Académique Documents
Professionnel Documents
Culture Documents
Ce mmoire intitul :
REMERCIEMENTS
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
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
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
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
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
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
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.
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.
Enfin, une conclusion ainsi que les pistes et ides qui peuvent tre dveloppes partir
des travaux labors seront prsentes.
6
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.
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
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.
= 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
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)
= 1 (2.7)
0
9
= (2.8)
0
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).
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.
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.
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)
= (2.15)
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)
= (2.17)
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).
1 1 1 1 2 2 2 2
1 1 2 2
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).
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
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.
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.
(|) () (|)
, 2 , 2 (( 2 + 2 ), 2 2 )
ou 1 = 2 2
() (, ) ( + , + 1)
(, ) (, ) ( + , + )
(, ) (, ) ( + , )
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)
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).
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.
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.
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
(1) (2) ()
1 1
( ) = min [1, ] (2.19)
1 1
Algorithme de Gibbs
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
partir des deux politiques de base cits au-dessus, dautres modles ont t dvelopps,
nous prsentons quelques-uns ci-aprs :
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
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.
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 .
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 :
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 ().
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.
; = , (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
Lexpert devrait donner un avis sur le taux de dfaillance. Quatre possibilits pourraient
tre obtenues :
Pour les trois derniers avis, lexpert pourrait spcifier son incertitude en choisissant une
des situations suivantes :
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.
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
En combinant les diffrents avis de lexpert avec les diffrentes incertitudes nous
obtenons les scnarios suivants :
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 :
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
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 (, )
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.
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
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.
Les hypothses suivantes sont considres dans le modle des cots de la stratgie :
Notation
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
Prenant en compte le cot dinspection , le cot total moyen par priode se dfinit
comme suit :
+ + =1 )
C = (4.4)
( + + ( =1 ))
= (4.5)
2
) =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.
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).
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).
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
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.
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.
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).
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:
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
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.
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
() ( ) ($)
Vraisemblance non actualise 9.75 104 3269
Vraisemblance actualise 5.80 104 3557
46
Les Figures 4.6 et 4.7 comparent respectivement, lvolution du taux de dfaillance ainsi
que lvolution du cot de maintenance, en supposant que les observations de
vraisemblance de lquipement seront actualises ou non actualises dans chaque
priode. Le cot minimum de maintenance ( ), est atteint plus rapidement lorsque la
vraisemblance est actualise par le taux de dfaillance a posteriori de la priode
prcdente, la croissance du cot est plus significative (Figure 4-7).
0,014
0,013
0,012
0,011
Taux de panne
0,01
0,009
vraisemblance actualise
0,008
0,007 Vraisemblance non
actualise
0,006
0,005
0,004
0 10 20 30
Annes
6
Cout en K$
5
Cout avec Vraiss actualie
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
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.
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.
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.
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.
Casella, G. (1985). "An introduction to empirical Bayes data analysis." The American Statistician
39(2): 83-87.
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.
Fink, D. (1997). "A compendium of conjugate priors." See http://www. people. cornell.
edu/pages/df36/CONJINTRnew% 20TEX. pdf: 46.
Gendre, F. (1977). L'analyse statistique univarie: introduction son utilisation pratique, Librairie
Droz.
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.
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.
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.
Prez, C., et al. (2006). "MCMC-based local parametric sensitivity estimations." Computational
statistics & data analysis 51(2): 823-835.
Raftery, A. and V. Akman (1986). "Bayesian analysis of a Poisson process with a change-point."
Biometrika: 85-89.
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.
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;
Crm = Couts(1);
% Cout de la reparation minimale
Crc = Couts(2);
% Cout du remplacement Prventif
Ci = Couts(3);
% Cout d'inspection
AV = xlsread(filename, 2, 'B2:U2');
NA = 20;
j = 1;
for j = 1:NA
Avis = AV(j)
if Avis ~= 0
PR = xlsread(filename, 2, 'B3:U3');
Precision = PR(j)
if AugDim == 0
a = xlsread(filename, 2, 'A10');
b = xlsread(filename, 2, 'B10');
55
elseif AugDim == 1
a = xlsread(filename, 2, 'A11');
b = xlsread(filename, 2, 'B11');
else
a = xlsread(filename, 2, 'A12');
b = xlsread(filename, 2, 'B12');
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
muu = (1-Alpha)*Lambda_estimee(j)
sigmaa = Error_Lambda_estimee(j)
else
muu = (1-Alpha)*Lambda_estimee(j)
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)
sigmaa = (1-Beta)*Error_Lambda_estimee(j)
elseif Precision == 1
muu = (1+Alpha)*Lambda_estimee(j)
sigmaa = Error_Lambda_estimee(j)
else
muu = (1+Alpha)*Lambda_estimee(j)
sigmaa = (1+Beta)*Error_Lambda_estimee(j)
56
end
end
elseif Avis == 2 %
Expert prvoit une stabilisation
if Precision == 0
muu = Lambda_estimee(j)
sigmaa = (1-Beta)*Error_Lambda_estimee(j)
elseif Precision == 1
muu = Lambda_estimee(j)
sigmaa = Error_Lambda_estimee(j)
else
muu = Lambda_estimee(j)
sigmaa = (1+Beta)*Error_Lambda_estimee(j)
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');
B = '(1/(sigma*sqrt(2*pi)))*exp(-0.5*((lambda-mu)/sigma).^2)';
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);
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;
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)))]);
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$)'; j Moy_Vrais*10^3 Avis Precision AugDim
Moy_lambda*10^3 Et_lambda*10^3 Cout_total_Moyen}
Matt(j,:) = [j Moy_Vrais*10^-3 Avis Precision AugDim Moy_lambda*10^-
3 Et_lambda*10^-3 Cout_total_Moyen];
figure(j); clf;
subplot(13,1,7:8);
nbins = 100;
lambdabins = linspace(lambdamin,lambdamax,nbins);
counts = hist(lambda, lambdabins);
bar(lambdabins, counts/sum(counts), 'k');
xlim([lambdamin lambdamax]);
xlabel('\lambda'); ylabel ('a posteriori');
D = ((lambdabins.^m)).*(exp(-
sum(t).*lambdabins)).*(1/(sigmaa*sqrt(2*pi)).*(exp(-((lambdabins-
muu).^2)/(2*(sigmaa.^2)))));
hold on;
plot(lambdabins, D/sum(D), 'r--', 'lineWidth', 3);
set(gca, 'Ytick', []);
% Affichage de la vraisemblance
VR = ((lambdabins.^m)).*(exp(-sum(t).*lambdabins));
subplot(13,1,1:2)
plot(lambdabins, VR, '.-.', 'lineWidth', 3)
subplot(13,1,10:13)
stairs(lambda, 1:N, 'k-');
ylabel ('i'); xlabel('\lambda');
set(gca, 'Ydir' , 'reverse');
xlim([lambdamin lambdamax]);
file = 'C:\Users\Mehdi\Desktop\Resultats';
xlswrite(file, {'Anne','Taux de panne Vrais10^-3','Avis
Expert','Precision Expert','AugDim','Taux de panne10^-3','Ecart-
type10^-3','cout Total(K$)'}, 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
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$')