Vous êtes sur la page 1sur 7

8e Confrence Internationale de MOdlisation et SIMulation - MOSIM10 - 10 au 12 mai 2010 - Hammamet - Tunisie

Evaluation et optimisation des systmes innovants de production de biens et de services

ALGORITHMES DESTIMATION DES PARAMETRES DU PROCESSUS


DE QUASI-RENOUVELLEMENT

Slah Samet, Anis Chelbi Fayal Ben Hmida


Centre de Recherche en Productique Unit de Recherche en Commande, Surveillance et
cole Suprieure des Sciences et Techniques de Tunis, Sret de fonctionnement, cole Suprieure des
Tunisie Sciences et Techniques de Tunis, Tunisie
slah@gmx.fr, anis.chelbi@planet.tn faycal.benhmida@esstt.rnu.tn

RESUME : Cet article prsente un nouvel algorithme destimation des paramtres du processus de quasi-
renouvellement utilis gnralement pour modliser des politiques de maintenance de systmes sujets des dfaillances
alatoires et subissant des rparations imparfaites. Les paramtres estimer sont les paramtres de la distribution qui
caractrise les dures de fonctionnement jusqu la premire dfaillance de lquipement et lindice defficacit des
rparations. La mthode destimation propose utilise un principe de regroupement des donnes disponibles de faon
permettre lutilisation doutils destimation simples. Lalgorithme propos sous deux formes diffrentes peut tre
appliqu directement nimporte quelle distribution et donc nimporte quel quipement.

MOTS-CLES : Maintenance imparfaite, Estimation de paramtres, Processus de quasi-renouvellement.

Beaucoup de modles de maintenance considrent que


1 INTRODUCTION les actions de maintenance sont parfaitement excutes
(c'est dire qu'elles restaurent les systmes un tat
La mise en place de stratgies de maintenance est cru- comme neuf). Ceci n'est pas toujours vrai. Dans la pra-
ciale dans les entreprises industrielles qui sont confron- tique, l'efficacit des actions de maintenance est gnra-
tes l'obligation d'assurer une disponibilit maximale lement comprise entre les deux limites extrmes : (as
de leurs quipements de production. Une stratgie de good as new) et (as bad as old). Il sagit dans ce cas
maintenance est dfinie comme tant la rgle de dcision dactions de maintenance imparfaite. En fait, on ne
qui tablit la squence d'actions entreprendre en fonc- trouve pas toujours des techniciens qualifis, ni les outils
tion de l'tat du systme. A chaque opration de mainte- ni les pices dtaches les plus appropris pour mener les
nance on associe, un cot, une dure et une certaine qua- oprations de maintenance dune faon parfaite. Plu-
lit ou efficacit. La performance d'une stratgie est en- sieurs modles de maintenance imparfaite ont t propo-
suite gnralement value en termes de cot total ses dans la littrature. Ils peuvent tre classs en trois
moyen sur un horizon donn ou en termes de disponibili- catgories: les modles bass sur une rduction arithm-
t stationnaire du systme. tique de l'ge (Malik, 1979), (Kijima et al., 1988), (Kiji-
ma, 1989), les modles de rduction du taux de dfail-
Plusieurs politiques de maintenance ont t proposes lance (Chan et Shaw, 1993) et (Shin et al.1996) et les
dans la littrature. Elles impliquent diffrents types modles fonds sur le processus de quasi-renouvellement
dinterventions prventives et correctives, telles que des - appel galement processus gomtrique. Ce dernier
inspections, des remplacements par des quipements stipule que lors de chaque rparation, la dure inter-
neufs ou usags, des rparations qui permettent de rame- dfaillances est rduite une proportion de la dure in-
ner lquipement un tat comme neuf (as good as new) ter-dfaillances antrieure tout en tant indpendante de
ou encore des rparations minimales ramenant toutes les autres (Wang et Pham, 1996, 1997; Samet et
lquipement un tat de marche en ne modifiant pas al., 2010). Une revue de la littrature sur la maintenance
son taux de dfaillance (as bad as old), etc. imparfaite peut tre trouve dans (Pham et Wang, 1996)
et dans un travail plus rcent de (Shey-Huei et al. 2005).
Les politiques de maintenance sont gnralement mod- Il est bien tabli quafin de pouvoir appliquer dans la
lises laide de modles mathmatiques complexes pratique industrielle les modles de maintenance en g-
(Barlow et Proschan, 1965) utilisant la thorie du renou- nral et ceux de la maintenance imparfaite en particu-
vellement et bien dautres processus stochastiques. Il lier, il est ncessaire davoir disposition des mthodes
existe plusieurs revues de la littrature sur le sujet qui destimation des paramtres relatifs aux processus sto-
rsument les diffrents modles et les groupent en diff- chastiques utiliss, comme par exemple les distributions
rentes classes. Parmi ces revues, on retrouve celles de des dures inter-dfaillances, celles des dures de rpara-
(Valdez-Flores et Feldman, 1989) et celle plus rcente de tion et ventuellement les paramtres relis lefficacit
(Wang, 2002). des actions de maintenance. Dans le cas du processus de
quasi-renouvellement utilis de plus en plus pour mod-
MOSIM10 - 10 au 12 mai 2010 - Hammamet - Tunisie

liser la maintenance imparfaite (Wang et Pham (2006) et {T1 , T2 ,..., Tn } . Le processus de comptage { N (t ), t > 0}
Samet et al. (2010)), il existe peu de travaux dans la
est appel processus de quasi-renouvellement caractris
littrature qui traitent de lestimation des paramtres de
par un paramtre positif a , et un premier intervalle de
ce processus. Les principaux travaux sur ce sujet sont
ceux de Lam et Chan (1998), Chan et al. (2004), Wang temps T1, si et seulement si T1 = Z1 ; T2 = a Z 2 ;
et Pham (2006) et Yang et al. (2006). Dans Lam et Chan T3 = a 2 Z 3 ;; Tn = a n 1 Z n , o les {Z1 , Z 2 ,..., Z n } sont
(1998) et Lam (2007), les auteurs estiment les para- des variables alatoires indpendantes et identiquement
mtres du processus de quasi-renouvellement pour le cas distribues obissant la mme distribution que celle
dune distribution log-normale. Chan et al. (2004) re- associe au premier instant de dfaillance T1 (figure 1).
prennent les travaux de Lam et Chan (1998) pour une
distribution Gamma. Les auteurs signalent dans ce tra-
vail des problmes de stabilit et par consquent une ...
difficult de rsolution numrique pour le cas de la dis-
...
tribution de Weibull. Wang et Pham (2006) dveloppent
2
deux mthodes pour estimer le paramtre defficacit du T1 = Z1 T2 = a Z2 T3 = a Z3 T n = an Z n
S1
processus de quasi-renouvellement mais ils se limitent
uniquement la distribution Normale. Par ailleurs, Yang S2
et al. (2006) ont tudi la consistance et la convergence S3
asymptotique de lestimateur du maximum de vraisem-
blance, cette tude a t applique sur plusieurs distribu- Sn ...
tions: la distribution exponentielle, la distribution de
Ti : Les temps inter-dfaillances
Weibull, la distribution Gamma et la distribution log- Si : Les instants dapparition des dfaillances
normale.
Figure 1 : Le modle de quasi-renouvellement
Dans ce papier, nous proposons une nouvelle mthode
A noter que dans le contexte de maintenance imparfaite,
destimation des paramtres du processus de quasi-
le paramtre a, dit paramtre defficacit, est compris
renouvellement. Cette mthode utilise un principe de
entre 0 et 1. La valeur a = 1 correspond au cas limite
regroupement des donnes disponibles qui permet
dune action parfaite.
lutilisation doutils destimation simples. Contrairement
aux mthodes dj existantes dans la littrature, la m- A partir de cette dfinition, et si on note f1 (t ) la fonc-
thode destimation propose peut tre applique pour tion de densit de probabilit associe au premier instant
nimporte quelle distribution des instants de la premire de dfaillance et F1 (t ) la fonction de rpartition corres-
dfaillance de lquipement considr.
pondante, on peut dfinir les proprits suivantes :
Dans la section suivante nous rappellerons la dfinition
1 1
du processus de quasi-renouvellement. Dans ce contexte, f n (t / n ) = f1 t / 1 (1)
nous tablirons dans la section 3 les expressions des a n 1 a n 1
fonctions de distribution associes aux dures inter-
dfaillances dun systme dans les cas de la distribution 1
Fn (t / n ) = F1 n 1 t / 1 (2)
Normale, de la distribution Gamma et de la distribution a
de Weibull. Ensuite, nous prsenterons le nouvel algo-
rithme destimation des paramtres du processus de qua- 1 (n) reprsentant le vecteur des paramtres de la dis-
si-renouvellement. Nous proposerons aussi une version tribution F1 (Fn) correspondant la variable alatoire T1
simplifie de cet algorithme qui sera encore plus facile (Tn).
utiliser que lalgorithme destimation de base. Un
exemple numrique est discut dans la section 5. Enfin, Il est intressant de constater que le modle des dures
des conclusions et quelques perspectives de recherches de vie obtenu dans ce contexte du processus de quasi-
futures feront lobjet de la conclusion gnrale la sec- renouvellement correspond une distribution avec des
tion 6. paramtres dpendants du nombre de dfaillances durant
une priode donne. Cette dpendance rend plus difficile
2 LE PROCESSUS DE QUASI- le problme destimation des paramtres et en particulier
RENOUVELLEMENT le paramtre defficacit a des actions de maintenance.

(Wang et Pham, 1996, 1997) dfinissent le processus de 3 MODELES DE DUREES INTER-


quasi-renouvellement comme suit : DEFAILLANCES DANS LE CONTEXTE DU
Soit { N (t ), t > 0} un processus de comptage et soit Ti
PROCESSUS DE QUASI-
RENOUVELLEMENT
lintervalle de temps entre le (i 1) me et le i me vne-
ment de ce processus pour i 1 . On considre une s- Nous considrons dans ce qui suit un systme rparable
quence de variables alatoires non ngatives sujet des dfaillances alatoires et soumis des rpara-
tions de nature imparfaite suivant un processus de quasi-
MOSIM10 - 10 au 12 mai 2010 - Hammamet - Tunisie

renouvellement. Trois formes de distribution de dures 3.3 Cas dune distribution de Weibull deux para-
de vie trs utilises dans la pratique seront tudies: la mtres
distribution Normale, la distribution Gamma et la distri-
bution de Weibull deux paramtres. Si linstant de la premire dfaillance T1 du systme con-
3.1 Cas dune distribution Normale sidr suit une loi Weibull de paramtre de forme et
de paramtre dchelle alors la fonction de densit de
Linstant de la premire dfaillance T1 du systme consi- probabilits correspondante est donne par :
dr suit une loi Normale de moyenne et dcart type
. La fonction de densit de probabilits correspon-
1 t
dante est donne par : t
f1 (t / 1 ) = exp (7)
1 t 2
1
f1 (t / ) = exp (3)
2 2
avec 1T = [ , ]
T

= [ , ]
T
avec T
De la mme faon que pour les distributions Normale et
En utilisant lquation (1), on obtient : Gamma, on peut montrer facilement que :

1
2
1 t (a i 1 ) t t
fi (t / , a ) = i 1 1
exp fi (t ; i ) = i 1 i 1 exp i 1 (8)
(a ) 2 2 (ai 1 )
(4) a a a

pour i = 1, 2,..., n pour i = 1, 2,..., n

Par un simple changement de variables, il est possible de Nous pouvons galement dire que la variable alatoire Ti
dire que la variable alatoire Ti ( i = 1, 2,..., n ) est distri- est distribue selon une loi de Weibull de paramtres
i = ai 1 et i = , soit iT = i , i pour
T
bue selon une loi Normale de paramtres a i 1 et
a i1 . i = 1, 2,..., n .
3.2 Cas dune distribution Gamma

Linstant de la premire dfaillance T1 du systme consi- 4 ALGORITHME DESTIMATION DES


dr suit une loi Gamma de paramtre de forme et de PARAMETRES DU PROCESSUS DE QUASI-
paramtre dchelle . La fonction de densit de proba- RENOUVELLEMENT
bilits correspondante est donne par :
Il est clair que le processus de quasi-renouvellement con-
1 t tient deux familles de paramtres:
f1 (t / 1 ) = t 1 exp (5)
( ) le paramtre qui reprsente le vecteur des para-

= [ , ] et ( ) =
T 1 x
avec 1T x e dx mtres de la distribution correspondant la variable
0
alatoire T1 . Il sagit des paramtres de la distribu-
On peut aisment montrer que : tion qui caractrise les dures de fonctionnement jus-
qu dfaillance de lquipement partir de ltat
t(
1) t neuf (c'est--dire jusqu la premire dfaillance);
fi (t / i ) = exp i 1
(6)
( a )

i 1
( ) a
le paramtre a qui reprsente lindice defficacit
pour i = 1, 2,..., n des actions de maintenance.

Par un simple changement de variables, il est possible de Afin de contourner le problme de non stationnarit des
dire que la variable alatoire Ti est distribue selon une paramtres qui se pose dans les autres mthodes utilises
loi Gamma de paramtres i = ai 1 et i = , soit
dans la littrature, on se propose de faire un tri des don-
nes de telle sorte que le modle de dures de vie corres-
T
iT = i , i pour i = 1, 2,..., n . pondant soit paramtres constants.
.
Selon le contexte pratique, le tri peut tre effectu de
trois manires diffrentes :
MOSIM10 - 10 au 12 mai 2010 - Hammamet - Tunisie

1- Si on dispose dun seul quipement, il faut lobserver un calcul de la valeur moyenne correspondant ces es-
pendant plusieurs priodes. La fin de chaque priode timations.
correspond une action parfaite de remise neuf de En se basant sur cette approche, lalgorithme
destimation propos est le suivant :
lquipement ou son renouvellement. Les donnes
sont regroupes par ordre dapparition des dfail- Algorithme 1 :
lances dans chaque priode (figure 2). 1- Trier les donnes par lune des trois manires prsen-
tes
2- Si lon dispose de m quipements identiques fonc-
tionnant en parallle alors on peut constituer m en- {
2- Utiliser les donnes D1 : T11 , T12 ,..., T1m pour estimer }
{ } = argmax l ( D / )
sembles de donnes. Chaque ensemble de donnes Di (1)
pour 1 i m regroupe les ime temps inter- 1 1 1
1
dfaillances de chaque quipement (figure 3).

3- La troisime manire de trier les donnes est une


3- Utiliser les donnes {
D j : T j1 , T j2 ,..., T jm } avec

combinaison des deux prcdentes. j [ 2 , n ] pour :

a. Estimer {a( j 1) } = argmax l Dj , 1 / a


( j 1)

a
( )
b.
( j)
{ } ( j 1)
Estimer  1 = argmax l Dj , a / 1
1
( )
n

a
1 ( j)
4- Calculer a =
Figure 2 : Premire mthode de regroupement des (n 1) j =2
donnes
n


1 ( j)
5- Calculer  1 = 1
n j =1

Dans le cas o les donnes D1 : T11 , T12 ,..., T1m { } permet-


tent dobtenir une bonne estimation de 1 , il est possible
dutiliser les autres donnes D j avec 2 j n uni-
quement pour estimer le paramtre defficacit a. Une
bonne estimation de 1 ne peut tre obtenue que si
lchantillon D1 est exhaustif et de taille assez leve.

De cette manire on peut allger lalgorithme 1 pour


obtenir lalgorithme 2 suivant :

Algorithme 2 :
Figure 3 : Deuxime mthode de regroupement des 1- Trier les donnes par lune des trois manires prsen-
donnes
tes

{
Lutilisation des donnes D1 : T11 , T12 ,..., T1m } permet {
2- Utiliser les donnes D1 : T11 , T12 ,..., T1m pour estimer }
destimer facilement le vecteur des paramtres 1 par {l} = argmax l ( D / )
{ }
1 1 1
(k ) 1
 1 = argmax l ( D1 / 1 ) . Ceci parce que la distribution
1 3- Utiliser les donnes {
D j : T j1 , T j2 ,..., T jm } avec
correspondante ces donnes ne dpend pas du para-
mtre defficacit a. j [ 2 , n ] pour estimer {a( j 1) } = argmax l Dj ,l1 / a ( )
Pour les donnes D j avec 2 j n , on estime succes- a

a
1 ( j)
sivement le paramtre a et le vecteur des paramtres 4- Calculer a =
1 . Dans ce cas, on obtient n valeurs estimes de 1 et (n 1) j =2
(n 1) valeurs estimes de a. Par la suite on procde Ces deux algorithmes se caractrisent essentiellement
par leur simplicit. Ils permettent dviter la non-
MOSIM10 - 10 au 12 mai 2010 - Hammamet - Tunisie

stationnarit des paramtres du processus de quasi-


renouvellement.
a
5 EXEMPLES DAPPLICATION n a
(cart type) (cart type) (cart type)
Avant daborder les exemples numriques, il est utile de 2.8477 21.0736 0.8825
rappeler que dune faon gnrale, avant de sattaquer (0.3180) (0.9065) (0.0188)
lestimation des paramtres, il est important de vrifier la 0.9
2.7675 19.1559 0.8078
10 0.8
consistance des donnes utilises. Il sagit parmi plu- (0.2853) (0.8712) (0.0119)
0.7
sieurs modles candidats, par exemple HPP (Homoge- 2.8768 21.7531 0.6738
neous Poisson Process), NHPP (Non-HPP), RP (Rene- (0.4351) (0.9907) (0.0270)
wal Process) ou QRP (Quasi-RP), de retenir le modle le 2.8300 20.7618 0.8962
plus reprsentatif des donnes observes. Pour tester si (0.3838) (0.9803) (0.0073)
les donnes correspondent un processus de Poisson 0.9
2.8356 19.6181 0.8051
homogne (HPP : Homogeneous Poisson Process) ou 20 0.8
(0.3229) (1.0028) (0.0105)
0.7
un processus de poisson non-homogne (NHPP : Non- 2.8228 20.1497 0.6967
Homogeneous Poisson Process), il est possible dutiliser (0.3645) (0.9023) (0.0066)
le test de Laplace (voir Wang et Coit (2005) et Lam
2.8066 19.1596 0.9055
(2007)). Pour tester si les donnes sont issues dun pro- (0.3024) (1.1208) (0.0107)
cessus de renouvellement (RP) ou non, Wang et Coit 0.9
2.7436 19.1186 0.8087
(2005) proposent dutiliser le test de Lewis-Robinson. 30 0.8
(0.2830) (1.2018) (0.0104)
0.7
Enfin, pour tester si des variables alatoires sont ind- 2.8833 19.8890 0.7030
pendantes et identiquement distribues ou non, il est (0.2860) (1.2175) (0.0070)
possible dutiliser les deux tests TP-test et DS-test qui
sont utiliss dans Lam et Chan (1998) et Lam (2007). On Tableau 1 : Rsultats obtenus par application de
supposera dans lexemple qui suit que les donnes con- lalgorithme destimation avec tri des donnes
sidres suivent bien un processus de quasi- (cas de la loi de Weibull)
renouvellement.
Lapplication de lalgorithme destimation allg avec tri
Afin dillustrer lefficacit des algorithmes destimation des donnes donne les rsultats rsums dans le
proposs dans ce travail, nous considrons la gnration tableau 2.
alatoire des donnes selon une distribution de Weibull
de paramtres = 2.8 et = 20 et avec des paramtres a
n a
defficacit a = 0.9 , 0.8 et 0.7. Nous considrons m (cart type)
quipements fonctionnant en parallle. Nous gnrons
0.9023
laide de notre programme sous MatLab les n premiers
(0.0117)
temps inter-dfaillances pour chaque quipement. 0.9 2.6048 19.4600
0.7718
10 0.8 2.8060 20.3875
(0.0328)
Pour m = 50 et n = 10 , 20 et 30, les donnes gnres 0.7 2.8986 19.7748
0.7052
ont t tries de la faon suivante : D1 : {T11 , T12 ,..., T1m } , (0.0119)
D2 : {T21 , T22 ,..., T2m } , , Dn : {Tn1 , Tn2 ,..., Tnm } . Les rsul- 0.8977
(0.0100)
tats obtenus suite lapplication de lalgorithme 1 sont 0.9 2.6931 20.5433
0.8029
prsents dans le tableau suivant : 20 0.8 2.7468 19.5589
(0.0074)
0.7 2.7117 20.5594
0.6959
(0.0127)
0.8999
(0.0149)
0.9 2.9759 20.4038
0.7910
30 0.8 2.8441 21.5194
(0.0107)
0.7 2.8945 20.0280
0.6978
(0.0140)
Tableau 2 : Rsultats obtenus par application de
lalgorithme destimation allg avec tri des donnes
(cas de la loi de Weibull)

Ainsi, daprs ces rsultats on peut clairement observer


les deux algorithmes que nous avons proposs donnent
MOSIM10 - 10 au 12 mai 2010 - Hammamet - Tunisie

dune faon gnrale de bonnes estimations des para- Lam Y., The geometric process and its applications,
mtres estimer. World Scientific Publishing Co. Pte. Ltd, 2007.

6 CONCLUSION Lam Y. et Chan S. K., Statistical inference for geometric


processes with lognormal distribution, Computational
Ce travail a port sur lestimation des paramtres dun Statistics & Data Analysis, Vol. 27, pp: 99-112,
processus de quasi-renouvellement subi par un quipe- 1998.
ment quelconque sujet des dfaillances alatoires et
des actions de maintenance corrective imparfaites carac- Malik, M.A.K., Reliable preventive maintenance
trises par un paramtre defficacit a. Les paramtres policies, AIIE Transactions, 11 3, pp. 221-228,
estimer sont les paramtres de la distribution de probabi- M.A.K., 1979.
lit associe aux dures de fonctionnement de
lquipement jusqu la premire dfaillance dune part, Myung I.-J., Tutorial on maximum likelihood estimation,
et le paramtre defficacit a dautre part. Journal of Mathematical Psychology, 47, pp. 90100,
2002.
A cet effet, nous avons prsent deux nouveaux algo-
rithmes bass sur un tri pralable des donnes. Ces deux Pham H. et Wang H., Imperfect maintenance, European
algorithmes permettent dviter le problme de non sta- Journal of Operational Research, Vol.94,
tionnarit des paramtres de la distribution. En effet, pp: 42538, 1996.
dans le cas o il est possible de grouper les donnes sui-
vant lordre des dfaillances, on rduit sensiblement la Samet S., Chelbi A. et Ben Hmida F., Optimal
complexit du problme en le ramenant une estimation availability of failure prone systems under imperfect
simple des paramtres par nimporte quelle mthode maintenance actions, Journal of Quality in
destimation connue. De plus, il est intressant de souli- Maintenance Engineering (JQME), article sous
gner que les deux algorithmes proposs peuvent tre presse, paraitre en 2010.
appliqus directement nimporte quelle distribution.
Shey-Huei S., Yuh-Bin L. et Gwo-Liang Liao, Optimal
Dautres approches sont en cours dtude, notamment Policies With Decreasing Probability of Imperfect
celle consistant raliser lestimation des paramtres en Maintenance, IEEE Transaction on Reability, Vol.
utilisant linfrence statistique Bayesienne. Une telle 54, No. 2, pp. 347-357, 2005.
approche se prte bien pour les situations o lon ne dis-
poserait pas dun nombre assez important de donnes et Shin I., Lim T.J. et Lie C.H., Estimating parameters of
o on fait intervenir les avis dexperts (Yaez et al., intensity function and maintenance effect for
2002). repairable unit, Reliability Engineering and System
Safety, Vol. 54, pp. 1-10, 1996.
REFERENCES
Valdez-Flores, C. et Feldman, R.M., A survey of
Barlow, R., Proschan, F., Mathematical theory of preventive maintenance models for stochastically
reliability, New York, John Wiley & Sons, 1965. deteriorating single-unit systems, Naval research
logistics, Vol. 36, pp: 419-446, 1989.
Chan, J. K. et Shaw L.. Modeling repairable systems
with failure rates that depend on age and Wang Hongzhou, A survey of maintenance policies of
maintenance. IEEE Transactions on Reliability, deteriorating systems, European Journal of
42(4), pp. 566-571, 1993. Operational Research, Vol. 139, pp: 469-489, 2002.

Chan J. K., Lam Y. et Leung D. Y. P., Statistical Wang H. et Pham H., A quasi renewal process and its
inference for geometric processes with gamma applications in imperfect maintenance, International
distributions, Computational Statistics and Data Journal of systems Science, Vol. 27, No. 10, pp.
Analysis, Vol. 47, pp: 565-581, 2004. 1055-1062, 1996.

Kijima M., Morimura H. et Suzuki Y.. Periodical Wang, H. et Pham H., Correspondence Changes to : "A
replacement problem without assuming minimal quasi renewal process and its applications in
repair. European Journal of Operational Research, imperfect maintenance", International Journal of
Vol.37, pp.194-203, 1988. systems Science, Vol. 28, No. 12, pp. 13-29, 1997.
Wang H. et Pham H., Reliability and Optimal
Kijima M., Some results for repairable systems with Maintenance, Springer, 2006.
general repair, J. Appl. Prob., Vol. 26,
pp. 89-102, 1989. Wang P. et Coit D., Repairable Systems Reliability
Trend Tests and Evaluation, Reliability and
MOSIM10 - 10 au 12 mai 2010 - Hammamet - Tunisie

Maintainability Symposium, Proceedings Annual


Volume, Jan. 24-27, pp: 416-421, 2005.

Yang A., Yu H. et Yang Z., The MLE of geometric


parameter for a geometric processes,
Communications in Statistics- Theory and Methods,
Vol. 35, pp: 1921-1930, 2006.

Yaez M., Joglar F. et Modarres M., Generalized


renewal process for analysis of repairable systems
with limited failure experience, Reliability
Engineering and System Safety, Vol. 77, pp. 167-
180, 2002.