Vous êtes sur la page 1sur 10

 

ISORAP 2013
May 08-10, 2013
Marrakesh, Morocco
 

Evaluation et exploitation de modèle de fiabilité et de maintenabilité d’un


système industriel à base d’un système expert

Belhadef Rachid (1) , Ahmed Hafaifa (2), Djeddi Ahmed Zohair (2) et Guemana Mouloud (2)
(1) University of Sedik Ben yahia of Jijel, Algeria.

belhadef@yahoo.fr 

(2) Laboratoire d’Automatique Appliquée et Diagnostic Industriel L2ADI, Faculté de sciences et de la


technologie, Université de Djelfa 17000 DZ, Algérie.

hafaifa@hotmail.com, l2adi@univ-djelfa.dz , guemana_m@yahoo.fr  

Résumé

Pour évaluer la fiabilité d’un système industriel, il est nécessaire de connaître les modes de défaillance auxquels le
système est soumis. Cette connaissance permet de lui créer une banque de données qui sera par la suite exploitée
pour une modélisation de sa fiabilité. Cet article s’intéresse à l’évaluation et l’exploitation de modèle de fiabilité et
maintenabilité d’un système industriel à base d’un système expert.

Mots clés : Modèle de fiabilité, maintenabilité, disponibilité, système expert, système de décision.

Abstract

The reliability control in industrials systems is an important economic issue for any business. The measurement of
this quantity is an essential first step towards mastery. To assess the reliability of an industrial system, it is necessary
to know the failure modes which the system is subjected. This knowledge allows him to create a database that will
eventually be exploited for modeling reliability. This article focuses on the evaluation and use of model reliability and
maintainability of an industrial system based expert system.

Keywords: Model of reliability, maintainability, availability, expert systems, decisional system.

I. Introduction

La maîtrise de la fiabilité d’un système représente un enjeu économique important pour toute entreprise. La mesure
de cette grandeur est un premier pas indispensable vers sa maîtrise. L’estimation et l’évaluation de la fiabilité peut
être réalisée à partir de données réelles. Deux sources de données sont possibles :

– résultats d’essais de fiabilité ;

– retours d’exploitation du système.


 

La fiabilité recouvre de multiples aspects : l’analyse de défaillance des systèmes, la fiabilité prévisionnelle, les
banques de données de fiabilité, les essais de fiabilité, la fiabilité opérationnelle, les méthodes prévisionnelles de
fiabilité et de sécurité, l’assurance de la fiabilité et de la qualité.

Il est donc important de connaître les mécanismes de défaillance pour déterminer l’architecture optimale d’un
système et pour évaluer sa fiabilité. Des méthodes et approches modernes sont utilisées actuellement pour cette
évaluation ou estimation. Elles reposent sur l’expertise humaine confortée par un solide retour d’expérience où on
retrouve toutes les méthodes basées sur l’intelligence artificielles et/ou les approches probabilistes telles que : la
reconnaissance des formes, réseaux de neurones, logique floue systèmes experts…..etc.

Notre travail s’inscrit dans cette ligne de réflexion et consiste à l’évaluation et l’exploitation de la fiabilité et la
maintenabilité d’un système industriel à base d’une de ses méthodes à savoir le système expert.

II. Modèles de fiabilité usuels

La fiabilité est définie comme la probabilité qu'un système accomplisse sa fonction pendant une période donnée et
dans des conditions de fonctionnement données. En terme mathématiques, la loi de fiabilité est définie par :

(1)

Avec T, la variable aléatoire représentant les durées de vie.

La loi de défaillance indique la probabilité qu’une défaillance survienne avant un temps donné, il s’agit de la fonction
de répartition des temps de défaillance :

(2)

La densité de probabilité est définie par la relation :

(3)

Le taux de défaillance indique la probabilité qu’un système soit défaillant entre t et t+dt sachant qu’il fonctionnait à t :

(4)

De cette expression, on déduit l’expression générale de la loi de fiabilité en fonction du taux de défaillance :

(5)

Si le taux de défaillance est constant λ( t ) =λ, la loi de fiabilité est la loi exponentielle :

(6)

Si le taux de défaillance dépend du temps, les lois le plus souvent utilisées sont la loi de Weibull et la loi log normale.
La loi de Weibull a pour expression :
 

(7)

Où β est le paramètre de forme et η est le paramètre d’échelle. Si β<1 alors le taux de défaillance décroît
avec le temps ; si β >1, le taux de défaillance est croissant et si β =1 le système n’affiche aucune tendance, le taux
de défaillance est constant et la loi de fiabilité est la loi exponentielle.

Une expression plus générale de la loi de Weibull est obtenue en posant η=exp( µ ) et σ=1/ β. Dans ce cas
l’équation 7 devient :

(8)

II.1. Fiabilité et sûreté de fonctionnement

Au sens large, la sûreté de fonctionnement est définie comme la Science des Défaillances ; elle inclut ainsi
leur connaissance, leur évaluation, leur prévision, leur mesure et leur maîtrise. Elle peut être caractérisée par les
concepts suivants :

• La fiabilité R (t).
• La disponibilité qui est l’aptitude d’un dispositif à être en état d’accomplir une fonction requise dans des
conditions données et à un instant donné. Elle est formellement définie par :
A (t)=Pr [non défaillance à l’instant t]

• La maintenabilité qui est l’aptitude d’une entité à être maintenue ou rétablie dans un état dans lequel elle
peut accomplir une fonction requise, lorsque la maintenance est accomplie dans des conditions données
avec des procédures et des moyens prescrits. Elle est définie formellement par :

M (t)=Pr [réparation sur [0,t]] On a aussi :

M (t)=1- Pr [non réparation sur [0,t]]

Les mesures de fiabilité, de disponibilité et de maintenabilité sont complémentaires les unes des autres.

II.2. Caractéristiques ou indicateurs de la fiabilité

Les indicateurs habituels de la fiabilité sont :

1. Le MTTF (Mean Time To Failure) : la durée moyenne de fonctionnement avant la première défaillance est
l’estimation de la durée moyenne s’écoulant entre la mise en service du système et la survenance de la
première panne. La définition du MTTF est

(9)
2. MTTR : Durée moyenne de réparation (anglais Mean Time To Repair)
 

(10)

3. Le MDT (Mean Down Time) : la durée moyenne d’indisponibilité est le temps moyen séparant la
survenance d’une panne et la remise en état opérationnel du système. Elle se décompose en plusieurs
phases :

a. la durée de détection de la panne (1),

b. la durée de diagnostic de la panne (2),

c. la durée d’intervention jusqu’au début de la réparation (3),

d. la durée de la réparation, MTTR (Mean Time To Repair) représente le temps moyen pour
remettre un composant ou un système défectueux en fonctionnement (4),

e. la durée de remise en service du système (5).

4. Le MUT (Mean Up Time) : le temps moyen qui sépare une remise en service opérationnelle du système de
la survenance de la panne suivante.
Ces deux derniers indicateurs ne sont pertinents que dans le cas de systèmes réparables. Leur somme
MUT+MDT représente le temps moyen qui sépare deux pannes consécutives du système. On le note MTBF,
comme « Mean Time Between Failures ».

Figure 1 : Durées moyennes associées à la SDF

III. Modélisation de fiabilité dans les systèmes industriels

L’approche classique pour évaluer la fiabilité d’un dispositif est basée sur :

• L'analyse d'un nombre important d’échantillons sous différentes conditions de d’utilisation et/ou d’environnement afin
d’obtenir des résultats statistiques ;
• La réalisation de tests de vieillissement à grande échelle pour établir les lois statistiques déterminant la fiabilité du
 

microsystème complet
Il est important de bien distinguer différentes évaluations de cette fiabilité en fonction des considérations
suivantes :

1. la fiabilité prévisionnelle (prédite) estime une fiabilité future à partir de considérations sur la conception des
systèmes et la fiabilité de leurs composants ; elle consiste à résoudre de nombreux problèmes entre le choix
des matériaux, la technologie d’assemblage et les aspects fonctionnels. A chaque niveau des techniques de
modélisations spécifiques peuvent être appliquées.

2. La fiabilité expérimentale : cette phase intervient dès que le développement du produit est suffisamment
avancé et que l’on dispose des premiers prototypes, il est possible de réaliser des essais de robustesse
(appelés également essais aggravés) afin de connaître les faiblesses et les marges de conception. Une fois
que le produit est mature (marges suffisantes), une campagne d’essais peut être menée pour estimer la
fiabilité. Lors de la production, l’élimination des défauts de jeunesse (dérive process, composant faible, ...)
est opérée par des essais de déverminage la fiabilité opérationnelle (observée ou estimée) résulte de
l’observation et de l’analyse du comportement d’entités identiques dans des conditions opérationnelles.

Une fois que le produit est en exploitation, une estimation de la fiabilité est réalisée à partir des données. Elle se
pratique dès les premières mises en service et permet ainsi de corriger des défauts de conception et de
fabrication/réalisation.

Quatre étapes essentielles sont à suivre pour un modélisation de la fiabilité d’un système et qui sont :

1. Modélisation fonctionnelle du système ;

2. Identification des origines physiques des causes de défaillance d’un dispositif élémentaire ;

3. Modélisation physique des phénomènes de défaillance mis en jeu en s’appuyant soit sur l’expérience soit
sur la physique

4. Transformation de ces modèles physiques en modèles compatibles avec les simulations systèmes

5. Evaluation d’une fiabilité en simulant le fonctionnement du système (modèle fonctionnel) avec ses modèles
de défaillances dans des conditions réelles d’environnement et d’utilisations

Les principales lois statistiques utilisées pour modéliser la fiabilité sont la loi exponentielle, la loi de Weibull et la loi
log normale. Afin d’estimer les paramètres des lois, la méthode de régression et la méthode du maximum de
vraisemblance sont le plus couramment utilisées.

III. 1. Exploitation de fiabilité à base d’une approche moderne

Le besoin d’évaluer la fiabilité d’un système est un besoin aussi vieux que le système lui-même. Pendant
longtemps, la fiabilité était recherchée dans la simplification des systèmes et le choix des composants à faible taux
de défaillance, dans la logique des lois fondamentales de fiabilité. Cette approche s’est trouvée insuffisante pour
 

garantir la fiabilité d’un système industriel complexe. Plutôt que de considérer la fiabilité globale comme le résultat de
la fiabilité de ses constituants, la tendance a été l’utilisation des méthodes ainsi des approches modernes pour son
évaluation et ainsi son amélioration.

Des méthodes et approches modernes sont utilisées actuellement pour cette évaluation ou estimation. Elles
reposent sur l’expertise humaine confortée par un solide retour d’expérience où on retrouve toutes les méthodes
basées sur l’intelligence artificielles et/ou les approches probabilistes telles que : la reconnaissance des formes,
réseaux de neurones, logique floue système expert…..etc.

III.2. Décision à base d’un système expert

D’une manière générale, un SE est un programme qui permet l’exploitation des connaissances dans un
domaine précis et rigoureusement limité. Il est utilisé pour effectuer des taches intellectuelles, c’est--dire des travaux
exigeant le savoir et l’expérience de l’homme. Un SE est alors capable d’assister l’utilisateur de manière efficace. Tel
un expert humain, un SE n’a aucune prétention en dehors de sa spécialité. Un SE est un système informatique où
les données (la base de connaissance) sont bien séparées du programme qui les manipule (le moteur d’inférences).

Le cœur d’un SE se compose d’une base de connaissance et d’un moteur d’inférences :

La fiabilité est aujourd’hui une science ; elle a pour but la maîtrise des défaillances. Du fait de l’accroissement des
systèmes ’industriel il est de plus en plus important d’avoir une disponibilité quasi totale des équipements.Les
concepteurs, réalisateurs et exploitants ont besoin de s’appuyer sur un ensemble de méthodes d’évaluation
qualitatives et quantitatives de la fiabilité.

Les raisons qui motivent l’utilisation d’un système expert pour prendre une décision sont :

• Le volume et la complexité des équipements, qui rend difficile voire même impossible de réaliser les
calculs nécessaire de la fiabilité manuellement ;
• L’obligation de prendre la bonne décision au bon moment pour les opérations de maintenance c’est-à-dire
rapidité et efficacité des opérations.
• La rapidité d’obtention des résultats fiable sur n’importe quel équipement.
• Les méthodes de diagnostic ne permettent pas de traiter toutes les défaillances surtout pour les
équipements de grande taille et complexe.

Le système expert répond aux problèmes en mettant à la disposition des exploitants une aide au
diagnostic et décision qui permettent de surmonter la complexité fonctionnelle de l’équipement, de les guider
efficacement dans le dépannage grâce ses grandes capacités en termes de méthodologie et de convivialité dont la
finalité une grande disponibilité (MDT) des systèmes et équipements toute on diminuant les temps (MTTR) et
améliorant la qualité des interventions pour avoir une bonne sécurité de fonctionnement ainsi une fiabilité de qualité
(MTTF).

La méthode ou les étapes choisies pour réaliser un système expert qui sera une base d’aide à la décision
pour la modélisation un système industriel est :
 

• Étude des modes de défaillance auxquels le système est soumis. Cette étude consiste à la désignation
des ’évènements indésirables.
• Chaque évènement est ensuite décomposé en évènements intermédiaires qui l’explicitent sous forme de
causes immédiates. Ces évènements sont leur tour développés et ainsi de suite jusqu’à ce que toute
nouvelle décomposition soit impossible. On obtient alors les défaillances élémentaires du système.
• La structuration e ces défaillance, et surtout les calculs qui lui sont associés, est une entreprise
considérable, voire impossible réaliser manuellement ; d’où l’idée de créer un outil informatique, un SE,
pour le construire automatiquement.

III.3. Choix de politique de maintenance

Vue que la maintenance exige une combinaison rationnelle des moyens et qu’elle est permanente, elle nécessite
une politique d’entretien préalablement établie. Les travaux de recherche dans le domaine maintenance ont pour
objectif de définir une politique de maintenance préventive conditionnelle basée sur l’utilisation d’outils adéquats et
adaptée à un système mécanique complexe. Cette politique de maintenance permettra ainsi à l’équipe de
surveillance de diagnostiquer les défauts apparaissant sur le système en fonctionnement, et de décider des
interventions de réparation [08], comme il est montré sur al figure2.

Système mécanique en
Equipe de surveillance fonctionnement

Politique de maintenance
préventive conditionnelle

Diagnostique les défauts apparaissant sur le processus

Figure 2 : Fonction globale de politique de maintenance préventive conditionnelle

Le choix de cette politique de maintenance est déterminé par le calcul du coût global de durée de vie (life cycle
cost.), en se basant sur des contraintes bien identifiées, A long terme, il s’agit d’abord de juger de la durée de vie

optimale d’une machine en estimant la somme des coûts suivants : Coût d’achat A , coût de fonctionnement f ,
 

coût total de maintenance M et la valeur de revente éventuelle VR , le coût global est donner par l’équation (I.1)
suivante :

CG = A + f + M − MR (11)

Le coût total de maintenance ayant tendance à augmenter avec l’âge de la machine, et la valeur de revente à
diminuer, il est intéressant de déterminer la durée au bout de laquelle on atteint un minimum [2]. Cette durée de vie
optimale correspond à l’abscisse du point de contact de la tangente à la courbe passant par l’origine présenter sur la
figure 3:

CG

0 Durée optimale Temps

Figure 3: Détermination de la durée de vie optimale

Le coût total de maintenance étant réalisé, il faut choisir pour chaque machine ou groupe de machines un type de
maintenance appropriés. On peut utiliser des critères de choix simple, résumés par des arbres présenter sur la figure
4.

Non Le coût de la panne est il Oui Maintenance


La panne sur cette acceptable ? corrective
machine a-t-elle une
incidence importante Non
sur la production ou
sur la sécurité ? Oui Est-il possible d’utiliser Non
des techniques de
surveillance ?

Maintenance
Oui systématique

L’utilisation de ces Non


techniques est-elle
rentable ?

Maintenance
Oui conditionnelle

Figure 4: Choix d’une politique de maintenance


 

Dans le premier cas, nous suivons l'évolution du taux de panne du composant en fonction du temps. Nous
choisissons le type de maintenance en fonction de l'évolution de ce taux, de l'incidence sur la sécurité et la
progressivité de la panne. On peut aussi dans le deuxième cas, estimer pour chaque élément, le rapport entre le
coût (c) d’une intervention préventive effectuée dans de bonnes conditions, et le coût (C) supplémentaire supporté
en cas de défaillance.

Si ce rapport C/c est négligeable, la maintenance corrective est la plus intéressante. S’il est élevé, une maintenance
préventive systématique ou conditionnelle s’impose. Selon que le composant présente des paramètres mesurables
(huile dans une boîte à vitesse, éléments tournants, etc.), il faut choisir la maintenance conditionnelle sinon la
maintenance systématique est adoptée. On peut alors classer les éléments de la machine en fonction de la valeur de
ce rapport en : vital (C/c élevé), important (C/c moyen), secondaire (C/c faible).

IV. Conclusion

L'efficacité de la maintenance s'appuie sur une connaissance exhaustive du matériel et de son comportement. Il est
utile de connaître l’évolution dans le temps de la fiabilité des éléments vitaux et de pouvoir préciser leurs types de
défaillances probables. Ces connaissances proviennent de l’expérience sur le terrain mais aussi de l’exploitation
statistique des défaillances constatées. Les résultats sur la fiabilité d’un système sont obtenus rapidement garce à
l’analyse faite par notre système expert proposé dans ce travail, de ceux-ci permet au concepteur ou exploiteur, pour
un niveau de sûreté donné, d’optimiser sur le plan technico-économique la configuration de son système.

Référence

[1] Cl. Buerhop, D. Schlegel, M. Niess, C. Vodermayer, R. Weißmann, C.J. Brabec, Reliability of IR-imaging of
PV-plants under operating conditions. Solar Energy Materials and Solar Cells, Volume 107, December 2012,
Pages 154-164

[2] Deloux E., Castanier B., and Bérenguer C., Optimisation de la politique de maintenance pour un système à
dégradation graduelle stressé, 7ème Congrès international pluridisciplinaire Qualité de Sûreté de
Fonctionnement, 20, 21 et 22 mars 2007, volume 1, pages 142–149, Tanger (Maroc), 2007.

[3] Hafaifa Ahmed, Attia Daoudi and Kouider Laroussi, Application of fuzzy diagnosis in fault detection and
isolation to the compression system protection. Control and Intelligent Systems ACTA Press, July 2011, vol.
39, no. 3, pp. 151-158.

[4] Hafaifa Ahmed, Ferhat Laaouad, and Kouider Laroussi, A Numerical structural approach to surge detection
and isolation in compression systems using fuzzy logic controller. International Journal of Control,
Automation, and Systems, IJCAS, February 2011, vol. 9, no. 1, pp.69-79.

[5] Hafaifa Ahmed, Ferhat Laaouad and Kouider Laroussi, Fuzzy logic approach applied to the surge detection
and isolation in centrifugal compressor. Automatic Control and Computer Sciences, Springer 2010, vol. 44,
no. 01, pp. 53–59.
 

[6] M. Hari Prasad, G. Rami Reddy, A. Srividya, A.K. Verma, Applying mechanistic models to reliability
evaluation of mechanical components – An illustration. Annals of Nuclear Energy, Volume 38, Issue 7, July
2011, Pages 1447-1451

[7] Hendrickson T. A., Leonard J. S. and Weise D. A., Application of magnetic bearing technology for vibration
free rotating machinery. Naval Engineers Journal, Mars 2009, Vol. 99, no. 3, pp. 107–111.

[8] Jason L. Cook, Jose Emmanuel Ramirez-Marquez, Reliability analysis of cluster-based ad-hoc networks.
Reliability Engineering & System Safety, Volume 93, Issue 10, October 2008, Pages 1512-1522

[9] John Vance, Fouad Zeidan, Brian Murphy, Bearings and their effect on rotordynamics. Machinery vibration
and rotordynamics, May 2010, Vol. 1, no.1, pp. 171–269.

[10] Levitin Gregory, Computational intelligence in reliability engineering: Evolutionary techniques in reliability
analysis and optimization. Series: Studies in Computational Intelligence, Vol. 39. Edition 2007, ISBN 978-3-
642-07218-5.

[11] Ming Chen H., Principles of bearing design. Hanlon - Compressor Handbook, Chapter 19, Mohawk Innovative
Technology, Inc.

[12] Mouloud Guemana, Slimane Aissani and Ahmed Hafaifa, Use a new calibration method for gas pipelines: An
advanced method improves calibrating orifice flowmeters while reducing maintenance costs. Hydrocarbon
Processing Journal, August 2011, vol. 90, no. 8, pp. 63-70.

[13] Panida Jirutitijaroen, Chanan Singh, The effect of transformer maintenance parameters on reliability and cost:
a probabilistic model. Electric Power Systems Research, Vol. 72, no. 3, December 2004, pp. 213-224.

[14] Sergei P. Yushanov, Alexander E. Bogdanovich, Analytical probabilistic modeling of initial failure and
reliability of laminated composite structures. International Journal of Solids and Structures, Vol. 35, no. 7–8,
March 1998, pp. 665-685.

[15] Shu-yuan Zhao, Bo-ming Zhang, Shan-yi Du, Probabilistic modeling of transient heat transfer and
assessment of thermal reliability of fibrous insulation under aerodynamic heating conditions. International
Journal of Thermal Sciences, Vol. 48, no. 7, July 2009, pp. 1302-1310.

[16] Tan K.M and Ooi K.T., Journal bearings design for a novel revolving vane compressor. International Journal
of Refrigeration, January 2011, Vol. 34, no. 1, pp. 94-104.

[17] M. Tanrioven, Q.H. Wu, D.R. Turner, C. Kocatepe, J. Wang, A new approach to real-time reliability analysis of
transmission system using fuzzy Markov model. International Journal of Electrical Power & Energy Systems,
Volume 26, Issue 10, December 2004, Pages 821-832

[18] Wang Hongzhou and Pham Hoang, Reliability and optimal maintenance: Series: Springer Series in Reliability
Engineering. 2006, ISBN 978-1-84628-324-6.

[19] J. Knezevic, E.R. Odoom, Reliability modelling of repairable systems using Petri nets and fuzzy Lambda–Tau
methodology. Reliability Engineering & System Safety, Volume 73, Issue 1, July 2001, Pages 1-17.

Vous aimerez peut-être aussi