See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/311774538

Maintenance prédictive d’une turbine à gaz basé sur l’analyse de fiabilité et de

disponibilité

Conference Paper · February 2016

CITATIONS READS
0 761

3 authors:

Mohamed Ben Rahmoune Ahmed Hafaifa

Ziane Achour University of Djelfa Ziane Achour University of Djelfa
19 PUBLICATIONS   55 CITATIONS    186 PUBLICATIONS   664 CITATIONS   

SEE PROFILE SEE PROFILE

Guemana Mouloud
Dr. Yahia Fares University of Médéa
77 PUBLICATIONS   297 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Reliability modling in gas turbine application View project

Comptage View project

All content following this page was uploaded by Ahmed Hafaifa on 21 December 2016.

The user has requested enhancement of the downloaded file.

 Maintenance prédictive d’une turbine à gaz basé sur l’analyse de fiabilité et de
disponibilité

Ben Rahmoune Mohamed (a) Ahmed Hafaifa (a) and Goumana Mouloud (a,b)

(a) Applied Automation and Industrial Diagnostic Laboratory, University of Djelfa 17000 DZ, Algeria

Email: B.rahmoune@univ-djelfa.dz; hafaifa.ahmed.dz@ieee.org;

(b) Faculty of Science and Technology, University of Médéa, Algeria

Email: Guemana_M@univ-medea.dz

Résumé

Les turbines à gaz dont des rôles très importantes dans l’industrie des hydrocarbures pour produire
de l'énergie. Néanmoins ces machines sont soumises à des mécanismes de dégradations major. Dans ce
travail nous proposons de déterminer les fonctions maintenance à base de la planification des actions qui
permettant de maintenir et de rétablir l’état de bonne fonctionnement d’une turbine à gaz et d assurer leur
disponibilité pour la production avec une préservation de l’environnement et la sécurité par des coûts
optimaux. Dans ce travail, on essaye d’économiser les coûts de maintenance d’une turbine à gaz par une
approche de planification prédictive des actions de maintenance, cela pour avoir une productivité maximale
de notre turbine à gaz examine.

Mots clés : Maintenance, analyse de fiabilité, disponibilité, turbine à gaz, vibration.

Abstract

Gas turbines with very important roles in the hydrocarbon industry to produce energy, nevertheless,
these machines are subject to major degradation mechanisms. In this work we propose to determine the
service has basic functions planning actions to maintain and restore the condition of good operation of a gas
turbine and to ensure their availability for production with preservation of the environment and security by
optimal costs. In this work, we try to save the maintenance costs of a gas turbine with a predictive approach
to planning maintenance actions, that to have maximum productivity of our examined gas turbine.

Keywords: maintenance, reliability analysis, availability, gas turbine vibration.

I. INTRODUCTION

Les installations et les équipements industrielles couteuses tel que (les compresseurs, les turbines a
gaz, …) se détériorent sous l’action de multiples causes ; surcharge en cours de fonctionnement, mauvaise
exploitation, action des agents corrosifs, atmosphérique,… etc. Ce travail consiste à étudié la fiabilité et la
disponibilité du turbine à gaz, en vue de leur complexité et leur importance dans l’économie du payes, elle
requise un plan de maintenance préventive bien définie pour évité la l’arrêt et défauts partielles de certains
sous-systèmes. Ces détériorations peuvent être à l’origine des perturbation ou arrêts de fonctionnement, de
la diminution ou arrêts de production, l’augmentation des coûts de maintenance de façon générale. A cet
effet, nous allons valoriser l’importance de la maintenance prédictive pour la turbine à gaz, les conditions de
fonctionnement, ainsi que les différentes techniques de maintenance prédictive. Et nous montrons comment
peut-t-on développé la maintenance prédictive avec de nouvelles solution.
 Dans l’approche classique de la maintenance prédictive un expert intervient de temps en temps sur
la turbine à gaz pour collecter les données fournies par elle dans la salle de contrôle distribué, après quoi il
analyse ces données. La maintenance prédictive s’appuie sur l’idée du contrôle régulier des conditions
mécaniques de la turbine étudiée et du rendement de ce dernier permet de maximiser l’intervalle entre
chaque réparation. Cette nouvelle méthode minimise également le nombre et le coût des arrêts de
fonctionnement; elle mise en état maintenable de toutes les systèmes auxiliaires et assure par conséquent
la disponibilité des sous-systèmes de fonctionnements. Enfin, elle permet de réduire considérablement les
coûts de maintenance planifiée.

D’après l’association françaises de la normalisation (AFNOR) X60-010, la maintenance est définie

comme " l'ensemble des actions permettant de maintenir ou de rétablir un bien dans un état spécifié ou en
mesure d'assurer un service déterminé ". La maintenance regroupe ainsi les actions de dépannage et de
réparation, de réglage, de révision, de contrôle et de vérification des équipements. Le service de
maintenance peut également être amené à participer à des études d'amélioration du processus industriel, et
doit, comme d'autres services de l'entreprise, prendre en considération de nombreuses contraintes comme
la qualité, la sécurité, l'environnement, le coût…etc. La maintenance industrielle divisée en deux grands
types, comme il est montré sur la Figure 1, suivante.

Maintenance

Maintenance Maintenance
préventive Corrective

Maintenance Maintenance
Systématique Conditionnelle

Effectuée à un Effectuée en Effectuée après

Intervalle Fonction de l'état Panne
régulier de machine

Figure 1 : Différents types de maintenance

Le terme maintenance industrielle est toujours relié avec la fiabilité et la disponibilité des
équipements qui présente une partie de sureté de fonctionnement avec la maintenabilté et la sécurité des
systèmes. Le terme fiabilité est également utilisé pour désigner la valeur de la fiabilité et peut être défini
comme une probabilité. C'est alors la probabilité pour qu’une entité puisse accomplir une fonction requise,
dans des conditions données, pendant un intervalle de temps donné, noté R (x ) . La fiabilité s’intéresse à
tout ce qu’il faut faire pour qu’un produit fonctionne sans défaillance, ou avec une fréquence de défaillance
suffisamment faible pour être acceptable dans l’usage prévu.
 Sa conservation concerne la maintenabilité qui s’occupe de ce qu’il faut faire pour qu’un produit soit
ramené dans des conditions aussi proches que possible de celles prévues au début de son fonctionnement.
Et l’association française de fiabilité AFNOR présente la fiabilité comme l’aptitude d’un dispositif à
accomplir une fonction requise dans des conditions d’utilisation et pour une période de temps
données. La disponibilité d’un système est utilisée pour désigner la valeur de la disponibilité et peut être
défini comme une probabilité. C'est alors la probabilité pour qu’une entité puisse accomplir une
fonction requise, dans des conditions données, à un instant donné.

Et également l'aptitude d'un composant ou d'un système à être en état de marche à un

instant donné. La fonction fiabilité permet de calculé les grandeurs de sûreté de fonctionnement

• MTBF: Durée moyenne entre deux défaillances ( Mean Time Between Failure).

• MTTF : Durée moyenne de fonctionnement aprés la première défaillance (Mean Time To

Failure)

• MTTR: Durée moyenne de réparation (Mean Time To Repair)

• MUT : Durée moyenne de fonctionnement après réparation (Mean Up Time).

• MDT : Durée moyenne d’indisponibilité ( Mean Down Time).

Expérimentalement on constate que la plus part des matériels, la courbe représentative du taux d’avarie
instantané à la forme donné par la figure ci-dessous, Elle appelé la courbe en baignoire et comporte 3 trois
distinctes, comme il est montré sur la Figure 2, suivante.

Figure 2 : Courbe en baignoire

Dans cette courbe en vue que la line vert les incidents aléatoires, en rouge la courbe liée au rodage,
en jaune la courbe d'usure, et en bleu la courbe en baignoire résultante.

II. ANALYSE DE LA FIABILITÉ DU TURBINE A GAZ

L’exploitation normale d’une turbine à gaz dans un environnement rude tel que le Sahara
nécessite une étude et un diagnostic rigoureux afin d’assurer un bon fonctionnement de l’unité.
Dans cette étude, on s’est intéressé à des données techniques de terrain, recueillis de l’historique
d’une installation de turbine à gaz (expérience passive), afin d’évaluer au mieux sa fiabilité et sa
sûreté de fonctionnement ainsi que de proposer un planning scientifique des actions de
maintenance préventive. A fin de bien pouvoir mieux estimer la fiabilité d'une turbine à gaz, on prise
comme modèle la turbine GEMS5002 de la station de traitement et compression située au champ de
TFT inamens. Il est nécessite de historique fonctionnel du turbine pour évaluer et analysé leur fiabilité
comme il est montré dans le tableau 1.

Marche cumulée TBF

Désignation des travaux
N (h) (h)

1 05592 05592 CI : Inspection des chambres de combustion

Révision des veines chaudes (HGPI) et changement et
2 15592 11488
changement des filtres hydrauliques HP
3 29139 13347 CI : Inspection des chambres de combustion
4 34235 5096 MI : Révision générale
5 42607 8372 CI : Révision des chambres de combustion
Révision HGPI, changement IGV et changement de la pompe HP
6 56152 13545
principale
CI : Inspection des chambres de combustion, des joints et
7 63483 7331
accouplements cotés charge
8 70160 6677 Inspection des disques de poussées axiales
9 72553 2393 MI : Révision générale
10 82029 9476 Inspection des chambres de combustion
11 88948 6919 Révision HGPI

Table.1. Historique de la turbine

A partir du historique en à regrouper en classe Dans le cas où N > 50, plusieurs règles empiriques
proposent le nombre de classes. Dans notre cas, N = 11 et d’après la formule de Stringers,

11
K = 1 + 3.3 log ∑ ni (1)
1

Avec : K = 1 + 3.3 log 11 = 4.44 En prend K = 5

TBFmax
Maintenant en calculé l’intervalle du temps entre deux classes avec, ΔT = = 2709h .
K

En chargé le nombre de défaillance dans chaque classe, on trouve sur le tableau 2, les défaillances
par classe.

Classe ΔT (H ) Nombre de
pannes
1 0-2709 1
2 2709 – 5418 1
3 5418 – 8127 4
 4 8127 – 10836 2
5 10836 – 13545 3

Table.2. Les défaillances par classe

La représentation des nombres de pannes par un histogramme est illustrée dans la figure suivante

H is to g r a m m e d e p a n n e s p a r c la s s e

4
3 ,5
3
2 ,5
2
N b rs de pannes
1 ,5
1
0 ,5
0
2709 5418 8127 10836 13545
C la s s e

Figure 3 : Histogramme de pannes

La loi d’ajustement du fiabilité dans notre étude est un loi continue utilisé en particulier dans le
domaine de la mécanique. Cette loi a l’avantage d’être très souple et de pouvoir s’ajuster à différents
résultats d’expérimentations, La fonction de densité du Weibull est donnée par l’équation (2) :

x −γ β
β x − γ β −1 −( η
)
f (t ) = ( ) .e (2)
η η

Avec ; γ est le paramètre de position ou d’origine (unité de temps), β est le paramètre de forme (sans
unité) et η est le paramètre d’échelle (unité de temps).

Pour déterminé la paramètres de la loi de Weibull, il existe deux méthodes pour estimés les
paramètres de Weibull l’un graphique à l’aid le graphique de Weibull ou graphique d’Allent Plait, et l’autre
analytique, et on trouve dans cette dernier la méthode de moindre carrée, l’Estimateur du maximum de
vraisemblance, Méthode des Moments. Dans notre cas nous utilisons la méthode de moment qui est
couramment utilisée dans le domaine de l'estimation des paramètres dans la distribution de Weibull, l'instant
k facilement suit à partir de (1).

1 k
mk = ( ) k / β Γ (1 + ) (3)
η β

Avec ; Γ − gamma function donnée par Γ( s) = ∫ x s−1e − x dx, ( s > 0).

0

A partir de l’équation (2) nous pouvons trouver le premier et le deuxième instant comme suit :

1 1
m1 = μ = ( ) 1 / β Γ(1 + ) (4)
η β
 ⎧⎪ 1 ⎤ ⎫⎪
2
1 2/ β 2 ⎡
m2 = μ + σ = ( )
2 2
⎨Γ(1 + ) − ⎢Γ(1 + ⎥ ⎬ (5)
η ⎪⎩ β ⎣ β⎦ ⎪
⎭

L’expression de β obtenue en devisé m 2 sur le carré de m1 .

2 1
Γ (1 + ) − Γ 2 (1 + )
σ 2
β β
= (6)
μ2 Γ 2 (1 +
1
)
β

En prenant la racine carré de (6), on obtenue le coefficient de variation CV

2 1
Γ(1 + ) − Γ 2 (1 + )
β β
CV = (7)
1
Γ 2 (1 + )
β

En utilise l’équation (7) pour remplir un tableau de plusieurs CV pour différent β , il est nécessaire de

calculer CV d des donné par la main, et puis comparer les coefficients de variations, le correspondant
^
β est β , et après le paramètre d’échelle calculé par l’équation suivante :
^
β
⎧ ⎡ ⎤⎫
^
⎪ 1 ^ ⎥ ⎪⎬
η = ⎨x Γ ⎢1 + (8)
⎪⎩ ⎢⎣ β ⎥⎦ ⎪⎭

Avec ; x : Moyenne de diamètres

III. RESULTAT D’APPLICATION

A partir de l’application du méthode de moment sur l’historique du turbine à gaz nous trouvons que

β η MSE

Méthode de Moment 2.5 9245.23 −3

1.9 * 10

Table 3. Résultat du Méthode de Moment

Le moyenne temps de bon fonctionnement et les paramètres de fiabilité relié directement par les paramètres
du loi de Weibull

∞
MTBF = ∫ tF ( x)dt =γ + Aη (9)
0

1
E (t ) = MUT = MTBF = ηΓ(1 + ) (10)
β

En trouve que MTBF= 8203.29 h

L’écart type de temps de fonctionnement

σ = Bη (11)

σ = 0.380 * 9245.23 = 3513.18h

A, B cœfficients lié à la paramètre β , pris du tableau annexe de la loi de Weibull.

La fiabilité du turbine à gaz donner par

−( x β
η)
R(x) = e (12)

La Fonction de Fiabilité R(x) et La Fonction de Répartition F(x)

1
X: 2393
Y: 0.9665
0.8

0.6
R(x) et F(x)

0.4

0.2

0
2000 4000 6000 8000 10000 12000 14000
Temps (h)

Figure 4. La Fonction de Fiabilité et la Fonction de Répartition

la fonction de densité représenté par

β x β −1 − ( xη ) β
f ( x) = ( ) .e (13)
η η
-5 Fonction de Densité f(x)
x 10
11

10

8
D e n s ité f(x )

3
2000 4000 6000 8000 10000 12000 14000
Temps (h)

Figure.5. La fonction du Densité f (x )

Enfin le taux de défaillance représenter par

β x β −1
λ (x) = ( )
η η (14)

-4
x 10 Taux de Défaillance
T a u x d e D é fa illa n c e

0
2000 4000 6000 8000 10000 12000 14000
Temps (h)

Figure.6. Le taux de défaillance λ (x )

l’application de test de Kolmogorov- Smirnov est pour but de validé le model , qui à pour idée de comparer
la fonction de répartition réelle à la fonction de répartition théorique, et on mesure l’écart point par point entre
ces deux fonction ; Dni = Fréelle( x) −Fthéorique( x) . La fonction de répartition réelle obtenue par le rang

i − 0.3
moyen et la fonction de répartition théorique obtenue par l’équation (30)
n + 0.4

Et on pose les conditions suivantes :

• Si D max < Dn, α le modèle accepté

• Si D max > Dn, α le modèle refusé.

où D exprime la plus grande valeur absolue tirée du la colonne du fonction de répartition. et α c’est le
niveau significative généralement pris de 5%.

Dans notre cas, on a D max = 0.713 et Dn, α = D11*0.05 = 0.55

Donc ; D max < Dn, α Le modèle accepté.

Durée moyenne entre deux défaillances ( Mean Time Between Failure). Représente par l’équation

MTBF =
∑TBF = 8203.27h (15)
N

qui est la même avec celle qui calculé par la méthode de Weibull.
La maintenabilité du turbine qui est la Durée moyenne de fonctionnement après la première défaillance

(Mean Time To Failure) MTTF est égale à MTTF = MTBF− MTTR= 7747.27h .

MTTR représenté le moyenne temps de réparation (Mean Time To Repaire), dans cette étude nous
MTBF
s’intéresse à la disponibilité de la turbine examinée est : D = = 94% . Et ça fiabilité est
MTBF + MTTR
x 2.5
−( )
R(t) = e 9245.23
= 96.65%.
V.CONCLUSION

Les turbine à gaz dans les stations de compressions jeu un rôle très important dans l’augmentation
d’économie du payes. Et leurs conditions d’utilisations permet de dégradé leur état mécanique, qui obligé
l’utilisateur à planifié une plan de maintenance prédictive pour réduire des défauts fugitive et démunie le cout
de maintenance préventive par l’analyse de fiabilité et de la disponibilité, et à pour but de atteinte toutes les
facteurs de la sureté de fonctionnement. Ce type d’analyse prend actuellement un essor important dans le
cadre de la mise en place d’une maintenance prédictive.

VI.REFERENCES

[1]. Abbas Barabadi, Reliability model selection and validation using Weibull probability plot—A case
study. Electric Power Systems Research, Vol. 101, no. 1, 2013, pp. 96-101.

[2]. Ahmed Hafaifa, Belhadef Rachid, Guemana Mouloud, Reliability model exploitation in industrial
system maintainability using expert system evaluation. In Proceding of the 4th International
Conference on Integrity, Reliability and Failure, IRF2013, June 2013, Funchal, Madeira, Portugal,
pp.387-388.

[3]. Ahmed Hafaifa, Mouloud Guemana and Attia Daoudi, Vibration supervision in gas turbine based on
parity space approach to increasing efficiency. Journal of Vibration and Control, June 2015, vol. 21,
pp.1622-1632.

[4]. Ahmed Zohair Djeddi, Ahmed Hafaifa, Abudura Salam, Gas turbine reliability model based on tangent
hyperbolic reliability function. Journal of Theoretical and Applied Mechanics, 2015, vol. 53, no. 3, pp.
723-730.

[5]. Almalki, S. J. and Yuan, J. (2013). The new modified Weibull distribution. Reliability Engineering and
System Safety, 111, 164-170.

[6]. Asghar Moeini, Kouroush Jenab, Mohsen Mohammadi, Mehdi Foumani, Fitting the three-parameter
Weibull distribution with Cross Entropy. Applied Mathematical Modelling, Vol. 37, no. 9, May 2013, pp.
6354-6363.

[7]. Benrabeh Djaidir, Ahmed Hafaifa and Kouzou Abdallaha, Monitoring Gas Turbines Using Speedtronic
Mark VI Control Systems. Pipeline & Gas Journal, October 2015, vol. 242, no. 10, pp.48-86.
 [8]. David Freedman and Persi Diaconis, On the histogram as a density estimator:L 2 theory. Zeitschrift für
Wahrscheinlichkeitstheorie und Verwandte Gebiete, 1981, Vol. 57, no.4, pp. 453-476.

[9]. David W. Scott, On Optimal and Data-Based Histograms. Biometrika, Vol. 66, no. 3, Decembre 1979),
pp. 605-610.

[10]. Djamel Halimi, Ahmed Hafaifa and Elahmoune Boua, Maintenance actions planning in industrial
centrifugal compressor based on failure analysis. The quarterly Journal of Maintenance and Reliability.
Maintenance and Reliability, Vol. 16, no. 1, January 2014, pp. 17–21.

[11]. Galit Shmueli, Wolfgang Jank, Valerie Hyde, Transformations for semi-continuous data. Computational
Statistics & Data Analysis, Vol. 52, no. 8, April 2008, pp. 4000-4020.

[12]. Giovana Oliveira Silva, Edwin M.M. Ortega, Vicente G. Cancho, Log-Weibull extended regression
model: Estimation, sensitivity and residual analysis. Statistical Methodology, Vol. 7,no. 6, November
2010, pp. 614-631.

[13]. Herbert A. Sturges, The Choice of a Class Interval. Journal of the American Statistical Association,
Vol. 21, no. 153, March 1926, pp. 65-66.

View publication stats