNEXES
ANNEXE A: PROGRAMME MATLAB
clear
clc
filename = 'TEST.xlsx';
Lambda_estimee = zeros(1,1);
Error_Lambda_estimee = zeros(1,1);
Cout_reparation_Annee = zeros(1,21);
Cout_Reparation_cumulee = zeros(1,21);
cout_maintenance = zeros(1,21);
lambdaMin(1)= 0.0045;
Lambda_estimee(1) = 0.005;
lambdaMax(1) = 0.0055;
Error_Lambda_estimee(1) = 0.0005;
% Ecart-type de lambda estime
cout_maintenance(1) = 0;
Cout_reparation_Annee(1) = 0;
Temps_estime = 10000;
Couts = xlsread(filename, 2, 'B16:D16');
Crm = Couts(1);
% Cout de la reparation minimale
Crc = Couts(2);
% Cout du remplacement Prventif
Ci = Couts(3);
% Cout d'inspection
Nb_pannes_estime = Lambda_estimee * Temps_estime;

Nb_pannes_estime_min = (Lambda_estimee *(1 - Error_Lambda_estimee))*
Temps_estime;
Nb_pannes_estime_max = (Lambda_estimee *(1 + Error_Lambda_estimee))*
Temps_estime;
% Lecture des donnes a partir du fichier donnes Excel
Annee1 = xlsread(filename, 1, 'G2:G500');Annee2 = xlsread(filename, 1,

'H2:H500');Annee3 = xlsread(filename, 1, 'I2:I500');
Annee4 = xlsread(filename, 1, 'J2:J500');Annee5 = xlsread(filename, 1,
'K2:K500');Annee6 = xlsread(filename, 1, 'L2:L500');
Annee7 = xlsread(filename, 1, 'M2:M500');Annee8 = xlsread(filename, 1,
'N2:N500');Annee9 = xlsread(filename, 1, 'O2:O500');
Annee10 = xlsread(filename, 1, 'P2:P500');Annee11 = xlsread(filename,
1, 'Q2:Q500');Annee12 = xlsread(filename, 1, 'R2:R500');
Annee13 = xlsread(filename, 1, 'S2:S500');Annee14 = xlsread(filename,
1, 'T2:T500');Annee15 = xlsread(filename, 1, 'U2:U500');
Annee16 = xlsread(filename, 1, 'V2:V500');Annee17 = xlsread(filename,
1, 'W2:W500');Annee18 = xlsread(filename, 1, 'X2:X500');
Annee19 = xlsread(filename, 1, 'Y2:Y500');Annee20 = xlsread(filename,
1, 'Z2:Z500');
54
% Calcul du nombre de pannes par anne, la somme,la somme carre et la

somme cumule des dures de pannes
AN = [size(Annee1,1) size(Annee2,1) size(Annee3,1) size(Annee4,1)

size(Annee5,1) size(Annee6,1) size(Annee7,1) size(Annee8,1)
size(Annee17,1) size(Annee18,1) size(Annee19,1) size(Annee20,1)];
Somme = [sum(Annee1) sum(Annee2) sum(Annee3) sum(Annee4) sum(Annee5)
sum(Annee6) sum(Annee7) sum(Annee8) sum(Annee9) sum(Annee10)
sum(Annee11) sum(Annee12) sum(Annee13) sum(Annee14) sum(Annee15)
sum(Annee16) sum(Annee17) sum(Annee18) sum(Annee19) sum(Annee20)];
Somme_Carree = [sum(Annee1.^2) sum(Annee2.^2) sum(Annee3.^2)
sum(Annee4.^2) sum(Annee5.^2) sum(Annee6.^2) sum(Annee7.^2)
sum(Annee20.^2)];
Somme_cumulee = cumsum(Somme);
% Lecture des avis de l'expert de chaque anne
AV = xlsread(filename, 2, 'B2:U2');
NA = 20;
j = 1;
for j = 1:NA
Avis = AV(j)
% Avis,Variable reprsentant l'avis de l'expert: Pas d'avis(0)

Stabilit(2) Diminution(-1) Augmentation(1)
if Avis ~= 0
% Lacture de la prcision de l'expert pour chaque anne
PR = xlsread(filename, 2, 'B3:U3');
% Precision, Variable dfinissant la precision de l'expert: Certain (0)

Moyennement certain(1) Pas trs certain (2)
Precision = PR(j)
% AugDim,Variable dfinissant le taux d'augmentation ou de diminution

du taux de panne
Aug_Dim = xlsread(filename, 2, 'B4:U4');

AugDim = Aug_Dim(j)
if AugDim == 0
a = xlsread(filename, 2, 'A10');
b = xlsread(filename, 2, 'B10');
55
elseif AugDim == 1
else
end
end
AL = random('Uniform',a,b,[1,20]);
BE = random('Uniform',a,b,[1,20]);
Alpha = AL(j)
Beta = BE(j)
end
Nb_pannes = AN(j)
t = Somme(j)
s = Somme_Carree(j)
Moy_Vrais = Nb_pannes/t
% Avis de l'expert
if Avis == 0
% Expert n'a pas d'avis
muu = Lambda_estimee(j)
sigmaa = Error_Lambda_estimee(j)
Precision = 5;
AugDim = 10;
elseif Avis == -1
% Expert prvoit une diminution
if Precision == 0
muu = (1-Alpha)*Lambda_estimee(j)
sigmaa = (1-Beta)*Error_Lambda_estimee(j)
elseif Precision == 1
else
sigmaa = (1+Beta)*Error_Lambda_estimee(j)
end
end
elseif Avis == 1 %
Expert prvoit une augmentation
if Precision == 0
muu = (1+Alpha)*Lambda_estimee(j)
else
56
end
end
elseif Avis == 2 %
Expert prvoit une stabilisation
if Precision == 0
else
end
end
end
end
end
end
% Metropolis-Hastings
A = '((lambda.^m))*(exp(-sum(t)*lambda))*(1/(sigmaa*sqrt(2*pi))*(exp(-
((lambda-muu).^2)/(2*(sigmaa.^2)))))';
posteriori = inline(A,'lambda','m','t','muu','sigmaa');
% valuation avec la distribution normale.
B = '(1/(sigma*sqrt(2*pi)))*exp(-0.5*((lambda-mu)/sigma).^2)';
norm = inline(B, 'lambda','mu','sigma');
% Gnration des observations.
m = AN(j);
% Nombre d'observations m
% Gnration de N chantillonnage.
% Les parametres
N = 2000;
% Nombre d'itration N
sigma = 0.001;
lambda = zeros(1,N);
% gnration de la valeur initiale de lambda
lambdamin = 0;
lambdamax = 0.02;
seed = 1; rand('state' , seed); randn('state' , seed);
lambda(1) = Lambda_estimee(j);
57
%% Dbut de l'chantillonnage
i = 1;
while i < N
i = i + 1;
% Gnration un point a partir de la distribution propose
theta = lambda(i-1) + sigma*randn(1);
% Calcul du ratio d'acceptation
alpha = min([1,(posteriori(theta,m,t,muu,sigmaa)*norm(lambda(i-
1),theta,sigma))/((posteriori(lambda(i-
1),m,t,muu,sigmaa)*norm(theta,lambda(i-1),sigma)))]);
% Gnration d'une loi uniforme pour la comparaison
u = rand;
if u <= alpha
lambda(i) = theta;
else
lambda(i) = lambda(i-1);
end
lambda_Min = min(lambda);
Moy_lambda = mean(lambda);
lambda_Max = max(lambda);
Et_lambda = std(lambda);
end
Cout_Reparation = (Lambda_estimee(j)*Somme(j))*Crm;
Cout_reparation_Annee(j) = Cout_Reparation;
Cout_Reparation_cumulee = cumsum(Cout_reparation_Annee);
Cout_total_Moyen = (Crc +
Cout_Reparation_cumulee(j)+(j*Ci))/Somme_cumulee(j)
%+(Lambda_estimee(j)*(Somme_cumulee(NA)-Somme_cumulee(j))*Crm))
Resultats = {'Anne', 'Taux de panne Vrais10^-3','Avis
Expert','Precision Expert','AugDim','Taux de panne10^-3','Ecart-
type10^-3','cout Total(K$)'; j Moy_Vrais*10^3 Avis Precision AugDim
Moy_lambda*10^3 Et_lambda*10^3 Cout_total_Moyen}
Matt(j,:) = [j Moy_Vrais*10^-3 Avis Precision AugDim Moy_lambda*10^-
3 Et_lambda*10^-3 Cout_total_Moyen];
%% Affichage les resultats

58
figure(j); clf;
subplot(13,1,7:8);
nbins = 100;
lambdabins = linspace(lambdamin,lambdamax,nbins);
counts = hist(lambda, lambdabins);
bar(lambdabins, counts/sum(counts), 'k');
xlim([lambdamin lambdamax]);
xlabel('\lambda'); ylabel ('a posteriori');
% Affichage de l'a posteriori thorique
D = ((lambdabins.^m)).*(exp(-
sum(t).*lambdabins)).*(1/(sigmaa*sqrt(2*pi)).*(exp(-((lambdabins-
muu).^2)/(2*(sigmaa.^2)))));
hold on;
plot(lambdabins, D/sum(D), 'r--', 'lineWidth', 3);
set(gca, 'Ytick', []);
% Affichage de la vraisemblance
VR = ((lambdabins.^m)).*(exp(-sum(t).*lambdabins));
subplot(13,1,1:2)
plot(lambdabins, VR, '.-.', 'lineWidth', 3)
% Affichage de la loi Normale ( A priori)

R = (1/(sigmaa*sqrt(2*pi)).*(exp(-((lambdabins-
muu).^2)/(2*(sigmaa.^2)))));
subplot(13,1,4:5);
plot(lambdabins, R, 'g--', 'lineWidth', 3)
% Affichage de l'historique d'chantillonnage
subplot(13,1,10:13)
stairs(lambda, 1:N, 'k-');
ylabel ('i'); xlabel('\lambda');
set(gca, 'Ydir' , 'reverse');
xlim([lambdamin lambdamax]);
file = 'C:\Users\Mehdi\Desktop\Resultats';
xlswrite(file, {'Anne','Taux de panne Vrais10^-3','Avis
Expert','Precision Expert','AugDim','Taux de panne10^-3','Ecart-
type10^-3','cout Total(K$)'}, 1,'A1:H1');
xlswrite(file, {0 Lambda_estimee(1)*10^-3 'SO''SO''SO''SO''SO' 0}, 1,
'A2:H2');
xlswrite(file,Matt, 1, 'A3:H22');
%Pause = inputdlg('Entrer pour continuer:', '1', 1);
j = j + 1;
lambdaMin(j) = lambda_Min
Lambda_estimee(j) = Moy_lambda
lambdaMax(j) = lambda_Max
Error_Lambda_estimee(j) = Et_lambda
cout_maintenance(j) = Cout_total_Moyen
59
end
% Tracer l'volution du taux de panne et de son cart-type et le cout

de maintenance
figure(30);
S(1) = subplot(3,1,1);
x = linspace(0,NA,21);
plot(x,Lambda_estimee)
hold on
plot(x,lambdaMin,'k--')
hold on
plot(x, lambdaMax,'r--')
S(2) = subplot(3,1,2);
plot(x,Error_Lambda_estimee)
S(3)= subplot(3,1,3);
plot(x,cout_maintenance)
ylabel('K$')
title(S(1),'Evolution du taux de panne')

title(S(2),'Evolution de l''ecart type')
title(S(3),'Evolution du cout de maintenance moyen')

2014 MohammedMehdiBoumarafi

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

2014 MohammedMehdiBoumarafi

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSIT DE MONTRAL

MODLE DE RPARATION MINIMALE BAS SUR LACTUALISATION BAYSIENNE

MOHAMMED MEHDI BOUMARAFI

MMOIRE PRSENT EN VUE DE LOBTENTION

Boumarafi Mohammed Mehdi, 2014.

COLE POLYTECHNIQUE DE MONTRAL

MODLE DE RPARATION MINIMALE BAS SUR LACTUALISATION

prsent par : BOUMARAFI Mohammed Mehdi

en vue de lobtention du diplme de : Matrise s sciences appliques

a t dment accept par le jury dexamen constitu de :

CLMENT Bernard, Ph.D., prsident

OUALI Mohamed-Salah, Doct., membre et directeur de recherche

CHINNIAH Yuvin, Ph.D., membre

Ce travail a t dirig par le professeur Mohamed-Salah OUALI, qui jadresse toute

Je remercie vivement les membres de mon jury, messieurs. Bernard CLMENT et

Notre mmoire focalise sur deux principaux objectifs:

1. tablir un modle dactualisation des paramtres du taux de dfaillance dun

La mthodologie suivie pour atteindre le premier objectif consiste modliser le taux de

The estimation of equipment reliability Parameters is always conditioned by the

Our work focuses on two main objectives:

TABLE DES MATIRES

3.2 lments de modlisation................................................................................... 24

LISTE DES TABLEAUX

LISTE DES FIGURES

Figure 2.1 La courbe en baignoire (adapte de Kaffel, 2001) ...................................................9

LISTE DES SIGLES ET DES ABRVIATIONS

: Cot de rparation corrective de lquipement la fin dune priode j.

: Cot dinspection de lquipement la fin de chaque priode j.

: Cot de rparation prventive de lquipement

: Cot de rparation minimale du produit chaque panne

: Moyenne de la densit a priori

: cart-type de la densit a priori

: Taux de dfaillance a posteriori

: Markov Chain Monte Carlo

LISTE DES ANNEXES

ANNEXE A : PROGRAMME MATLAB.55

CHAPITRE 1 : INTRODUCTION GNRALE

remplacement prventif une priodicit donne. Ce type de stratgie donne des

raisons et bien dautres pourraient avoir un effet sur le comportement du taux de

- Au fur et mesure que les dfaillances saccumulent, la dgradation de lquipement

1.2 Objectif de travail

Lobjectif de ce travail est de proposer une stratgie de rparation minimale pour un

Considrons les cots de rparation minimale, dinspection et de remplacement prventif,

1.3 Organisation du mmoire

Le chapitre 3 prsente la dmarche de modlisation dactualisation du taux de dfaillance

Le chapitre 4 prsente le modle doptimisation de la stratgie de rparation minimale.

CHAPITRE 2 : CONCEPTS DE BASE ET REVUE DE

2.1 Fiabilit des quipements

2.1.1 Concepts de dfaillance, de fiabilit et de dure de vie

La dfaillance dun quipement dsigne larrt de ralisation de sa fonction principale ou

Plus spcifiquement, lUnion Technique de l'lectricit (UTE), sur recommandation de la

Concept 1: La fiabilit sexprime par une probabilit (grandeur comprise entre 0 et 1)

La fonction de densit de la variable alatoire associe la dure de vie T du systme est

2.1.2 Fonction du taux de dfaillance

La fonction du taux de dfaillance ou davarie dun systme est donn par =

Il en dcoule de cette relation, les relations suivantes :

Figure 2.1 La courbe en baignoire (adapte de Kaffel, 2001)

2.1.3 Lois usuelles de fiabilit

Lvaluation de la fiabilit dun quipement passe obligatoirement par la connaissance

La fonction de distribution (de dfaillance) est donne par : = 1

La fonction de fiabilit est donne par : = (Figure 2.3).

Figure 2.2 La fonction f(t) de la loi exponentielle

Figure 2.3 La fonction R(t) de la loi exponentielle