Gestion Optimale Des Pièces de Rechange Dans Un Réseau Logistique Multi-Échelon Flexible

Gestion optimale des pièces de rechange dans un réseau
logistique multi-échelon flexible
Mémoire
Ahmed Bouzenad
Maîtrise en génie mécanique

Maître ès sciences (M. Sc.)
Québec, Canada
© Ahmed Bouzenad, 2017

Résumé
Ce mémoire aborde la problématique de planification et contrôle des inventaires des pièces de

rechange pour des systèmes assujettis à des défaillances aléatoires. Nous décrivons une série de
modèles de décision pour gérer une gamme de pièces de rechange pour des réseaux constitués de
plusieurs équipements en opération. Chaque équipement est composé d’une ou de plusieurs pièces
qui sont nécessaires à son bon fonctionnement. Lorsqu’une pièce tombe en panne, elle est
remplacée par une rechange, si disponible en stock, elle sera ensuite acheminée vers l’atelier de
réparation pour la remettre en état de fonctionnement.
Les modèles étudiés dans ce travail sont adaptés à une organisation disposant d’un réseau
d’équipements, de canaux de transport, de stocks de pièces de rechange et de plusieurs stations de
réparation. Les stocks et les stations sont déployés pour desservir un territoire, une zone ou une
région, afin de garantir un niveau de service requis.
Les modèles mathématiques proposés, décrivant les processus de défaillance, de réparation et de
transport, utilisent la théorie des files d’attente. Celle-ci traduit fidèlement le phénomène de
défaillance et de réparation provoqué par la contrainte de capacité des stations de réparation et des
canaux de transport.
Le processus stochastique qui engendre les arrivées des pièces défaillantes aux stations de
réparation est supposé être un processus de Poisson. Les délais de traitement et de transit d’une
pièce ne sont pas connus avec certitude, ils sont considérés comme des variables aléatoires qui
suivent des distributions générales. Le système de gestion de stock des pièces de rechanges adopte
une politique de transaction continue à réapprovisionnement unitaire (S-1, S).
Dans ce travail, nous nous intéressons à l’analyse de l’évolution du système dans un régime
permanent afin de trouver une politique de contrôle optimale qui dépend essentiellement de la
quantité de pièces de rechange à garder en stock et de la capacité de traitement des stations de
réparation. Nous développons aussi des modèles approximatifs pour traiter des configurations
logistiques multi-échelon, ainsi que des demandes en urgence dans un échelon supérieur, et des
transferts latéraux entre magasins de même échelon. Ces modèles sont ajustés pour faire face à des
mesures de services différentes et pour traiter plusieurs références de pièces de rechange.
Plusieurs algorithmes ont été proposés et implémentés, ils ont donné lieu à des résultats numériques
dégageant des courbes d’efficiences (Coût, Niveau de service, Capacité) permettant aux
gestionnaires de prendre des décisions éclairées le long du cycle de vie du système.
En outre, une étude comparative très poussée a permis de démontrer l’exactitude des résultats
obtenus par nos algorithmes avec les meilleures contributions publiées dans la littérature.
Mots clés : pièces de rechange, gestion des stocks, politiques de maintenance, politiques de
contrôle des stocks, fonction de renouvellement, files d’attente, chaînes logistiques, systèmes
multi-échelon.
Abstract
This paper deals with the problem of planning and control of spare parts inventory for systems
subject to random failures. We describe a series of decision models to manage a range of spare
parts for networks made up of several equipment in operation. Each equipment is composed of one
or more parts that are necessary for its proper functioning. When part breaks down, it is replaced
by another, if available in stock., it will then be taken to the repair station to restore it to its working
condition.
The models studied in this work are adapted to an organization with a network of equipment,
transport channels, stocks of spare parts and several repair stations. Inventories and stations are
deployed to serve a territory, zone or region to ensure a required level of service.
The proposed mathematical models, describing the failure, the repair and the transport processes,
use the queuing theory. It accurately reflects the phenomenon of failure and repair caused by the
capacity constraints of repair stations and transport channels.
The stochastic process that generates the arrival of failure parts at repair stations is assumed to be
a Poisson process. The processing and transit times of a part are not known with certainty, they are
considered as random variables, which follow general distributions. The spare parts inventory
management system adopts a continuous transaction policy with unit replenishment (S-1, S).
In this thesis, we are interested in analyzing the evolution of the system in a permanent regime, in
order to find an optimal control policy which depends essentially on the number of spare parts to
be kept in stock and the processing capacity of repair stations. We also develop approximate models
to deal with multi-echelon logistic configurations, as well as emergency requests in a higher
echelon, and lateral transfers between stores of the same echelon level. These models are adjusted
to deal with different service measures and to handle several spare parts references.
Several algorithms have been proposed and implemented, giving rise to numerical results yielding
efficiency curves (Cost, Service Level, Capacity) allowing managers to make informed decisions
throughout the life cycle of the system.
In addition, a very detailed comparative study has been conducted to demonstrate the accuracy of
the results obtained by our algorithms with the best contributions published in the literature.
Keywords: Spare parts inventory management, maintenance policies, inventory control policies,
renewal function, queuing system, supply chains, multi-echelon networks.
v
Table des matières
Résumé .............................................................................................................. ………………..iii

Abstract .........................................................................................................................................v
Liste des figures ............................................................................................................................x
Liste des tableaux ...................................................................................................................... xii
Remerciements ......................................................................................................................... xiii
Dédicace.................................................................................................................................... xiiii
Chapitre 1: Introduction générale ........................................................................................ …..1

1.1. Introduction ................................................................................................................................... 1
1.2. Problématique de gestion des pièces de rechange ......................................................................... 3
1.2.1. Contexte et tendances actuelles de gestion des pièces de rechange .......................................... 3
1.2.2. Système de gestion des pièces de rechange ............................................................................... 6
1.2.2.1. Système physique .................................................................................................................. 6
1.2.2.2. Pilotage des flux .................................................................................................................... 8
1.2.2.3. Mission du système de gestion des pièces de rechange....................................................... 11
1.2.2.4. Objectif du système de gestion des pièces de rechange ...................................................... 13
1.3. Revue de littérature ..................................................................................................................... 14
1.3.1. Contributions scientifiques & Applications industrielles ........................................................ 15
1.3.2. Codification des pièces de rechange : le point de départ de tout projet en gestion des pièces de
rechange....................................................................................................................................................15
1.3.3. Littérature sur la classification des pièces de rechange ........................................................... 16
1.3.4. Littérature sur la prévision de la demande en pièces de rechanges ......................................... 18
1.3.4.1. Prévision basée sur les séries temporelles ........................................................................... 19
1.3.4.2. Prévision basée sur la fiabilité ............................................................................................. 20
1.3.5. Littérature sur les stratégies de maintenance ........................................................................... 24
1.3.5.1. Stratégie de remplacement à la panne ................................................................................. 24
1.3.5.2. Stratégie des remplacements périodiques ............................................................................ 24
1.3.6. Littérature sur la Planification et contrôle des inventaires des pièces de rechange ................. 25
1.3.6.1. Politiques de pilotage et contrôle des inventaires des pièces de rechange .......................... 26
1.3.6.1.1. Modèles classiques .......................................................................................................... 26
1.3.6.1.2. Modèle jumelée (stratégie de maintenance, plan de production, besoin en pièces de
rechange, etc.). ........................................................................................................................................ 28
1.3.6.1.3. Modèles basées sur la théorie des files d’attente ............................................................. 29
1.3.6.1.4. Modèle de gestion des réapprovisionnements des pièces de rechange avec possibilité de
passer des commandes en urgence .......................................................................................................... 32
1.3.6.1.5. Modèles de gestion des pièces de rechange avec possibilité de transferts latéraux………33
1.4. Objectifs de la maîtrise ................................................................................................................ 34
1.4.1. Modèle pour la gestion des réseaux d’équipements homogènes multi-composant et des réseaux
de grandes tailles ..................................................................................................................................... 34
1.4.2. Modèles avec d’autres mesures de performance ..................................................................... 35
1.4.3. Modèle avec des possibilités de passer des commandes en urgence avec délai d’attente dans la
file……………………………………………………………………………………………………….35
1.4.4. Évaluation approximative du modèle multi-échelon et étude comparative............................. 36
1.4.5. Modèle multi-échelon avec transfert latéraux dont le stock central est de capacité limitée….37
1.5. Contenu du mémoire ................................................................................................................... 37
vii
Chapitre 2: Gestion des pièces de rechange pour un réseau d’équipements assujettis à des défaillances
aléatoires : Modèles mono-échelon ...........................................................................................39
2.1. Introduction ................................................................................................................................. 39
2.2. Modèle ......................................................................................................................................... 39
2.3. Problème d’optimisation ............................................................................................................. 42
2.4. Hypothèses et analyse du modèle ................................................................................................ 43
2.4.1. Modèle d’attente à capacité de traitement illimitée et de nombre d’équipements infini ......... 45
2.4.1.1. Modèle METRIC- Multi-Echelon Technique for Recoverable Item Control (Sherbrooke
(1968)……………………………………………………………………………………………………44
2.4.2. Modèle d’attente avec capacité de traitement limitée ............................................................. 48
2.4.2.1. Modèle d’attente général GI/G/k (Whitt (1993)) ................................................................. 48
2.4.2.2. Modèle M/M/k (Gross et Harris (1982)) .............................................................................. 49
2.4.2.2.1. Applications numériques (2.1) ........................................................................................ 52
2.4.2.3. Modèle M/M/k sous contrainte budgétaire Ebeling (1991, 2005) ....................................... 54
2.4.2.3.1. Applications numériques (2.2) ........................................................................................ 55
2.5. Extensions du modèle M/M/k ...................................................................................................... 57
2.5.1. Extension du modèle M/M/k d’Ebeling (1991, 2005) - Autres mesures de performance ... …58
2.5.2. Extension du modèle M/M/k d’Ebeling (1991, 2005) pour un réseau homogène d’équipements
multi-composant ...................................................................................................................................... 60
2.5.2.1. Applications numériques (2.3) ............................................................................................ 63
2.5.3. Évaluation approximative du Modèle M/M/k (Gross et Harris (1982), Ebeling (1991, 2005))
pour traiter des réseaux d’équipements de grande taille ......................................................................... 64
2.6. Conclusion ................................................................................................................................... 69
aléatoires : Modèle avec possibilité de passer des commandes en urgence ...........................70
3.1. Introduction ................................................................................................................................. 70
3.2. Modèle ......................................................................................................................................... 73
3.2.1. Récapitulatif ............................................................................................................................ 80
3.2.2. Mesures de performance.......................................................................................................... 81
3.2.3. Problème d’optimisation ......................................................................................................... 81
3.3. Applications numériques (3.1) .................................................................................................... 84
3.4. Conclusion ................................................................................................................................... 86
aléatoires : Modèles multi-échelon ............................................................................................85
4.1. Introduction ................................................................................................................................. 87
4.2. Modèle ......................................................................................................................................... 87
4.2.1. Notation ................................................................................................................................... 88
4.2.2. Fondement du modèles ............................................................................................................ 89
4.2.3. Analyse du modèle .................................................................................................................. 95
4.3. Applications numériques (4.1) .................................................................................................. 100
4.4. Conclusion ................................................................................................................................. 105
viii
aléatoires : Modèles multi-échelon avec des possibilités d’échanges entre stocks de même échelon
....................................................................................................................................................106
5.1. Introduction ............................................................................................................................... 106
5.2. Modèle ....................................................................................................................................... 107
5.2.1. Problème d’optimisation ....................................................................................................... 118
5.2.2. Algorithme de résolution ....................................................................................................... 119
5.3. Applications numériques (5.1) .................................................................................................. 124
5.4. Conclusion ................................................................................................................................. 124
Conclusion générale .................................................................................................................125

Bibliographie................................................................................................................. ………129
Annexe A: Résultat des applications 2.1 et 2.4 .........................................................................141
Annexe B: Résultat de calcul des déviations ............................................................................144
Annexe C: Résultat des applications 2.2...................................................................................145
Annexe D: Résultat des applications 2.3...................................................................................146
Annexe E: Résultat des applications 3.1 ...................................................................................149
Annexe F: Résultat des applications 4.1 ...................................................................................152
ix
Liste des figures
Figure.1.1. Exemple de réseau logistique pour le réapprovisionnement en pièces de rechange……………7

Figure.1.2. Sous-réseau d’un centre de réparation…………………………………………………………..8
Figure.1.3. Métaphore du réservoir pour le pilotage des flux dans un centre de stockage………………….9
Figure.1.4. Système de pilotage des flux dans un centre de stockage……………………………………..10
Figure.1.5. Allure du taux de panne………………………………………………………………………..21
Figure.2.1. Processus de défaillance et de réparation……………………………………………………...40
Figure.2.2. Processus de défaillance et de réparation……………………………………………………...50
Figure.2.3. Chaîne de Markov associée au processus de défaillance et de réparation pour k<s…………..51
Figure.2.4. Chaîne de Markov associée au processus de défaillance et de réparation pour k≥ 𝑠………...51
Figure.2.5. Résultats générés par le programme de calcul Programme Projet.R.Exact.Matlab.R.2014a…53
Figure.2.6. Courbe d’efficience Projet.R.Exact.Cont.Budget.Matlab.R.2014a pour un réseau de 10
machines identiques ………………………………………………………………………………………55
équipements identiques, k=1 …………………………………………………………………………….56
équipements identiques, k=2 …………………………………………………………………………….56
équipements identiques, k=3 ……………………………………………………………………………..57
Figure.2.10.Courbe d’efficience Projet.multi.comp.Cont.Budget.Matlab.R.2014a pour un réseau de 10
équipements identiques à trois composants critiques en série……………………………………………..63
équipements identiques à trois composants critiques en série (zoom)………………………………….....64
Figure.2.12. Triplet (Disponibilité- Capacité-Stock). Résultats générés par les programmes de calcul :
Projet.R.Exact Matlab.R.2014a et Projet.R. Stirling.Matlab.R.2014a, (N=80,λ = 0.0002, µ = 0.01)…..65
Figure.2.13. Triplet (Disponibilité- Capacité-Stock). Résultats générés par les programmes de calcul :
Projet.R.Exact Matlab.R.2014a et Projet.R. Stirling.Matlab.R.2014a, (N=100,λ = 0.0002, µ = 0.01)... 66
Figure.2.14. Calcul de la disponibilité opérationnelle avec la méthode exact (Projet.R.
Stirling.Matlab.R.2014a) et la méthode approximative (Projet.R. Stirling.Matlab.R.2014a pour plusieurs
instances…………………………………………………………………………………………………... 67
Figure.2.15. Écarts constatées pour plusieurs instances ………………………………………………….67
Figure.2.16. Déviation constatées pour plusieurs instances ……………………………………………...68
Figure.3.1. Chaîne de Markov associée au processus de défaillance et de réparation, pour k< 𝑠………..74
Figure.3.2. Chaîne de Markov associée au processus de défaillance et de réparation, pour k≥ 𝑠………..77
Figure.3.3. Commande d’urgence: Résultats générés par par Projet.Commande.Urgence.Matlab.R.2014a
pour plusieurs instances………………………………………………………………………………..…..85
Figure.4.1. Réseau d’alimentation à deux échelons avec centre de réparation ...………………………….87
Figure.4.2. Niveaux stocks régionaux. Résultats obtenus par Projet.Multi.Echelon.Matlab.R.2014a pour
quatre approches………………………………………………………………………………………….100
Figure.4.2. Niveaux stocks régionaux. Résultats obtenus par Projet.Multi.Echelon.Matlab.R.2014a pour
quatre approches (zoom sur le stock 3) ……………………………………………...…….…………..…101
Figure.4.4. Nombre de Backorder de chaque région. Résultats obtenus par différentes approche………101
x
Figure.4.5. Nombre de Backorder de chaque région. Résultats obtenus par différentes approches
(zoom)…………………………………………………………………………………………………….102
Figure.4.6. Écarts constatés………………………………………………………………………………102
Figure.4.7. Réseau d’alimentation à deux échelons avec des ateliers de réparation régionaux………….104
Figure.5.1. Réseau d’alimentation à deux échelons avec transfert latéraux…………………………….. 107
Figure.5.2. Diagramme de transition d’un système M/M/∞ pour le système d’attente de capacité de
traitement illimitée…………………………………………………………………………….………….114
xi
Liste des tableaux
Tableau.1.1. Classification des pièces de rechange pour des applications industrielles………………….18

Tableau 3.1. Extrait des résultats (Annexe E) : Commande d’urgence: Résultats générés pour plusieurs
instances…………………………………………………………………………………………………...84
Tableau 4.1 : Résultats des applications numériques (5.1) par Projet.Transferts.Lateraux.V..………....123
xii
Remerciements
Au début, je voudrais exprimer ma plus profonde gratitude à Madame Claire Deschênes,

Professeure et Directrice des programmes de 2e et 3e cycles au Département de génie mécanique
de l’Université Laval, d’avoir supervisé cette maîtrise, ainsi que d’avoir géré si sagement, avec
magnanimité et en tout professionnalisme mon cheminement, surtout, pour que ce travail aboutisse.
Je voudrais aussi exprimer mes remerciements à Monsieur Mohamed Larbi Rebaiaia, Ph.D,
Chercheur au Centre Interuniversitaire de Recherche des Réseaux d’Entreprise et de Transport
(CIRRELT) de l’Université Laval, et codirecteur de cette maîtrise, pour avoir accepté de diriger
mes activités de recherche, pour le soutien continu, pour les conseils qui m’ont beaucoup motivé,
ainsi que de l’accompagnement qui nous a permis d’aller beaucoup plus en profondeur dans des
problématiques touchant un axe de recherche toujours d’actualité. Je suis ravi de sa générosité, de
sa vaste attitude de recherche, de son professionnalisme, de sa facilité de me transmettre la
connaissance et de ses expériences. J’ai eu toujours le plaisir d’échanger avec lui les idées et les
visions des choses. Ravi aussi, que cette interaction débouche sur une collaboration en vue de
prochaines productions scientifiques.
J’aimerais remercier également le comité d’évaluation en la personne de Monsieur Fayez Boctor,
Professeur titulaire au Département Opération et systèmes de décision à la Faculté des sciences de
l’administration, et Madame Nadia Lehoux, Professeure agrégée au Département de génie
mécanique, pour leurs commentaires, suggestions et conseils qui ont permis d’enrichir le contenu
du mémoire dans sa dimension méthodologique, d’analyse et de synthèse.
Mes sincères remerciements vont pareillement au Professeur Nadir Belkhiter, Vice doyen de la
Faculté de génie et au Professeur Jean Ruel, Directeur du Département de génie mécanique de la
loyauté démontrée, du soutien académique consenti et du support financier accordé pour la
réalisation de ce travail.
Je remercie tous les professeurs et chercheurs qui ont marqué leur présence, durant mon
cheminement, par leur soutien pédagogique, par leur professionnalisme et humanisme.
Je remercie le personnel administratif du département de génie mécanique qui ont mis à ma
disposition toutes les ressources nécessaires pour la réalisation de ce travail et des conditions
propices durant la phase de rédaction du mémoire.
Enfin, je remercie toute ma famille, plus particulièrement, mon père qui me soutient constamment,
il trouve le grand plaisir de me lire. C’est réciproque !
Ahmed Bouzenad
xiii
Je dédie ce mémoire :
À ma mère qu’Allah l'ait en sa sainte miséricorde, pour sa magnanimité, son amour et sa sagesse.
À mon père, le doux, l’ouvert et le bel intellectuel, pour son soutien constant et ses encouragements...
À mon frère Omar Chérif, l’ami et le mentor, pour son soutien et ses conseils judicieux.
À mes chères sœurs : Aziza, Samira, la regrettée Nina, Soumia et Sarah, les inspirées de belles et ma source
de douceur !
À mon fils, Mein Kleine Mansour, Mansour-Essaghir, le futur ingénieur. Sur les traces de son père ?
..et à tous ceux qui nous sont chers.
Ahmed Bouzenad
xiv
Chapitre 1
Introduction générale
1.1.Introduction
Lorsqu’un équipement cesse de fonctionner, une action de maintenance est nécessaire pour le
remettre en état de fonctionnement le plus rapidement possible. Les activités de remplacement, de
réparation et de réapprovisionnement des pièces requièrent des délais qui peuvent s’échelonner à
des durées pouvant affecter la performance de l’organisation. La mesure de performance, qui est
caractérisée par la proportion de temps de bon fonctionnement de l’équipement sur un horizon de
planification donné, s’appelle « disponibilité », elle dépend essentiellement des caractéristiques
techniques de l’équipement : sa structure, sa technologie, sa démontabilité, la fiabilité de ses
composants, leur accessibilité, etc., et des contraintes économiques, logistiques, écologiques,
réglementaires et opérationnelles. Elle (la disponibilité) est fortement liée aux ressources de
l’entreprise : budget, outillage, savoir-faire des opérateurs, et à la relation de l’entreprise avec son
environnement (fournisseurs, plateformes logistiques, alliances stratégiques, etc.).
Il arrive souvent qu’un équipement soit longtemps immobilisé en raison du manque de pièces de
rechange dans les stocks ou par suite du retard dans leur livraison. Dans plusieurs contextes
industriels, la remise en fonctionnement de l’équipement après défaillance et donc sa disponibilité
dépend essentiellement de la mise à disposition du kit de rechanges nécessaire pour la maintenance.
Sachant qu’un arrêt prolongé peut avoir des conséquences graves et peut fortement compromettre
la productivité de l’entreprise.
Toutefois, les budgets des organisations sont souvent limités, la part réservée au bon
fonctionnement des équipements représente un poste de dépense important, tant en termes de coût
des opérations qu’en dépenses en maintenance. Les coûts attachés à la fonction maintenance
peuvent être analysés comme un empilement de type : pièces de rechange et fournitures, ressources
humaines et matériels. Dans bien des organisations, les dépenses annuelles de la maintenance ne
cessent d’augmenter, elles représentent souvent une part importante du coût total de gestion. Selon
Öner et al. (2010), elles peuvent représenter jusqu’à cinq fois le coût d'acquisition d’un équipement
à la fin de sa vie utile. Les données statistiques indiquent que le coût de maintenance est estimé
entre 15% et 40% des coûts variables selon le type d’industrie. À titre indicatif, l’industrie
américaine, seule, consacre environ 300 milliards de dollars par année aux activités des opérations
et de maintenance (Latino (1999)). Le budget des opérations et de maintenance du département
américain de la défense (DoD : Department of Defense), rien que pour l'exercice 1997, était de
l'ordre de 79 milliard de dollars, ce qui fait que le coût pour maintenir seulement en opération un
avion militaire est estimé de 1,6 millions de dollars. Selon Kumar (1999), 11% du coût total
1
d'exploitation d'un avion est consacré aux activités de maintenance. De son côté, le secteur de
l’aviation dépense 45 milliards de dollars en inventaire des pièces de rechange (Flint (1995)).
La maintenance et les pièces de rechange qui lui sont associées sont donc au cœur de la performance
de l’ensemble des opérations dans une entreprise.
Ce mémoire traite la problématique de planification et contrôle des réseaux des inventaires des
pièces de rechange pour des parcs d’équipements sujets à des défaillances aléatoires. Nous nous
intéressons dans cette étude à l’élaboration des modèles de décision permettant de gérer une gamme
de pièces de rechange pour des réseaux d’équipements multi-composant critiques. Le système de
gestion des pièces de rechange est supposé contrôlé par plusieurs organisations formant une chaîne
logistique à configurations mono-échelon et multi-échelon flexibles, c’est-à-dire, un système de
gestion qui permet de passer des commandes en urgence et d’enclencher des réapprovisionnements
latéraux. Les modèles abordés dans ce mémoire sont utilisés pour soutenir les décisions
d'investissement des organisations et établir le budget nécessaire pour le bon fonctionnement du
parc. Plusieurs algorithmes ont été proposés et implémentés dans ce mémoire. En outre, nous avons
conduit des applications et généré plusieurs instances pour valider nos algorithmes tout en les
comparant avec des résultats publiés dans la littérature.
Ce chapitre est une introduction à la problématique de gestion des pièces de rechange, il couvre le
sujet principal de notre recherche. Il est organisé comme suit :
La section.1.2 aborde des questions importantes concernant les pièces de rechanges et les tendances
actuelles qui façonnent le contexte de leur gestion. Un examen de la structure et des processus
internes du système de gestion des pièces de rechange pour des organisations en réseaux et sa
mission seront ensuite abordés. Enfin, des exemples des meilleurs pratiques dans le domaine sont
exposés tout au long de cette section.
La section.1.3 est une revue de la littérature. D’abord, elle couvre brièvement les prérequis pour
gérer efficacement une gamme de pièces de rechange, notamment, la problématique de
codification, de classification des pièces de rechange pour des fins de leur gestion, les différentes
approches et modèles d’estimation des besoins en pièces de rechange et les stratégies de
maintenance. Cette revue traite ensuite la problématique de planification et contrôle des inventaires
des pièces de rechange. Une attention particulière est accordée aux modèles de gestion des pièces
de rechange pour des réseaux d’équipements réparables multi-échelon avec des possibilités de
passer des commandes en urgence à des échelons supérieurs et des échanges latéraux entre stocks
du même échelon.
La section.1.4 permet de tirer profit des discussions déjà entamées dans la section 1.2 en extrayant
nos objectifs de recherche et les raisons ayant motivées leur étude. Nous décrivons dans cette
section les principaux objectifs à atteindre en formalisant nos principales contributions.
La section.1.5 est une conclusion donnant un aperçu sur le contenu du mémoire.
2
1.2. Problématique de gestion des pièces de rechange
1.2.1. Contexte et tendances actuelles de gestion des pièces de rechange
Pour comprendre le contexte de gestion des pièces de rechange, on doit l’examiner à la fois d’un
point de vue fournisseur et d’un point de vue utilisateur :
L’entreprise utilisatrice, souvent confrontée à des risques d’immobilisation d’équipements
hautement capitalistiques ou critiques est amenée à rationaliser la gestion de ses biens et à maîtriser
les coûts le long de leurs cycles de vie. La recherche de rentabilité pousse l’entreprise à cibler des
performances élevées en exploitant ses biens à un coût le plus bas possible.
Pour le fournisseur, les pièces de rechange représentent une source de revenue substantielle. La
vente des pièces est souvent associée à des contrats de services qui doivent être assurés au client à
un taux satisfaisant de couverture permettant une mise à disposition rapide ou immédiate des
pièces. Atteindre des performances logistiques conséquentes requiert une bonne configuration de
la chaîne d'approvisionnement. Le réseau déployé permet d’acheminer aux zones d’utilisation, la
quantité requise en pièces de rechange et les services associés, avec la qualité souhaitée et en temps
voulu.
Toutefois, le client juge son fournisseur sur un niveau de service qui est lié directement à la mise à
disposition des pièces de rechange et le cas échéant, des services connexes. Les prestations fournies
prennent la forme de contrats de livraison associés à des services de maintenance et d’assistance
technique et/ou de contrats basés sur la performance logistique –Performance based Logistics
(PBL) (Kim et al (2007)).
Pour le 1er type de contrat, on tend à utiliser un indicateur de performance de type OTIF-On Time
in Full, cela veut dire, une commande, à la fois, complète, conforme et ponctuelle.
Pour le 2e type de contrat, l’indicateur de performance, sur lequel le prestataire est payé, est la
disponibilité. Obtenir des scores élevés selon ces deux types d’indicateurs permet au client de
maintenir le fournisseur qualifié et de ne pas pouvoir concéder à payer des pénalités pour des
retards, des manquants, des problèmes de qualité ou des baisses de niveau de disponibilité.
Rappelons que la mise en œuvre du PBL au sein de l'US Navy pour sa flotte d’avions de chasse a
donné lieu à une augmentation de la disponibilité de 67% à 85% (Geary (2006)).
Sur le plan stratégique de l’entreprise, les modalités de mise à disposition des pièces de rechange
impliquent des organisations logistiques et des modes de gestion spécifiques. L'organisation
logistique doit assurer le meilleur compromis entre le taux de service, le coût de stockage des pièces
et, éventuellement, les coûts de transport pour servir, le plus rapidement possible, le client et pallier
à l'installation défaillante.
Au niveau tactique, les ressources matérielles, humaines, informationnelles et cognitives requises
pour gérer la maintenance et les rechanges associées doivent être en cohérence avec la stratégie et
3
les objectifs l’entreprise et ses partenaires. Pour cela, les différentes ressources durables et
d’affectation peuvent être contrôlées et gérer par plusieurs organisations (transport, maintenance,
gestion des espaces, main d’œuvre, etc.). Sachant qu’une organisation donnée n’intervient
généralement que dans un sous-ensemble des activités de la chaîne logistique. Atteindre des
performances élevées ne se fait que par l’établissement de relations efficaces entre partenaires
(prestataires, sous-traitants, etc.).
Même si le recours à la sous-traitance est souvent motivé par un manque d’expertise ou un déficit
de ressources, la délégation partielle ou totale des activités permet aussi de réserver les tâches
d’expertises aux prestataires qualifiés et de réaliser beaucoup d’économies tout en trouvant des
solutions à des problèmes techniques et de gestion.
Depuis une vingtaine d’année, nous assistons à des relations entre utilisateurs et fournisseurs sous
forme de partenariats, d’alliances, de fusions, de restructurations, etc., cela permet de conclure des
contrats en proposant une gamme d’assistance technique (calibrage, Upgrade, réparation, révision,
etc.) et/ou de gestion (prévisions, planification, gestion des stocks, etc.).
Alstom (http://www.alstom.com), par exemple, propose deux contrats, soit un Contrat de Full
Material Management, soit un « Contrat de Disponibilité ». Ces deux contrats à long terme incluent
l'offre « Réparations et Révisions ». Elle définit avec son client le niveau de criticité de chaque
pièce et le temps de mise à disposition associé : livraison immédiate des pièces critiques, et sous
quelques jours pour les pièces non critiques. Elle fournit aussi bien des pièces neuves, réparées ou
usagées que des kits, et ce, principalement en réponse aux besoins de toutes les activités de
maintenance (préventive, corrective, inspection, révisions). Elle s’engage avec des taux de services
et des pénalités en cas de retard. Des stocks sont installés chez le fournisseur si la réactivité de ce
dernier est compatible avec les coûts d’indisponibilité et les caractéristiques des rechanges pour
chaque équipement.
Ces caractéristiques : volumétrie, grande variété des références et complexité des pièces dont
plusieurs sont hors-gabarit et de faible niveau de consommation, sont des grandes problématiques
dans l’industrie des pièces de rechange :
- Les volumes importants peuvent facilement dépasser les ressources disponibles pour
les gérer. Une entreprise peut avoir des centaines de milliers de références qu'elle
approvisionne et gère régulièrement. Certains équipements peuvent avoir plusieurs
centaines de pièces. La portée et le poids de certaines pièces sont parfois des facteurs
déterminants dans la stratégie de réapprovisionnement à adopter. Dans bien des cas, ces
pièces nécessitent des moyens de transport, de manutention, de pose, de dépose et des
conditions de stockage assez particulières.
- La grande diversité des pièces pose parfois des difficultés de classification, de stockage
physique et impacte la massification des flux, donc, les économies d’échelles.
- Aussi, le caractère aléatoire des défaillances des pièces et le faible niveau de
consommation de celles-ci rendent l’estimation des besoins futurs très difficile à établir.
4
- Sans oublier que les références dans les high-Tech (la haute technologie) changent à
grande vitesse en matière de régulation et d’automatisme. L’informatique constitue
l’essence de fonctionnement des appareils actuels. La complexité et la fiabilité des
composants qui constituent un équipement est un facteur important dans la
détermination de la stratégie de maintenance et des pièces de rechanges associées.
En raison de la volumétrie, du nombre élevé de références et des niveaux de consommation faible
des pièces de rechange, les risques de détérioration des équipements et la réduction de leur cycle
de vie génèrent une multiplication de la quantité des références et augmentent le risque
d'obsolescence et de désuétude.
Pour pallier à tous ces aléas, la pratique courante dans les entreprises est de conserver un stock de
sécurité et de mettre en place un système de contrôle qui suit l’évolution des stocks et qui gère les
réapprovisionnements.
Essentiellement, le système de contrôle s’appuie sur des plateformes d’échanges, de traitement et
d’archivage de l’information. Dans la scène industrielle d’aujourd’hui, les technologies de
l’information et de la communication (TIC) s’avèrent un facteur de succès incontournable dans la
détermination des stratégies des entreprises, notamment, dans l’amélioration des performances des
processus de gestion des approvisionnements en comblant les marges d’incertitudes dans
l’estimation des paramètres (délai de livraison et prévision de la demande) par des informations
fiables, précises et à jour. Les TIC facilitent la diffusion et le traitement des données et enrichissent
les outils d’aide à la décision.
Par conséquent, l’évolution des technologies ne concerne pas seulement les TIC, les moyens dédiés
aux opérations connaissent aussi des évolutions technologiques. On assiste maintenant à
l’utilisation des moyens pour la transformation, le stockage, la manutention et le transport à la fine
pointe de la technologie. Les différentes ressources sont maintenant équipées de moyens permettant
l’amélioration des activités et la diminution des coûts unitaires des opérations. Ces moyens
reposent sur des plateformes d’échange physiques et informationnels très performantes, ex. flottes
aériennes pour les expéditions d’urgence, flottes maritimes pour l’alimentation des installations
off-shore, etc. Pour un pilotage efficace des flux physiques et informationnels, l’entreprise doit
posséder un système d’information et de communication sophistiqué tout en tirant profit des
technologies existantes.
Sans toutefois oublier la percée technologique du troisième millénaire, l’impression 3D. Selon
plusieurs observateurs, l’émergence de l’Additive manufacturing peut changer le paradigme de la
gestion des pièces de rechange dans les années à venir.
Dans ce même contexte, les interventions sur des équipements et installations, la fabrication des
pièces ainsi que leurs réparations en cas de défaillance requièrent maintenant des habilitations et
des qualifications. Dans tous les secteurs industriels, les pièces de rechange doivent être certifiées
conformément aux spécifications du constructeur. De même, leur surclassement et/ou
revalorisation, au cas de fin de vie, doivent être exécutés selon les directives et référentiels en
5
vigueur. Elles doivent être soumises aux textes légaux propres au domaine où l’équipement opère.
Ces obligations se résument dans les diverses certifications nécessaires pour fournir des pièces de
rechanges à des installations relavant de domaines particuliers, comme l’aviation civile, l’industrie
des procédés chimiques, l’industrie nucléaire, etc., où la sûreté des installations, la sécurité des
personnes et l’environnement sont primordiales. Allant de la vis et de l’écrou aux grands appareils
et engins (réacteur, turbines géantes, etc.), l’entreprise est maintenant soumise à l’incessante
pression de la règlementation, et des mesures de sécurité accrues. Les textes légaux sont maintenant
la charte de conduite des entreprises.
Atteindre des performances écologiques nécessite aussi une conformité avec les normes et
référentiels environnementaux en vigueur auxquels l’entreprise souscrit et un suivi rigoureux des
directives touchant les activités de l’entreprise dont les organisations étaient soumises à peu de
contrôle dans le passé (ISO 14001, OSHAS 18001). Adopter une démarche responsable dans toutes
les activités permet à l’entreprise de gérer les processus dans le respect de l’environnement et de
contribuer à la prospérité des générations futures.
La protection de l'environnement et l'utilisation économique des ressources naturelles sont parmi
les tendances actuelles qui façonnent le contexte de l’économie mondiale. L’entreprise doit
participer activement à la conception des processus économiques, vivable et viable, autrement dit,
contribuer à l'amélioration de la qualité de vie des gens partout dans le monde, maintenant et dans
l'avenir. Cela conduit à des investissements dans des technologies vertes, des processeurs
écologiques et des activités écoresponsables : la contribution à la revalorisation partielle ou
complète des équipements, la mise en place de réseaux logistiques inverses, et les achats
écoresponsables.
Les contraintes économiques, sociales et environnementales sous lesquelles l’organisation opère
constituent le contexte réel de tout système de gestion des pièces de rechange.
1.2.2. Système de gestion des pièces de rechange
Nous avons mentionné dans la section précédente que, en gestion des pièces de rechange, les
processus de réapprovisionnement veillent à ce que les pièces de remplacement soient mises à
disposition et livrées le plus rapidement possible afin de remettre en état d’opération les
équipements.
1.2.2.1.Système physique
Le réseau sur lequel circule une pièce donnée prend la forme d'un arbre, comme montre la
Figure.1.1. Les nœuds du réseau correspondent aux installations de l’entreprise : Sources
d’approvisionnements en aval, entrepôts, stocks, stations et/ou ateliers de réparations, points de
vente, ports d’entrée et de sortie, etc., ainsi que tous les processus et ressources qui y renferment.
6
Les arcs sont associés aux moyens de transport, de manutention, de communication, et de paiement
utilisées pour acheminer les articles, l’information et les fonds d’un nœud à l‘autre.
Sources d’approvisionnement
Stock
central
Réseau d’équipement (clients)

Envoi pour réparation
Transport
Stock
Atelier de réparation
Figure.1.1. Exemple de réseau logistique pour le réapprovisionnement en pièces de rechange
Les nœuds et les arcs du réseau logistique des pièces de rechange représentent cinq activités
primaires, qui se trouvent le long du flux de matière : l’approvisionnement, la distribution, le
stockage, la vente et services (maintenance, calibrage, l’Upgrade, dépannage, révision, expertise,
etc.) et le transport.
À ces activités de base s’ajoute un ensemble d’activités de soutiens nécessaires pour les améliorer
et les piloter : gérer les ressources et connaissances, piloter les flux physiques, informationnels et
transactionnels, et faciliter l’interaction des interfaces de l’entreprise avec son environnement
(fournisseurs, partenaires, syndicats, marché des capitaux, etc.). Lorsqu’on s’intéresse aussi à ces
activités de soutien, on parle plutôt du système logistique des pièces de rechange.
7
NB : Lorsqu’on zoom sur un nœud du réseau (stock ou atelier de réparation), on identifie un
aménagement physique qui définit, à son tour, un sous-réseau avec des nœuds et arcs associés
respectivement, aux différentes moyens et ressources pour la maintenance et la manutention, etc.
(Figure.1.2).
Démontage
an Test
M en
ut on Réapartion
ti
Réception de la pièce montage
Envoi au
déffectueuse stock
Figure.1.2. Sous-réseau d’un centre de réparation
La problématique de déploiement et de retrait des centres (stocks, ateliers) dans un réseau

logistique relève de la planification stratégique et des objectifs de l’organisation à long terme. De
bonnes discussions sur le sujet se trouvent dans Brown et Gibson (1972), Daganzo et Newell
(1986), Langevin et Riopel (2005), Martel (2007), Martel et al. (2012).
L’aménagement physique des centres est aussi une problématique qui peut engendrer des gains
substantiels par la réduction des coûts unitaires des opérations (Montreuil (2006)).
La problématique du design des réseaux et de l’aménagement physique des centres ne suffissent
pas pour garantir une performance élevée. C’est aussi par la coordination, l’analyse, l’amélioration
et le contrôle de l’ensemble des processus du réseau qu’une organisation performe bien. Ces
processus engendrent des flux qui circulent le long de la chaîne logistique.
1.2.2.2.Pilotage des flux
Si on considère, par exemple, un centre de stockage de pièces de rechange, le pilotage des flux
d’entrée/sortie peut être représenté intuitivement par un système hydraulique, comme le montre la
Figure.1.3. Cette métaphore permet de décrire le comportement du stock en fonction du débit
d’entrée (le réapprovisionnement) et de sortie (la demande). Deux événements sont envisageables
si le contrôle des deux débits n’est pas coordonné, soit une rupture de stock, soit un surstock.
8
Flux d’entrée
Stock
Flux de sortie
SUR – STOCK RUPTURE DE STOCK
Flux
d’entrée Flux
d’entrée
Stock Stock
Flux de sortie
Flux de sortie
Figure.1.3. Métaphore du réservoir pour le pilotage des flux dans un centre de stockage
Pour que le système hydraulique performe bien il faut qu’il y ait une coordination efficace de toute
les activités en amont (en tirant les flux d’entrée) et en aval (en poussant les flux de sortie).
En gestion des stocks des pièces de rechange, le flux d’entrée est tiré par la politique de contrôle
des stocks, tandis que le flux de sortie est étroitement lié à la demande de la maintenance, autrement
dit, par la stratégie de maintenance adoptée par l’entreprise, qui est fortement dictée par : la
fiabilité, la maintenabilité et éventuellement de l’impact de la disponibilité des équipements sur la
performance globale de l’organisation.
Si on connait la demande et les délais de réparation & livraison des fournisseurs, le système peut
s’adapter à un univers déterministe et s’organiser pour que les flux se synchronisent et les
commande arrivent en juste à temps.
Or, la réalité du terrain est tout à fait différente, les coefficients de réapprovisionnement ne sont
pas connus avec certitude. Pour ajuster les stocks, il convient donc de réduire au maximum
l’incertitude qui affecte les coefficients du réapprovisionnement, ceci est possible si le système
possède des informations à jour, une base de donnée bien élaborée, un réseau disséminé et des
processus de décision robuste (Martel.et al. (2012)).
La Figure.1.4, illustre la configuration logique du système de pilotage des flux pour un centre de
stockage.
9
Flux
informationnel
Système informatique et télématique s client

ande
Comm
Système de Système Système

décision d’information transactionnel Stock
ur
fo u rnisse
mandes
Co m
Flux de matières
(pièces)
Figure.1.4. Système de pilotage des flux dans un centre de stockage
Sur le plan systémique de gestion, la technologie informatique et télématique est basée sur
l’architecture client/serveur afin d’échanger de l’information sur une plateforme de
communication. Cette plateforme peut prendre la forme de plusieurs postes de travail disséminées
en utilisant des réseaux intranet, internet. De même, on vit l’ère des technologies internet qui
évoluent de façon très soutenues, on assiste à des échanges entre entreprises (B2B) ou à des ventes
aux consommateurs (B2C).
Les infrastructures et les standards d’échange de données sont au cœur des communications entre
partenaires. Ils incluent quatre types de technologies :
- Les codes d’identification des pièces, des objets logistiques (caisses, palettes,
conteneurs...) et des lieux, ainsi que les mécanismes utilisés pour assurer leur intégrité
(GTIN -Global Trade Item Number, GLN-Global Location Number, SSCC- Serial
Shipping Container Code, etc). ;
- Les symbolismes utilisés pour marquer les pièces et les objets logistiques, et leur
support physique (code à barres, RSS, RFID) ;
- Les standards internationaux pour les messages électroniques échangés entre
partenaires (EANCOM, X12, XML) ;
- Les inforoutes internes (Intranet), externes (réseaux de télécommunication privés à haut
débit) ou globaux (Internet) exploitées pour transmettre les messages commerciaux.
10
Quant aux applications industrielles et commerciales, elles englobent les quatre segments des
systèmes informatiques :
- Les systèmes transactionnels : Permettent de suivre toutes les opérations de saisi, de
traitement, d’archivage et de communication décrivant toutes les transactions d’une
entreprise relevant du domaine de la comptabilité, des ventes, du paiement, des
opérations, etc.
- Les systèmes opérationnels : Permettent de soutenir la réalisation des activités primaires
ou de soutien d’une entreprise. La « gestion de maintenance assistée par ordinateur-
GMAO », la « conception assistée par ordinateur- CAO », la « fabrication assistée par
ordinateur- FAO » sont des exemples de systèmes informatiques opérationnels.
- Les systèmes d'information de gestion : appuient le gestionnaire dans ses activités de
planification et de contrôle en exploitant les informations en provenance des deux
systèmes informatiques précédents. Ils se manifestent comme des rapports (détaillés)
ou tableau de bord d’indicateurs de performance (agrégés) sous format électronique ou
papier.
- Les systèmes d'aide à la décision : c’est le support de toutes les décisions dans une
entreprise, ils encapsulent toutes les activités d’analyse et de résolution de problèmes
en utilisant des outils d’aide à la décision adaptés.
Pour plus de détails sur les systèmes de pilotage des flux dans une chaîne logistique, d’excellents
ouvrages et de bonnes couvertures se trouvent dans Martel (1995), Vallin (1999), Baglin et al.
(2001), Bradley et al. (2001), Babai (2005), Martel et Klibi (2007).
Vue l’interdépendance entre les sous-systèmes du système d’information, nous nous focalisons
dans notre étude sur le processus de décision, particulièrement, l’élaboration des politiques de
contrôle optimales qui dépendent de la quantité à commander, du niveau de stock à garder pour
soutenir une politique de maintenance donnée et garantir un niveau de service requis. C’est la
mission fondamentale du système de gestion des pièces de rechange.
1.2.2.3.Mission du système de gestion des pièces de rechange
La mission fondamentale de tout système organisationnel est la création continue de la valeur tant
pour l’entreprise que pour ses partenaires. En Finances, la valeur d’une entreprise est définie
comme la somme actualisée de tous les flux de trésorerie résiduels RCF- Residual Cash Flows
durant sa vie utile :
𝑅𝐶𝐹 = (∑ 𝑑𝑒𝑠 𝑅𝑒𝑣𝑒𝑛𝑢𝑠 − ∑ 𝑑𝑒𝑠 𝐷é𝑝𝑒𝑚𝑠𝑒𝑠 𝑑′𝑒𝑥𝑝𝑙𝑜𝑖𝑡𝑎𝑡𝑖𝑜𝑛) (1 − 𝑡𝑎𝑢𝑥 𝑑′𝑖𝑚𝑝ô𝑡)
− ∑ 𝑑𝑒𝑠 𝐼𝑛𝑣𝑒𝑠𝑡𝑖𝑠𝑠𝑒𝑚𝑒𝑛𝑡𝑠 (1.1)
11
NB :
- Parfois, la mesure d’empilement de flux de trésorerie n’est pas possible, la plupart des
entreprises évaluent leur performance financière sur des mesures statiques comme la valeur
économique ajoutée, EVA (Economic Value Added) ou le rendement du capital investi
ROCE (Return of Capital Employed).
- La minimisation des impôts devient importante si le réseau logistique de l’entreprise se
déploie à l’international.
Théoriquement, pour accroître le RCF, l’entreprise doit continuellement réussir à maximiser ses
Revenus et à minimiser les dépenses d’exploitations et d’investissements.
Le contexte Lean manufacturing (Womack et Jones (1996)) incite l’organisation à minimiser les
dépenses d’exploitation en visant la minimisation des coûts des intrants (Énergies, matière
première…etc.) et des coûts des opérations logistiques (approvisionnement, production, transport,
maintenance...etc.). Les dépenses d’investissements sont aussi à réduire, elles sont particulièrement
liées à l’acquisition de ressources durables, aux mécanismes de financement et à la valeur
marchande des actifs courants et des immobilisations de l’entreprise. Par exemple, faire appel à
des financements externes auprès des Banques ou d’actionnaires, ces derniers ne prendront le
risque de consentir le financement que si l’entreprise leur inspire confiance, notamment par ses
bénéfices passées qui sont la seule preuve de rentabilité de son activité.
Au-delà de la logique de soustraction des coûts, un système organisationnel doit non seulement
être en mesure de maximiser ses profits, mais il doit être bien adapté aux différentes contraintes
règlementaires et normatives (Habilitations, Hygiènes, Sécurité, Environnement, Responsabilité
sociale...etc.), et doit être aussi robuste et résiliant pour créer la valeur quel que soit les changements
à venir. Pour garantir le maintien de l’entreprise sur la scène industrielle, le système de gestion des
pièces de rechange doit être conçu de façon à minimiser son exposition de toutes sortes de risques,
ces risques étant liés aux aléas quotidiens (pannes, arrêts, dégradation des équipements, accident
de travail, variabilité des prix et de la demande, taux de change…etc.) mais aussi au péril
occasionnels (catastrophes naturelles, accidents industriels…etc.) qui peuvent avoir un impact
majeur sur les performances du système. Il faut alors envisager des conjonctures futures en
constituant une nouvelle dimension pour évaluer le système par une mesure de risque comme le
VAR- Value At Risk par exemple. Les pressions du marché, les aléas et les contraintes ont des
répercussions considérables sur les performances du système en ne laissant survivre que les
entreprises les plus performantes, les plus adaptés aux évolutions du marché futur.
Que ce soit pour minimiser les coûts, se maintenir dans la compétition ou obtenir un avantage
concurrentiel, les entreprises sont amenées à raisonner selon une orientation « création de valeur »
pour le client. Le client du système de gestion des pièces de rechange est la maintenance. Le
système doit réussir continuellement à mettre à la disposition de la maintenance des pièces de
rechange, et éventuellement, la prestation associée, la quantité requise, au moment voulu avec la
qualité souhaitée. L’objectif est de garantir une disponibilité requise à coûts minima.
12
1.2.2.4.Objectif du système de gestion des pièces de rechange
Pour une disponibilité donnée, le budget alloué pour le bon fonctionnement du réseaux
d’équipements dépend fortement du niveau du stock de rechange à devoir garder, à la fois, des
fonds disponibles pour l'investissement initial et des dépenses engagées pour soutenir les politiques
de maintenance et/ou des réapprovisionnements adoptées le long de la période d'exploitation du
bien.
En général, la phase post-acquisition de l’équipement est généralement supportée par la garantie
du constructeur. Une bonne estimation des besoins initiaux durant cette phase permet à l’entreprise
utilisatrice de maîtriser l’achat et de négocier efficacement les clauses de flexibilités offertes par le
fournisseur.
Durant son exploitation, l’équipement est assujetti à des stratégies de maintenance corrective et
préventive. La gestion optimale concerne la définition des cibles quantités à approvisionner en
tenant compte du processus de défaillance des pièces, et de l’incertitude dans les délais de transport
et de réparation (réapprovisionnement). Elle concerne aussi, la définition optimisée de la
localisation de ces stocks et des ateliers de réparation (sources de réapprovisionnement), en
combinant éventuellement stocks internes et externes, stock central et stocks régionaux, atelier
central (une seule source de réapprovisionnement) et ateliers régionaux (plusieurs sources de
réapprovisionnement).
Pour la maintenance préventive, les besoins en rechanges sont supposés connus sur une maille de
temps suffisamment importante, on saurait exactement ce que le plan de maintenance va demander,
quelle quantité et à quelle date. Le système pourrait s’adapter à cet univers déterministe et
approvisionner en juste à temps.
Or, pour la maintenance corrective, le caractère aléatoire des défaillances et la grande fiabilité des
équipements, conduisant le plus souvent à de faible rotation des stocks des pièces de rechanges,
rendent les estimations difficiles à établir. Les paramètres de réapprovisionnement sont étroitement
liés aux processus stochastiques décrivant la défaillance, la réparation (réapprovisionnement) et le
transport des pièces.
Si les processus stochastiques sous-jacents subissent peu de changement dans le temps, on peut
analyser l’évolution du système dans un régime stationnaire afin de trouver une politique de
contrôle optimale. Cette dernière dépend essentiellement de la quantité de pièces de rechange à
garder en stock et des capacités de ressources (réparation, transport, etc.) en utilisant les techniques
d’optimisation classiques.
Si toutefois les paramètres d’approvisionnements (défaillance, réparation, transport, etc.) sont
affectés par des processus stochastiques qui varient dans le temps, des facteurs saisonniers, par des
comportements cycliques ou par des décisions de promotion, etc., on aura des processus
stochastiques non-stationnaires. Les processus d'approvisionnement venant d'être décrits, donne
13
lieu à des problèmes de décision complexes : stochastiques dynamiques, multi-périodes, etc. qui
ne peuvent être résolus de manière optimale avec les techniques d’optimisation classique.
Quelle que soit la nature des processus stochastiques décrivant les paramètres du système de
gestion des pièces de rechange, l’objectif principal est de chercher le niveau de service maximal
qu’on pourrait atteindre étant donné une contrainte budgétaire imposée, ou, alternativement,
trouver le coût minimal nécessaire pour répondre à un service requis. Il s’agit d’instruire un
compromis, toujours difficile, entre l’investissement en achat, en ressources, en inventaire, et le
niveau de service.
La littérature scientifique est riche en modèles permettant de déterminer les paramètres des
réapprovisionnements en tenant compte des aléas de la demande, des délais (transport, réparation,
réapprovisionnement, etc.), des niveaux de services et des contraintes de capacité de ressources.
La politique optimale dépend du critère d’optimisation approprié. La plupart des problèmes de
décision utilise le critère qui :
- optimise l’espérance mathématique de la fonction-objectif.
- minimise la variance de la fonction -objectif. Ce critère est approprié si on veut apporter
une certaine stabilité au profil de la demande. Les modèles : VARI-METRIC de Graves
(1985) qui sont une extension du modèle METRIC (Multi_Echelon Technology for
Recoverable Items Control) proposé par Sherbrooke (1968) et l’approximation de Adan
et al. (1996), qui seront discutés dans les sections à venir, apportent une stabilité aux
déviations constatées des variances des processus stochastiques.
- maximise la probabilité d’atteindre une certaine aspiration. Ce critère transforme le
problème décisionnel en univers déterministe dont les coefficients du modèle prennent
les valeurs les plus probables.
1.3.Revue de littérature
Nous avons vu dans la section.1.1.2.2 que le pilotage des flux dans un réseau logistique nécessite
un système d’information performant et un ensemble de processus de décision adéquat, c’est-à-
dire, le modèle décisionnel retenu doit être suffisamment robuste pour pallier aux aléas de
l’environnement et faire face à tous les futurs plausibles. Les actions à entreprendre doivent
contribuer à la performance globale de l’entreprise d’une manière profitable, durable et
concurrentielle.
Nous abordons, dans cette section, la question des pièces de rechange. Pour cela, nous touchons
les grands axes de recherche dans le domaine et nous portons une attention particulière aux
approches classiques et contemporaines de gestion des pièces de rechange, notamment, les
techniques de classification des pièces de rechange, les modèles de prévision de la demande en
pièces de rechange et les modèles décisionnels systémique (multi-composant), multi-échelons,
particulièrement, les modèles avec possibilité de passer des commandes en urgence et des transferts
latéraux. Nous nous intéressons essentiellement à l’étude des systèmes réparables, c’est à dire, les
14
systèmes qui peuvent être remis en état de fonctionnement après une action de maintenance. De
tels systèmes comportent des éléments qui sont généralement moins coûteux à réparer que de les
remplacer, ainsi, les modèles de décision sont beaucoup plus compliqués que les modèles
classiques traitant les consommables.
Bien que ces deux catégories de pièces (consommables/réparables) aient pour but de garantir une
disponibilité requise pour le bon fonctionnement du réseau d’équipements, nous nous intéressons
davantage à l’étude des systèmes combinés (réparables et consommables) assujettis à des
remplacements à la panne pour une simple raison, les besoins de la maintenance préventive sont
connus à l’avance, le gestionnaire peut s’adapter avec cet univers certain et réapprovisionner en
juste à temps.
1.3.1. Contributions scientifiques & Applications industrielles
Avant d’examiner la littérature scientifique de la gestion des pièces de rechange, nous soulignons
que la plupart des modèles de décisions proposés dans la littérature scientifique ne connaissent pas
d’applications industrielles. Prenons par exemple le module R/3 du SAP, l’ERP le plus utilisé par
les organisations industrielles, il propose seulement des méthodes approximatives pour estimer les
besoins en univers dynamique au lieu des plans optimaux de Wagner et Whitin (1958). Même les
progiciels spécialisés en gestion des stocks des pièces de rechanges ne proposent pas de modèles
de planification avec commandes d’urgence ou avec transferts latéraux. Généralement, ces
pratiques se limitent au niveau opérationnel dans certaines organisations (Van Houtum et
Kranenburg (2015))
Or, ce constat n’est pas toujours vrai ! Depuis une dizaine d’années, on assiste à une nouvelle vague
qui remplace le paradigme des MRP- Materials Resources Planning /DRP- Distribution resource
planning /ERP- Enterprise resource planning dominant l’industrie des progiciels. Cette dernière
commence à proposer de diverses solutions basées sur des contributions scientifiques, et qui ont
également un impact majeur sur le développement des progiciels commerciaux. Cette nouvelle
orientation est connue sous l’appellation APS-Advanced Planning Systems. Ces applications ont
été initialement conçues pour remplacer certains modules ERP par des méthodes de pilotage plus
efficaces. Une des entreprises qui ont amorcé ce mouvement APS, demeure toujours parmi les
leaders de l’industrie, soit i2 technologies, acquise par JDA Software Group en 2010, avec le
logiciel RHYTHM. Une bonne discussion du sujet APS se trouve dans Stadtler et al (2000).
1.3.2. Codification des pièces de rechange : le point de départ de tout projet en gestion des
pièces de rechange
Nous avons mentionné dans la section.1.2.2.2 que les échanges de données et la communication
entre partenaires (fournisseur, prestataire, sous-traitant, etc.) nécessitent des infrastructures (réseau
15
internet, intranet, postes disséminés, etc.) et des standards, en attribuant, à chacune des pièces, des
caisses de pièces, palettes de pièces, conteneurs et des emplacements, un code d’identification avec
leur support physique ou symbolique. Le système de codification des pièces et objets constitue le
point de départ de tout projet d’implantation du système de gestion des stocks des pièces de
rechange.
Pour les entreprises utilisatrices des biens industriels, le système de codification des pièces de
rechange doit être différent de celui des équipements et installations. En général, le code attribué
doit fournir une compréhension rapide des caractéristiques techniques de la pièce, sa
hiérarchisation, des informations sur le fournisseur, et pour les pièces stockées, l’emplacement
physique dans le stock.
1.3.3. Littérature sur la classification des pièces de rechange
Nous avons vu dans la section.1.1.1 que les pièces de rechange sont très variées, avec des coûts,
des exigences de service et des profils de consommation différents. La détermination de la liste des
pièces de rechange susceptibles d’être stockées ou non dépend des informations que l’entreprise
possède en main.
Claver (2006) propose un processus d’identification des pièces de rechange permettant d’établir la
gamme des pièces à garder en stocks. Il a aussi proposé un filtre permettant de prendre des décisions
quant à l’achat, la réparation et le stockage.
Par conséquent, le regroupement des articles ayant des caractéristiques communes dépend des
objectifs de l’organisation. L’organisation doit répertorier les pièces de rechange et attribuer un
niveau de service requis pour chaque catégorie. La classification des pièces de rechange permet de
déterminer les exigences de service pour chaque classe de pièces, établir des prévisions pour
différents profils de la demande et contrôler les stocks (Boylan et Syntetos (2008)).
L’approche classique de classifications des pièces de rechange est généralement basée sur les
paramètres du stock. Cette approche consiste à analyser les données et à segmenter les pièces de
rechange en fonction de la typologie : demande régulière, faible (versus forte rotation), saisonnière,
intermittente, erratique, etc., la variation de la taille de la commande, ou le délai de livraison.
Williams (1984) propose une classification basée sur le comportement erratique d’une demande
qui suit une loi de poisson. Trois classes de demande sont issues de l’analyse de décomposition de
la variance de la demande durant le délai d’approvisionnement : demande régulière- Smooth
demand., demande à faible rotation- Slow moving demand et demande intermittente – Intermittent
demand.
Une autre classification, en quatre types de demande, a été proposée par Ghobbar et al. (2003). La
méthode consiste à évaluer la demande par le biais de l’intervalle moyen entre les demandes non
nulles et la variation de la demande : demande régulière, demande à faible rotation, demande
erratique et demande erratique avec un délai d’approvisionnement important.
16
Eaves et Kingsman (2004) proposent une classification basée sur la variabilité du délai
d’approvisionnement, la variabilité de la demande, et la variabilité des commandes. Cette méthode
permet d’engendrer cinq types de demande : demande régulière, demande irrégulière, demande à
faible rotation, demande erratique et demande très erratique.
Rappelons qu’:
- une demande est classée à faible rotation lorsque les observations sur la demande
contiennent des valeurs inférieures de dix unités par cycle d’approvisionnement
(Peterson et Silver (1979)).
- une demande est intermittente lorsque les observations sur la demande contiennent
des valeurs de demande nulles (Silver (1981)).
- une demande est erratique lorsque, pour une distribution donnée, l’écart type de la
demande et supérieur à sa moyenne (Brown (1977)).
Quant aux approches contemporaines, les pièces de rechange sont généralement classées en
fonction de leur criticité de fonctionnement (Naylor (1996)). Trois niveaux de criticité sont souvent
pris en considération dans la pratique : faible, moyenne et haute criticité. Dans bien des
organisations, la criticité reflète la façon dont l’indisponibilité potentielle affecte les coûts dus aux
arrêts, à la qualité des processus, à l’environnement et à la sécurité (Dekker et Bayindir (2004)).
Elle peut être évaluée par des méthodes, comme l’AMDEC- Analyse des modes de défaillance, de
leurs effets et de leur criticité, qui est réputé l’outil le plus souvent utilisé dans le domaine industriel,
particulièrement pour l’évaluation des modes de défaillance potentiels, leurs impacts et leurs
criticités relatives. Une étude intéressante et détaillée de cette approche se trouve dans Hagedorn
(2010).
Notons, que l’approche de classification des pièces de rechange la plus fréquemment utilisée est
l’ABC (Pareto). La segmentation A, B et C, selon le(s) critère(s) sélectionné(s), se fait en fonction
des objectifs de service. L’outil d’analyse est souvent représenté sous forme d’un histogramme de
distribution indiquant une courbe de cumul d’effets induits par plusieurs causes. La particularité de
la courbe de Pareto c’est que les nombreux phénomènes observés obéissent à loi 20/80. 20% des
causes produisent 80% d’effets.
Le Pareto aide le gestionnaire à classer les pièces selon leur criticité en se basant sur un critère
donné, à déterminer le mode de gestion, en l’occurrence, le modèle de décision adapté à chaque
classe. La combinaison de l’approche ABC avec d’autre outils d’analyse et d’aide à la décision
permet de prioriser les actions à entreprendre et de porter une attention particulière à la catégorie
de pièces dont leur disponibilité et/ou manque ont un impact significatif sur les performances de
l’organisation.
Si toutefois l’analyse monocritère est désormais claire et facile à analyser, elle demeure moins
réaliste dans le contexte industriel. Plusieurs techniques de classification multicritère ont été
utilisées dans la pratique et proposées dans la littérature, parmi lesquelles on peut citer : la méthode
de weighted linear programming (WLP) (Ramanathan, R. (2006), Zhou et Fan, L. (2007), Ng
17
(2007), Hadi-Vencheh (2010), Park et al. (2014), Hatefi et Torabi (2015)), la technique analytic
hierarchy process (AHP) (Saaty (1988), Partovi et Hopton (1994), Cakir et Canbolat (2008)), la
technique- The Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS)
(Bhattacharyaet al. (2007), les réseaux de neurones- Neural Networks (Partovi et Anandarajan,
(2002)), la méthode operations related groups (ORGs) (Cohen et Lee (1985), Cohen et Ernst
(1988), Ernst et Cohen (1990)), l’algorithme génétique Guvenir et Erel (1998), l’Approche particle
swarm optimization (Tsai & Yeh (2008)), et la logique floue-Fuzzy (Chu et al. (2008), Aydin
Keskin et Özkan (2012)).
Plusieurs parutions ont abordé la classification des pièces de rechange. Bacchetti et Saccani (2011)
fournissent un examen critique de la littérature traitant la classification des pièces de rechanges
pour fin de gestion des stocks des pièces de rechange. À travers dix études de cas, des écarts de
maturité ont été constatés chez quelques entreprises manufacturières. Des limites des modèles
théoriques proposés dans la littérature ont été abordées.
Hormis Yamashina (1989), qui tient compte des critères de la fiabilité et du coût de maintenance
dans son modèle de classification (sans étude de cas), la plupart des critères retenus pour la
classification des pièces de rechange dans la pratique sont : la demande, la criticité logistique, les
coûts des pièces. Le tableau.1.1 résume les différentes contributions scientifiques pour fin
d’applications industrielles.
Référence Critères utilisés Outils Industrie

utilisés
Persson et Saccani 2009 LCA ; Profil de la demande ; Cout de la PdR; Localisation du fourn. MDS Lourde
Syntetos et al. 2009 Féquence de la demande ABC Électronique
Boylan et al. 2008 Variabilité et fréquence de la demande ABC Chimique et Aérospas.
Cavalieri et al. 2008 Spécifité des PdR, Variab. de la demande, Prix, criticité, Loc.Fourn. AHP GE manufacturière
Porras et Dekker 2008 Variab. de la demande, Prix, criticité de la piece, Loc.Fourn. CdC Raffinage
Eaves et Kingsman 2004 Variab. de la demande, Prix, criticité, Loc.Fourn. ABC Aviation civile
Gajpal et al 1994 Criticité de la pièce AHP GE manufacturière
Williams 1984 Profil de la demande VdP PME
Gelders et Van Looy 1978 Profil de la demande ABC Pétrochinmique
Légende : MDS : Modèle de simulation ; CdC : Cotes de Criticites; VdP : Variance partition.
Tableau.1.1. Classification des pièces de rechange pour des applications industrielles
1.3.4. Littérature sur la prévision de la demande des pièces de rechanges
Dans la pratique, il est rare que les informations futures soient connues avec exactitude, elles ne
sont ni parfaites ni complètes. La nature des données qui sont à la disposition du décideur
constituent un critère important pour la détermination du modèle et la résolution du problème.
Autrement dit, le modèle décisionnel dépendra de la nature des informations qu’on dispose, des
18
compétences et de l’expérience en matière des prévisions. Notons qu’une erreur de prévision
conduit sans doute à une mauvaise décision. Alors comment estimer les valeurs futures ?
Si les probabilités des fonctions ne peuvent pas être estimées quantitativement et qualitativement,
le modèle est en univers incertain. De même si une partie des décisions sont contrôlées par des
compétiteurs conscients de leurs actions, le système est dans un univers hostile. Ces problèmes
relèvent de la théorie des jeux (Von Neumann et Morgenstern (2007)), et ils ne sont pas couverts
dans notre étude.
Sinon, l’absence d'historique quantitatif permet un premier recours, l’avis des experts, et c’est la
méthode Delphi qui est fréquemment utilisée.
Par contre, si on réussit à estimer ces coefficients de manière quantitative (observations passées,
similaires, benchmark) et/ou qualitative (avis d’expert, connaissance de l’environnement), ce
modèle est en univers risqué. Pour un coefficient donné (la demande par exemple), le processus
stochastique engendré suit une distribution de probabilité P. L’espace d’états du processus est
l’ensemble des valeurs de la variable aléatoire dans le temps. Ce processus aléatoire représente une
évolution, discrète ou continue dans le temps.
À partir des caractéristiques du processus stochastique sous-jacent, Cavalieri et al (2008)
distinguent deux catégories de modèles de prévisions : modèles de prévisions basées sur les séries
temporelles et modèles de prévisions basées sur la fiabilité. La première catégorie fait partie de la
science des prévisionnistes, la plupart des modèles sont considérés comme une réalisation d’un
processus stochastique en temps discret. La deuxième, dont la consommation est estimée à partir
de la loi de dégradation de l’équipement, est considérée comme un processus stochastique évoluant
en temps continue.
NB : Lorsque l’évolution du système dans le temps s’effectue d’une façon discrète, on peut
généralement résoudre le problème à l’aide de la programmation markovienne. Yanagi et al. (1997)
modélisent également le problème en tant que processus markovien multidimensionnel.
1.3.4.1.Prévision basée sur les séries temporelles
Depuis des décennies, les entreprises manufacturières trouvent des difficultés à gérer l'incertitude
de la demande de pièces de rechange, ce qui a conduit au développement de nombreuses méthodes
de prévision en utilisant des techniques statistiques qui requièrent un historique, c’est à dire, une
série temporelle dans le jargon des prévisionnistes.
En gestion des approvisionnements, l’étude des séries temporelles a pour objectif d’établir des
prévisions de la demande via des techniques permettant de prévoir les valeurs la demande future à
partir des valeurs déjà observées. Elle permet d’analyser, de décrire et d’expliquer un phénomène
au cours du temps et d’en tirer des conséquences pour des prises de décision. Elle peut être
représentée par l’évolution à long terme des valeurs observées (modèle de Croston (1972) et
Croston modifiée). Elle peut faire apparaître une tendance (à la hausse ou à la baisse) qui traduit le
19
comportement moyen de la série (la régression, la moyenne mobile double et le lissage exponentiel
double). Le comportement de la série peut refléter des variations saisonnières, plus au moins
régulières, à des intervalles fixes ou variables, ou correspondre à des fluctuations aléatoires ou à
des évènements accidentels, voire des phénomènes rares (méthode de Winters (1976)).
Par ailleurs, les compétences et l’expérience en matière de prévision sont relativement longues à
acquérir. Même si une partie de la science des prévisionnistes est encodée dans des logiciels
spécialisés, encore faut-il savoir sélectionner le bon modèle mathématique en fonction de la
typologie de différentes demandes : demande stable, saisonnière, erratique, intermittente, etc.
Plusieurs techniques de prévisions sont maintenant encodées dans les logiciels spécialisés et ont
conquis certains ERP et progiciels de gestion. OMRS (http://www.ormstoday.org
/ormssurveys.html) présente un panel de logiciels de prévision disponible sur le marché.
En outre, des études ont permis de tester la précision et la robustesse des méthodes des différents
modèles de prévisions. Une méthode jugée bonne pour une série temporelle donnée ne garantit pas
toujours une bonne estimation pour différentes instances. La robustesse des méthodes est toujours
en question. La méthode de M1 Forcasting Method est réputée la méthode de comparaison (entre
méthodes de prévision) la plus utilisée par les chercheurs, elle a été employée pour la première fois
par Makridakis et al. (1982) et utilisée dans la plupart des études comparatives des méthodes de
prévision.
Une étude comparative a permis aussi à Willemain et al. (1994) de vérifier la robustesse du modèle
de Croston (1972) en utilisant des données réelles. Ces conclusions ont été même constatées chez
Johnston et Boylan (1996). Ces derniers consolident l’idée que le modèle de Croston (1972) donne
toujours de bonnes estimations par rapport à la méthode du lissage exponentiel lorsque la demande
est intermittente avec un temps moyen d’inter-arrivées des demandes est supérieur à 1.25.
En gestion des pièces de rechange, Syntetos et Boylan (2001) ont montré que la méthode de
Croston (1972) conduit parfois à des estimations biaisées de la demande. Pour surmonter les
faiblesses constatées, ils ont proposé une version modifiée du modèle. La performance du modèle
proposé est basée sur l’estimé de la déviation du niveau de service enregistré par apport à un
objectif de service donné.
Quelques années après, Syntetos et Boylan (2005) ont effectué une étude comparative entre les
méthodes de prévisions les plus populaires. L’exercice de simulation réalisé sur 3000 références
de pièces de rechange de l'industrie automobile avec « demande intermittente » montre que le
modèle de Syntetos et Boylan (2001) modifié est le mieux adapté. Il donne de meilleures
estimations.
1.3.4.2.Prévision basée sur la fiabilité
D’après la norme NF X 06–501, la fiabilité est définie par « la caractéristique d’un dispositif
exprimée par la probabilité que ce dispositif accomplisse une fonction requise dans des conditions
20
d’utilisation données et pour une période de temps déterminée ». La transition d’un état à un autre
s’effectue selon une loi de probabilité connue, partiellement connue ou complètement inconnue.
D’une manière générale, on mesure la durée de vie d’un système par le nombre d’heures durant
lesquelles il a effectivement fonctionné. La durée de mission du système est une variable aléatoire
non négative à laquelle nous pouvons associer une fonction de densité qui est exprimée en termes
de temps, de nombre des cycles (appareil automatique), de distance parcourue (appareil roulant) et
de tonnage produit (équipement de production).
La loi de dégradation de l’équipement, qui est caractérisée par sa fiabilité, sa probabilité de
défaillance, sa fonction de densité ou par son taux de panne, est déterminée à partir des
observations passées, des tests du constructeur, des benchmark de références, etc. Généralement,
les durées de vie observées ont de sources multiples (historiques des pannes, Banque de données
ou REX). L’analyse des données de survie s’effectue au moyen de plusieurs distributions des
durées de vie (ex.de lois : exponentielle, Weibull, Weibull mixte, lognormale, normale, gamma,
logistique, log-logistique, Gumbel, Bayésien-Weibull, modes de défaillance concurrents, etc.).
Plusieurs logiciels d’analyses sont disponibles sur le marché pour permettre de déterminer la loi de
dégradation du système, ils sont souvent munis d’outils performant permettant des analyses plus
approfondies (plans d'essais de fiabilité, analyse des données de dégradation, analyse des données
non-paramétriques, analyse des données de garantie, l'analyse des données issues d'évènements
récurrents, etc.) et la communication avec les interfaces du projets (utilitaires pour des courbes 3D,
importation des données issues de bases de données externes, filtre d'analyse des données, etc.).
La Figure 1.5 représente la courbe théorique du taux de panne, c’est une allure à laquelle on associe
la métaphore de la baignoire. Cette courbe regroupe les trois phases du cycle de vie de
l’équipement, voire, la phase de déverminage (rodage), phase de défaillance aléatoire (maturité) et
la phase de vieillissement (tendance à la fin de vie).
Taux de panne
Déverminage Défaillance aléatoire Vieillissement
vie utile
Action de maintenance
Temps
Figure.1.5. Allure du taux de panne
21
La première phase est caractérisée par des défaillances, plus au moins fréquentes, dues
généralement à des erreurs de conception, d’ajustement et du rodage des composants que
constituent l’équipement. Chez la plupart des constructeurs, le rodage s’effectue avant même le
lancement de l’équipement sur le marché. Dans la plupart des cas, cette période est couverte par la
garantie du constructeur. Des clauses de flexibilité sont souvent offertes (services après-vente) pour
la maintenance, les pièces de rechange, l’assistance technique, etc. L’utilisateur est amené à
maîtriser cette phase pour bien gérer les installations à coûts minima.
La deuxième phase est la période de maturité. L’équipement après rodage, dont tous les défauts
sont éliminés, est adapté à son environnement opérationnel. Les défaillances sont de nature
accidentelle et de causes exogènes (erreur humaine, propagation des sollicitations externes, etc.).
L’équipement dans cette phase est désormais sous maîtrise statistique. Cette phase est caractérisée
par un taux de panne constant, la maintenance préventive du système durant cette période n’est pas
nécessaire.
La dernière phase représente la période de vieillesse de l’équipement, c’est-à-dire, après un certain
âge ou un temps d’usage, ce dernier est caractérisé par un taux de panne croissant. Des actions de
maintenance peuvent être envisagées pour prolonger la durée de vie du système jusqu’à date à le
surclasser, ou bien le revaloriser ou le revendre selon l’opportunité.
Rappelons que l’une des préoccupations de la maintenance est l’amélioration constante de la
fiabilité de l’équipement. Cette amélioration peut être aussi bien effectuée en agissant sur sa
technologie ou en agençant les composants ou modules de manière à les rendre plus fiables par
l’utilisation des redondances qui peuvent prendre plusieurs formes :
- Redondances actives par la mise en parallèle des éléments de l’équipement.
- Redondance passives ou stand-by par la mise en parallèle des éléments de l’équipement.
- Redondance majoritaire, appelé aussi k parmi n, dont au moins la majorité des éléments (en
nombre de k) est en état de fonctionnement.
Alors, pour une structure donnée, la criticité d’un composant dépend de la fiabilité du composant
et de comment il est agencé dans la structure du système (équipement), autrement dit, de comment
il impact la fiabilité totale.
Le Facteur d’Importance Marginale MIF- Marginal Importance Factor, parfois appelé, facteur
d'importance de Birnbaum (1968) permet de déterminer le composant qui satisfait la relation de
Dutuit et al. (2000), équation (1.1) :
𝑠 𝜕𝑅𝑆
𝑀𝐼𝐹 ( ) = (1.2)
𝑖 𝜕𝑅𝑖
𝑅𝑆 : La fiabilité du système
𝑅𝑖 : La fiabilité du composant i
22
Plusieurs méthodes de mesures du MIF sont publiées dans Rebaiaia et al. (2015) et Rebaiaia et al.
(2016).
Si à chaque défaillance d’un composant est associée une valeur économique, un impact (dû à
l’indisponibilité, au coût de maintenance, à la sûreté des installations, à la sécurité des personnes,
à l’environnement, etc.), la fiabilité du composant ne sera plus le critère qui détermine la criticité
mais plutôt la probabilité d’occurrence de l’évènement y associé. Cela nous amène aux critères de
classification évoqués dans la section.1.2.3, parmi lesquels nous pouvons citer : les coûts de la
pièce, de la maintenance, du stockage et de la commande, les conditions de stockage (périssabilité),
l’obsolescence, la sécurité, et l’environnement, etc.
Notons aussi qu’est considéré critère de classification tout élément pris en compte et intégré dans
la conception d’un équipement afin de faciliter sa maintenance. L’interchangeabilité des pièces et
modules est un critère de maintenabilité, leur disponibilité relève à la logistique de la maintenance.
Le critère logistique dénote la difficulté de mettre à la disposition de la maintenance les pièces de
rechange nécessaires pour des raisons géographiques (inaccessibilité des sites, manque de
plateformes logistiques, moyens de transport, etc.) ou climatiques (périodes d’inondations, de
neiges, etc.).
Aussi, l’idée de maintenir plus rapidement un équipement se matérialise par des mesures réalisées
à partir des durées d’intervention. Pour cela, « La maintenabilité est l’aptitude d’un bien à être
maintenu ou rétabli dans un état où il peut accomplir une fonction requise, lorsque la maintenance
est accomplie dans des conditions données, en utilisant des procédures et des moyens prescrits »
AFNOR. Cela peut être interprété par la probabilité de rétablir un système dans des conditions de
fonctionnement données, dans un temps imparti. On distingue : La maintenabilité intrinsèque : elle
est « construite » dès la phase de conception à partir d’un cahier des charges prenant en compte les
critères de maintenabilité. (Modularité, accessibilité, etc.) ; la maintenabilité prévisionnelle, elle
est également « construite », mais à partir de l’objectif de disponibilité ; la maintenabilité
opérationnelle, elle est mesurée à partir des historiques d’interventions.
Si le processus stochastique décrivant la défaillance (fiabilité) et la réparation (maintenabilité) de
l’équipement demeure inchangé dans le temps, on peut étudier le système dans un régime
permanent afin de déterminer la proportion de temps de bon fonctionnement, appelée : disponibilité
stationnaire, qui dépend essentiellement de la fiabilité et de la maintenabilité du système. Lorsque
les contraintes logistiques s’imposent, on peut parler de la disponibilité opérationnelle.
Selon la norme NF EN 13306 : « La disponibilité est l’aptitude d’un bien à être en état d’accomplir
une fonction requise dans des conditions données, à un instant donné ou durant un intervalle de
temps donné, en supposant que la fourniture des moyens extérieurs est assurée. Les moyens autres
que la logistique de maintenance (personnel, documentation, rechanges, etc.) n’affecte pas la
disponibilité d’un bien ».
Donc, à un instant donné, la disponibilité est la probabilité que le système soit en opération. La
remise en opération d’un équipement et donc sa disponibilité dépend fortement de la quantité des
23
pièces de rechange à réapprovisionner (stocker ou commander). Cette quantité, qui est en réalité,
le nombre moyen de renouvellement sur un horizon de planification donné, résulte essentiellement
de la stratégie de maintenance adoptée.
1.3.5. Littérature sur les stratégies de maintenance
Une organisation qui ne peut mettre en œuvre une stratégie de maintenance efficace se trouve soit
dans l’excès avec des coûts fixes élevés, soit dans la perte. Trouver un compromis, toujours
difficile, entre les coûts engendrés par la perte de production et/ou d’opportunité, et les dépenses
en maintenance permet de gérer l’appareil de production de manière efficace et profitable.
L’objectif principal est de garantir la disponibilité requise à un coût total minimal.
Pour un système donné (composant, module, équipement, chaîne de production, etc.), la politique
optimale de maintenance consiste à trouver le calendrier d’interventions préventives qui
minimisent le coût total dans un horizon de planification (Barlow et Proschan (1975)). La
détermination des rechanges nécessaires à une politique de maintenance est au cœur de la
performance de l’entreprise.
Les actions de maintenance à entreprendre sur un équipement peuvent prendre deux formes, soit
réactives, les interventions se font qu’après constatation d’une défaillance, soit proactives, les
interventions se font selon un plan bien défini. Ce sont les deux formes de stratégie que nous allons
aborder brièvement :
1.3.5.1. Stratégie de remplacement à la panne
Cette stratégie consiste à effectuer des remplacements à la panne. Elle est fortement suggérée
lorsque les défaillances sont purement aléatoires (taux de panne constant) ou lorsque les coûts de
remplacements préventifs sont élevés par rapport aux coûts engendrés par la défaillance.
Pour une distribution donnée, le nombre moyen de remplacement à la panne, sur un horizon de
planification, vérifie l’équation fondamentale de renouvellement (Barlow et Proschan (1975)).
L’obtention d’une solution analytique de la fonction de renouvellement de Barlow et Proschan
(1975) est généralement difficile. Excepté la distribution exponentielle et gamma d’ordre 2, des
procédures numériques de calcul ont été largement proposées dans la littérature (Cléroux et.
McConalogue (1976), Rebaiaia et al. (2016)).
1.3.5.2.Stratégie de remplacement périodique
- Stratégie de type âge : Cette stratégie consiste à effectuer des remplacements à la

panne ou après T unités de temps sans panne.
24
- Stratégie de type bloc : Cette stratégie suggère d’effectuer des remplacements à
des instants fixes et à la panne.
- Stratégie d’inspection : L’inspection s’effectue à des périodicités fixes. Si une
défaillance est détectée (après inspection), une action de maintenance sera
entreprise pour remettre en état de fonctionnement le composant défectueux. Cette
stratégie est suggérée pour des applications spécifiques dont la défaillance du
système n’est connue qu’après inspection. Dans plusieurs contextes, il n’existe
aucun symptôme indiquant la défaillance du composant.
L’obtention de la politique optimale est difficile voire impossible analytiquement. Sauf, si le
modèle est sous certaines hypothèses de délais (de détection, de diagnostic, de pose et dépose, de
démontage et de démontage, de remplacement, d’attente, etc.) négligeables, de différents coûts
supposés connus, et de processus stochastique engendrant les défaillances supposé connu et
demeure inchangé dans le temps. Le coût total moyen, dans un régime permanent, pour différentes
stratégies de maintenance, est donné par Barlow et Proschan (1975).
En général, une solution peut être envisagée dans le domaine étudié si le taux de panne est une
fonction croissante. Rebaiaia et al. (2015-bis) et Rebaiaia et al. (2016) proposent des
approximations et des procédures numériques pour calculer la politique optimale de type Bloc et
de type âge pour différentes distributions de durée de vie. Une étude comparative des deux
stratégies est effectuée.
Pour des distributions quelconques à taux de panne croissant, Chelbi (1996) propose une procédure
itérative permettant de déterminer, dans un régime permanent, le calendrier d’inspections optimales
qui minimisent le coût total. C’est une généralisation de la procédure de Barlow et Proschan (1975)
qui suggèrent une procédure de génération des instants d’inspection pour une classe particulière de
fonction de densité dites PF2- Polya Frequency functions of order 2.
Notons que les politiques vues jusqu’à présent supposent que les ressources pour la maintenance
et les rechanges associées sont disponibles, ce qui est moins réaliste dans la réalité des industriels.
Cela nous conduit à trouver les politiques optimales de contrôle des réapprovisionnements des
pièces de rechange en jumelant stratégie de maintenance et besoins en rechanges. Sujet que nous
abordons dans la section suivante.
1.3.6. Littérature sur la Planification et contrôle des inventaires des pièces de rechange
La problématique de planification et contrôle des pièces de rechange a fait l’objet de plusieurs

contributions dans la littérature. Plusieurs modèles décisionnels ont été proposés pour
l’identification, la planification et contrôle des stocks de pièces de rechange pour des systèmes
assujettis à des stratégies de remplacements préventifs et correctifs en tenant compte des aléas
d’approvisionnement, du service requis et des contraintes budgétaires. Ces méthodes
d’approvisionnements dépendent de plusieurs facteurs influant la décision du gestionnaire.
25
La littérature scientifique est riche de modèles qui tiennent compte totalement ou partiellement des
paramètres de gestion, exemple : nombre de références à gérer (un seul composant, multi-
composant) (Ebeling (1991), Rustenburg (2000), (Sherbrooke (2004)), du genre de pièces
(périssables, à détérioration, etc.) (Schmidt et Nahmias (1985), Padmanabhan et Vrat (1995), Goyal
et Giri (2001)), de la typologie de la demande (erratique, saisonnière, intermittente, etc.) (Syntetos
et Boylan (2001), Syntetos et Boylan (2005)), de l’évolution du système (statique ou dynamique)
(Harris et al (1912), Wagner et Whitin (1958)), de la nature des commandes acceptées par les
fournisseurs (sans contraintes de quantité, commandes regroupées, quantité minimale, taille des
paquets fixe..), de la nature des prix (prix fixes, escomptes de quantité, bas prix temporaires), de la
nature du processus de la demande (déterministe ou aléatoire) (Nahmias et Rivera (1976), Schaefer
(1989), Mabini et al. (1992)), de la capacité des ressources (limitée ou illimitée) (Sherbrooke
(1968), Diaz et Fu (1997), Gross et Harris (2003), Graves (1985)), de la nature des sources
d'approvisionnement (source unique, sources multiples, partenaire commercial, alliance
stratégique) (Muckstadt (1973)), du niveau de couverture (centralisé ou non , mono-échelon, multi-
échelon) (Sherbrooke (1968), Slay (1984), Graves (1985), Simpson (1970), Lee et Moinzadeh
(1987)) et de la nature du service adoptée par l’organisation (disponibilité maximale, taux de
remplissage maximal, le temps d’attente minimal, etc.) (Kranenburg (2006)).
1.3.6.1.Politiques de pilotage et contrôle des inventaires des pièces de rechange
Nous avons vu dans la section.1.2.3 que les coefficients de réapprovisionnement (la demande, le
délai de livraison, les coûts, etc.) sont rarement connus avec certitude. Pour pallier à ces différentes
fluctuations, la pratique courante est de conserver un stock de sécurité et mettre en place un système
de contrôle qui suit l’évolution des stocks et qui gère les réapprovisionnements. Les stratégies de
contrôle des inventaires des pièces de rechange dépendent du processus de pilotage, c.-à-d., de
comment l’information est enregistrée et communiquée à travers le système, sur laquelle les
décisions sur les paramètres d’approvisionnement sont prises et exécutées. L’émergence des
systèmes ERP, particulièrement les modules de gestion de maintenance assistée par ordinateur
(GMAO), ont contribué efficacement à l’amélioration des processus d’enregistrement, de
traitement, d’archivage et d’échange de l’information requise pour la prise de décision, pas
seulement au niveau des services de maintenance, mais aussi avec les interfaces des autres
fonctions de l’entreprise (finances, achat et approvisionnement, production, etc.).
1.3.6.1.1. Modèles classiques
Comme nous l’avons mentionné dans la section 1.2.4, la nature des données qui sont à la
disposition du gestionnaire constitue un critère important pour la détermination du modèle
décisionnel et la résolution du problème. Dans bien des cas de consommations jugées régulières,
telle que, les fournitures et les pièces de consommation courantes, et des besoins de la maintenance
26
préventive, la demande peut être estimée facilement. Pour cela, le gestionnaire possède toutes les
informations requises sur un horizon de temps suffisamment important alors que le système étudié
peut s’adapter à cet univers déterministe ce qui permet de planifier le juste nécessaire. La méthode
la plus simple et la moins réaliste est connue par la « Quantité Économique à Commander (QEC)
». Le profil de la consommation et du délai de livraison sont connus et demeurent inchangeables le
long de l’horizon de planification. Le modèle mathématique décrivant l’équilibre des coûts est
connu par la formule de Wilson (Harris et al (1912)). C’est une pondération des coûts de stockage
et des coûts de commande.
Lorsque les coefficients du modèle sont déterministes mais varient avec le temps, on peut gérer les
stocks avec une certaine efficacité tout en faisant varier les commandes. Wagner et Whitin (1958)
proposent un modèle permettant de retrouver des règles de décision pour ce genre de systèmes de
gestion des réapprovisionnements à l’aide de la programmation dynamique (Bellman (1954)). Dans
les problèmes décisionnels dynamiques, nous nous intéressons beaucoup plus à des plans optimaux
sur un horizon de planification, les décisions peuvent être influencées par des décisions passées ou
par les paramètres mis-à-jour au fur et à mesure de l’évolution du système dans le temps.
Quant à des variations aléatoires, on a deux types de systèmes de gestion des réapprovisionnements
: les systèmes à transactions continues et les systèmes à revues périodiques. Le premier système
consiste à effectuer le contrôle de l’état du stock (commande et réception des commandes, niveaux
du stock, etc.) en temps réel. L’implantation de ce genre du système est couteuse et requiert un
système d’information performant.
Si toutefois les organisations sont dans l’impossibilité d’installer un système à transactions
continues, soit parce que l’investissement dans tel système est dispendieux, soit pour des raisons
opérationnelles, elles se limitent à effectuer le contrôle de l’état des stocks à des périodes
prédéterminées.
Sur la base de ces deux systèmes de gestion des inventaires, les politiques de pilotage et de contrôle
que nous rencontrons dans la littérature des pièces de rechange sont caractérisées par des
recomplètements périodiques des stocks en commandant des quantités fixes ou variables. Elles
regroupent l’ensemble des politiques de contrôle des stocks classiques, notamment, la politique de
réapprovisionnement cyclique (𝑇, 𝑄), la politique de re-complétement périodique (T,S), la
politique de point de commande ROP-Reorder Point (s, Q) (Wilson (1934), Scarf (1959), Karlin
(1960), Hadley et whitin) (1963) et Iglheart (1964), (s, S) (Clark et Scarf (1960) ) et (S -1, S) . Ce
dernier représente un cas particulier intéressant découlant de la politique (s, S) lorsque s = S – 1.
Sherbrooke (1968), Gross et Harris (1973), Buzacott et Shanthikumar (1993) s’intéressaient à ces
deux dernières politiques pour décrire une politique de stock basée sur les files d’attente.
Pour plus de détails sur les politiques de contrôle des stocks, une bonne couverture est donnée par
Axsäter (2015).
27
1.3.6.1.2. Modèle jumelée (stratégie de maintenance, plan de production, besoin en pièces de
rechange, etc.)
La gestion des pièces de rechange exige aussi une façon de gérer les processus, particulièrement,
l'intégration de la maintenance (Cavalieri et al. (2008)). Nous avons vue dans la section 1.2.5.2 que
les stratégies de maintenance (Barlow-Proschan (1975)) supposent que les ressources requises pour
les interventions correctives sont mises à disposition en juste à temps et la disponibilité des
ressources est supposée immédiate. L’approche classique consiste à déterminer la politique
optimale de maintenance en superposant le calcul optimal des besoins en pièces requises pour les
remplacements en utilisant les modèles classiques de gestion des stocks évoqués plus haut.
Malheureusement, cette approche ne serait valide que pour une certaine catégorie de pièces dont le
profil de la demande est assez régulier, et de coût de stockage et d’inactivité (indisponibilité)
faibles.
Pour les pièces de remplacement caractérisées par des coûts d’acquisition et de stockage très élevés,
de consommation irrégulière et erratique, voir intermittente, et de conséquence d’inactivité
onéreuse, une stratégie conjointe est fortement recommandée. L’engagement optimal des
ressources tout en prenant en compte les aléas de production, de maintenance et des
réapprovisionnements performe mieux. Des études ont montré que la prise en compte des modèles
de stocks des pièces de remplacement dans la détermination des stratégies de maintenance pour
cette catégorie aura des retombées significatives sur le budget de la maintenance. Les résultats des
simulations de Kabir et Al-Olayan (1996) indiquent clairement que la politique conjointe optimale
est plus rentable que la politique de Barlow-Proschan (1975).
Plusieurs modèles de décision permettant de calculer les quantités de pièces à réapprovisionner et
les stocks de sécurité assujettis à des stratégies de maintenance corrective et préventive ont été
proposés dans la littérature.
Michell (1962) propose un modèle qui détermine le point de commande d’une pièce de rechange
assujettis à des remplacements à la panne. L’objectif est d’instruire un compromis entre les coûts
de stockage et les coûts d’inactivité de l’équipement. Le délai de livraison est supposé connu à
l’avance. L’estimation moyenne des coûts de pénurie et de stockage est une fonction de la fiabilité
de l’équipement. Ce modèle s’adapte mieux à un système qui atteint la phase de maturité (taux de
panne constant), de criticité élevé dont le coût d’inactivité et de stockage très élevés, et dont le coût
de commande est faible ou négligeable par rapport au prix de la pièce de rechange.
Une extension du modèle de Michell (1962) a été initiée par Dohi et al. (1996). Ils proposent une
série de modèles qui prend en considération les besoins en pièces à la panne et pour les
interventions préventives. Une commande d’urgence pourrait être lancée si, au moment de la
panne, le stock est épuisé. Plusieurs scénarios ont été envisagés pour déterminer le point de
commande et les intervalles de temps d’intervention préventive, chaque scénario est délimité par
une durée moyenne du cycle correspondant au comportement du système dans cet intervalle. La
politique optimale (temps de passation de commande, l’intervalle des remplacements préventifs)
28
est celle qui minimise le coût total par unité de temps, qui est l’empilement des coûts de stockage,
de commande ordinaire, de commande d’urgence et de pénurie. Ce modèle est bien adapté au
système à taux de panne variable. L’option d’urgence est justifiée car le taux de panne varie en
fonction de temps. Dans le contexte réel, la période infantile est généralement supportée par la
garantie du constructeur, par conséquent, la phase de vieillissement nécessite des intervalles
variables pour maîtriser le système, sinon, des pannes peuvent survenir entre intervalles fixes. Une
stratégie de maintenance de type âge serait mieux adaptée (Armstrong and Atkins (1996)).
D’autre modèles décisionnels intégrants conjointement les stratégies de maintenance et les
politiques de stocks des pièces de rechange ont été proposés dans la littérature et découlent des
deux modèles précédents (Mehrez et Stulman (1983), Acharya et al (1986), Kabir et Al-Olayan
(1994), Kabir et Al-Olayan (1996), Armstrong et Atkins (1996), Diallo et al. (2008)) ainsi que le
triplet stock des pièces de rechange-maintenance-production (Rausch et Liao (2010)). Pour des fins
de faciliter les calculs, la plupart de ces modèles supposent que la périodicité de remplacement
préventif est multiple du délai de recomplètement périodique des stocks des pièces de rechange.
Ces modèles considèrent que l’équipement possède un seul composant critique et gèrent une seule
catégorie de pièces consommables (pièces non-réparables).
1.3.6.1.3. Modèles basées sur la théorie les files d’attente
Tous les modèles d’approvisionnement par lot ou unitaire vus jusqu’ à présent utilisent des
politiques de réapprovisionnement classiques. L’estimation des besoins est basée sur la loi de
dégradation du composant en supposant que la pièce défaillante n’est pas réparable
(consommable), et le modèles de décision ne considère qu’un seul composant jugé critique.
Sachant que la réalité industrielle est beaucoup plus compliquée, la majorité des défis des
entreprises est dans la gestion des pièces réparables qui sont à la fois, complexes, coûteuses et
difficile à gérer.
Complexes, car en réalité, l’équipement est composé de plusieurs éléments interdépendants et
agencée en construisant une structure, donc, il comporte un ou plusieurs composants pouvant
entraîner sa défaillance.
Couteuses dans le sens où le recomplètement du stock qui s’effectue à l’unité (politique (S-1, S)),
lorsque le coût de commande de ce type de réapprovisionnement est généralement négligeable par
rapport aux coûts d’achats et de stockage et de délai d’approvisionnement qui s’échelonne sur une
longue période. La gestion de cette catégorie de pièces de rechange nécessite des conditions de
stockage, des moyens de transport, de pose et dépose très particuliers.
Difficile à gérer, car le contrôle de l’inventaire des pièces diffère des approches classiques (point
de commande), il utilise la théorie des files d’attente pour décrire le processus de défaillance et de
réparation.
29
Schématiquement, le fonctionnement des processus est représenté par une boucle de réparation et
de défaillance. Si une pièce tombe en panne, elle est remplacée immédiatement par une pièce de
rechange prête à l’emploi si disponible en stock. La pièce défaillante est acheminée vers l’atelier
de réparation pour la remettre en état de fonctionnement. Ces modèles sont difficiles à résoudre à
cause de la complexité du réseau et de la prise en compte du phénomène d’attente.
La littérature sur les systèmes de gestion des pièces de rechange réparables est vaste. L’une des
premières parutions dans ce domaine est le modèle METRIC, Multi-Echelon Technique for
Recoverable Item Control, initié par Sherbrooke (1968). Le modèle METRIC considère un système
d'inventaire des pièces réparables à deux échelons. Il traite une gamme de composants de taille et
de capacité de station de réparation infinies. Le modèle mathématique décrivant le processus de
défaillance et de réparation des pièces utilise la théorie des files d’attente. Les arrivées des pièces
défectueuses aux stations de réparation suivent une distribution de Poisson à paramètre constant.
Le délai de réparation est une variable aléatoire qui suit une distribution générale. Sherbrooke
(1968) exploite le théorème de Palm (1938) pour donner une approximation à la convolution de la
boucle de défaillance/réparation. L’objectif est de minimiser la somme totale des Backorders
(quantités manquantes ou en souffrance) dans les sites locaux soumis à une contrainte budgétaire.
Toutefois l’approche par item suppose que le niveau des stocks pour chaque référence des pièces
est dimensionné indépendamment et que tous les paramètres des stocks partiels sont considérés
mutuellement exclusifs. L’importance de considérer tous les composants du système dans le
modèle de décision permet au gestionnaire de prendre des décisions à la lumière de la performance
globale du réseau et non selon des performances en silos. Cette approche est connue sous le nom «
approche systémique », elle a été officiellement présentée par Sherbrooke (2004), qui a démontré
à travers plusieurs études de cas, qu'une réduction significative des coûts peut être obtenue en
appliquant une approche systémique (multi-composant) au lieu d'une approche mono-composant.
Ce constat a été consolidé auparavant par d'autres chercheurs tels que Thonemann et al. (2002), et
Rustenburg et al. (2003).
Avant cela, Muckstadt (1973) a proposé un modèle intéressant, le MOD-METRIC, qui est en réalité
une extension du modèle METRIC de Sherbrooke (1968), le modèle tient compte de la structure
hiérarchique des éléments de l’équipement multi-indenture structure. Le terme indenture désigne
le niveau où se trouvent les sous-ensembles et les composants élémentaires dans l’arborescence de
l’équipement. Le modèle décrit la relation logistique entre l’équipement comme un « ensemble »
et ses « sous-ensembles » (modules ou pièces élémentaires). Le modèle est utilisé pour déterminer
le niveau des stocks (équipements, modules, pièces élémentaires) qui minimise le total des
Backorders sous contrainte de budget. La résolution de tel modèle devient de plus en plus
compliquée à chaque fois que d’autres échelons et indentures sont pris en compte. Muckstadt
(1978) utilise l’Optimisation Lagrangienne pour le cas de deux intentures et de configuration
logistique à deux échelons. Muckstadt (1979) étend le modèle METRIC à trois-échelons en
considérant uniquement des remplacements modulaires (une seule indenture).
30
Slay (1984) propose un modèle d’approximation appelé VARI-METRIC en supposant que le
nombre moyen des pièces en réparation égale à sa variance correspondant à une distribution
Binomiale négative.
Graves (1985) utilise la même approximation pour élaborer un modèle approximatif à deux
échelons. La distribution résultante est la convolution de la distribution des backorders du stock
central et la distribution des demandes des pièces pour chaque région en utilisant le Two-Moment
Fits. Elle dépend du rapport entre la variance et la moyenne de la distribution résultante. Si le
rapport est inférieur à 1, le processus résultant est considéré de distribution binomiale négative. Si
le rapport égale à 1, le processus stochastique résultant est un processus Poisson à paramètre
constant égale au premier moment, voire l’espérance mathématique du processus conjoint.
Rustenburg et al. (2003) propose une procédure d’évaluation exacte du VARI-METRIC, introduite
déjà par Graves (1985).
Pour le même modèle multi-échelon, Van Houtum et al. (2015) propose une extension du modèle
de Graves en utilisant des approximations basées sur une mixture de distributions d’Adan et al.
(1996) (Binomiale, Poisson, Binomiale négative et Géométrique). La distribution résultante est la
convolution de la distribution des backorders du stock central et la distribution des demandes des
pièces pour chaque région en utilisant le Two-Moment Fits. Elle dépend du coefficient de variation
qui peut prendre de différentes valeurs.
Rappelons que le modèle METRIC a été conçu pour des applications militaires, il est bien adapté
à des organisations comportant des stations de réparation à capacité illimitée et des stocks selon
une configuration mono ou multi-échelon permettant de gérer efficacement l’ensemble de
portefeuilles des pièces de rechange associés aux opération de maintenance en fournissant le plus
rapidement possible les rechanges nécessaires. Atteindre des performances élevées requiert un bon
design du réseau. Cette approche a franchi les frontières des militaires et conquit le domaine
maritime (Yang et al. (2012)) et l’aviation civile (Sun et Zuo (2010) Perlman et Levner (2010),
Wang and Ma (2011), Lu et Yang (2012), Chenyu et al. (2012), Jaarsveld et Dollevoet (2012)).
Ces travaux font référence à plusieurs extensions du modèle METRIC bien adaptées au contexte
de l’aviation civile, ils ont exploité l’évolution informatique pour présenter des modèles
performants et des procédures d’évaluations approximatives très intéressantes.
Caglar et al. (2004) ont analysé un système de pièces de rechange à deux échelons et ont développé
une heuristique pour réduire au minimum, les coûts de possession des stocks soumis à des
contraintes de temps d'attente.).
Or, pour certaines applications industrielles, le modèle METRIC et ses extensions, avec
l’hypothèse de stations de réparation à capacité illimitée et de taille de réseaux d’équipement
infinie, peuvent engendrer des erreurs d’estimation des paramètres du modèle. Gross et Ince (1978),
Gross (1982), Ebeling (1991, 2005), Diaz et Fu (1997, 2005) ont proposé des modèles avec capacité
de réparation limitée et un réseau de population finie. Les modèles mathématiques permettent de
31
déterminer, en régime permanent, le niveau de stock de rechange et le nombre de canaux de
réparation requis pour garantir une certaine disponibilité.
Gross et Ince (1978), Gross et Hariss (1982) supposent que les variables aléatoires caractérisant le
temps inter-arrivées et le temps de réparation suivent une loi exponentielle.
Ebeling (1991, 2005) étend le modèle précédent pour le considérer dans les limites du budget.
Plusieurs extensions ont été envisagées pour traiter des cas multi-composant. Diaz et Fu (1997)
présentent plusieurs cas particuliers intéressants et proposent des modèles approximatifs pour gérer
des distributions générales du délai de réparation et des temps inter-arrivées.
Notons que la capacité limitée des ateliers de réparation engendre un phénomène d’attente pour
certaines pièces arrivantes. L’augmentation du nombre de pièce dans la file impacte la disponibilité
du réseau. Pour surmonter ce problème, deux solutions sont envisageables, soit on s’investit dans
des ressources durables, c’est à dire, ouvrir d’autres canaux, soit on a recours à des commandes
d’urgence (ressources occasionnelles, moyen de transport rapide, etc.).
1.3.6.1.4. Modèle de gestion des réapprovisionnements des pièces de rechange avec

possibilité de passer des commandes en urgence
Cette problématique a été soulevée dans la littérature scientifique traitant la gestion des stocks,
plusieurs auteurs ont développé des modèles analytiques incluant les demandes en urgence dans
les systèmes de contrôle des stocks, Gross (1963), Krishnan et Rao (1965), Tagaras, et Cohen
(1992), Dada (1992), Needham, et Evers (1998).
En gestion des pièces de rechange, l’intégration des processus d’urgence permet de réduire le risque
de rupture des stocks. Ce constat a été prouvé par plusieurs études de cas (Lee (1987), Axsäter
(1990), Sherbrooke (1992), Alfredsson et Verrijdt (1999), Kranenburg (2006), Yang et al. (2013),
Van Houtum et al. (2015). Ces derniers ont constaté que l'utilisation des commandes d’urgence
peut conduire à des réductions remarquables des commandes en souffrance –Backorders, et une
augmentation du niveau de service. Dans la plupart des études menées par ces auteurs traitant les
stocks de pièces de rechange des systèmes réparables, particulièrement Sherbrooke (1992),
Kranenburg (2006) et Van Houtum et al. (2015), stipule qu’une livraison (réparation) d’urgence
peut être modélisée comme une demande perdue, qui serait satisfaite par une autre source hors
système d’attente, autrement dit, la proportion de perte de l’ensemble des pièces défectueuses
arrivant dans le système sera traitée (réparée ou commandée) par un canal externe plus performant
mais coûteux.
La plupart des modèles de décision planifient la proportion concernée par l’urgence par différentes
approximations de probabilité de perte dans le système d’attente. Les modèles basés sur l’approche
METRIC de Sherbrooke (1968) et leurs extensions considèrent la probabilité de perte d’Erlang –B
comme la proportion de pièces susceptible d’être traitée par le biais des canaux d’urgence.
32
Si dans certains cas, les demandes en urgence ne sont pas possibles pour des raisons techniques
(ex. pièces de grande portée et de grand volume), économiques (coût prohibitif), géographique
(sites inaccessibles par le moyen d’urgence, manque de plateformes logistiques) ou climatiques
(ex. période hivernale au Québec), les échanges latéraux entre stocks de même échelon demeurent
une solutionne fiable et faisable.
1.3.6.1.5. Modèles de gestion des pièces de rechange avec possibilité de transferts latéraux
Paterson et al. (2011) propose une revue de littérature exhaustive sur les travaux traitant la gestion
des stocks avec possibilité de réapprovisionnements latéraux. Cette problématique est abordée
selon deux approches distinctes : Une approche dite Transferts latéraux d’urgence, Emergency
lateral Transshipments-ELT, et transferts latéraux préventifs, Preventive Lateral Transshipments-
PLT (Lee et al. (2007)).
La première approche (ELT) est réactive, elle répond à une actuelle rupture de stock, tandis que,
l’approche (PLT) est proactive, elle réduit le risque d'éventuelle rupture de stock. Toutes les
parutions constatent qu’une telle pratique augmente le niveau de service et réalise des économies
(Lee (1987), Axsäter (1990), Tagaras et Choen (1992), Restunburg (2000), Kranenburg (2006),
Yang et al. (2013), Costantino et al. (2013), Van Houtum et al. (2015)).
Lee (1987) fut le premier qui a élargi le modèle METRIC permettant des échanges latéraux entre
stocks de même échelon. Les stocks régionaux sont alimentés via un stock central considéré de
capacité illimitée. Il a développé des approximations permettant de calculer la proportion de la
demande parachevée par le stock en main et la proportion de la demande satisfaite par les transferts
latéraux.
Axsäter (1990) applique le modèle de Lee (1987) pour gérer le stock selon une politique de
réapprovisionnement unitaire. Le processus des arrivées des pièces suit une loi de Poisson. La
demande nette du stock régional est la somme de la demande régulière tirée par le processus de
défaillance des composants et la demande en raison de transferts latéraux.
Sherbrooke (1992) propose une technique de modélisation par simulation pour étendre son modèle
permettant des transferts latéraux. Excepté Tagaras et Dimitrios (2002), les modèles de Lee (1987),
Axsäter (1990), Sherbrooke (1992) et Wong et al. (2005) supposent que le délai pour transférer
une pièce d’un stock à l’autre est négligeable.
Axsäter (1990), Alfredsson et Verrijdt (1999), Kutanoglu, et Mahajan (2009), Yang et Dekker
(2010), révisée ensuite par Yang, Axsäter et al. (2012) et Yang et al (2013) considèrent un système
d'inventaire à deux échelons, les demandes sont satisfaites soit par une livraison immédiate, soit en
attente des pièces en transit, soit à partir de transferts latéraux. Ils ont développé des procédures
itératives qui tiennent compte des possibilités d’échanges latérales entre stocks de même échelon
pour calculer les proportions de demande à satisfaire. Ils ont (tous) observé que la distribution
33
exponentielle du délai de réparation (livraison) par échange latérale n’a pas d’impact sur les
résultats finaux et par conséquent sur la performance globale du réseau.
Yang et Dekker (2010), révisée ensuite par Yang, Axsäter, et al. (2012) et Yang et al. (2013), a
étendu le modèle de Kutanoglu, et Mahajan (2009), ils proposent un modèle de décision sujet à un
service immédiat et à un service différé. Dans leur modèle, le stock central est considéré de capacité
illimitée, le temps requis pour transporter des pièces du stock central vers les stocks régionaux est
supposé déterministe.
1.4. Objectifs de la maîtrise
L’objectif général de la maitrise est de développer une série de modèles décisionnels pour la gestion
des pièces de rechange pour des parcs d’équipements multi-composant critiques. Ces modèles sont
adaptés à une organisation disposant d’un réseau d’équipements, de canaux de transport, de stocks
de pièces de rechange et de plusieurs stations de réparation. Nous allons considérer tout au long de
ce mémoire que le système de gestion des pièces de rechange est contrôlé par plusieurs
organisations formant un réseau logistique mono ou multi-échelon flexible, c’est-à-dire, un
système de gestion qui permet d’effectuer des demandes en urgence à un échelon supérieur et des
échanges des ressources et de la matière entre sites de même échelon.
Les modèles, qui sont présentés dans les sections suivantes, permettent de contribuer de façon
significative à l’élargissement des modèles existants, en particulier :
- le développement de modèles de gestion des pièces de rechange pour des parcs
d’équipements multi-composant critiques ;
- l’élaboration de modèles approximatifs permettant de gérer des parcs de grandes tailles;
- la proposition de modèles adaptés à des organisations qui peuvent s’intéresser à d’autres
mesures de performances ;
- la formulation de modèles avec possibilités de passer des commandes en urgence avec délai
d’attente dans la file;
- la conception de modèles multi-échelon génériques et avec transfert latéraux, et enfin;
- plusieurs modèles mathématiques, des algorithmes, des procédures logicielles et des
applications numériques sont dédiés à chaque modèle.
1.4.1. Modèle pour la gestion des réseaux d’équipements homogènes multi-composant et des
réseaux de grandes tailles
Nous avons vu dans les sections précédentes que la majorité des modèles décisionnels traite les
différentes références de pièces de façon indépendante et suppose qu’ils sont mutuellement
exclusifs. La diversité et la grande volumétrie des pièces posent toujours des problèmes de capacité
de traitement au niveau calcul et engendre souvent des complexités qui explosent
34
exponentiellement avec la taille et le nombre des références. La mutualisation des références, des
activités et des ressources s’avère-t-elle une approche bien profitable et performante ? Est-il
possible de proposer des modèles approximatifs permettant de gérer des réseaux de grande taille ?
Évidemment oui ! La 1ère raison est d’ordre organisationnel. Intuitivement, les diverses références
vont partager les mêmes ressources de l’entreprise qui sont souvent limitées en termes de
compétences, de poids, d'espace ou de budgets disponibles. Aussi, les différents contrats offerts
par les prestataires sont, pour la plupart, des contrats de disponibilité sur l’ensemble ou une partie
des installations. Expérimentalement, les applications industrielles ont prouvé que l’approche
systémique (multi-item) engendre facilement des gains qui peuvent atteindre, dans certaines
applications industrielles, les 50% du budget par rapport à l’approche mono-item (Kranenburg
(2006)).
La complexité des modèles exacts proposés dans la littérature peut être réduite à des échelles
permettant la résolution du problème que ce soit par des approximations ou par des méthodes
heuristiques.
1.4.2. Modèles avec d’autres mesures de performance
Dans certains cas, la performance du réseau pourrait être insensible à la mesure de disponibilité
lorsque le réseau est de grande taille ou bien lors que l’organisation s’intéresse à d’autres mesures
de service telles que : le nombre de Backorders, taux de remplissage, le temps d’attente, etc.
Est-il possible de faire une transposition des modèles existants à des mesures services autre que la
disponibilité opérationnelle ?
La réponse est positive. Selon Stidham (1975), la plupart des mesures de performance découle de
la disponibilité tant que le système d’attente opère dans un régime stationnaire. L’utilisation d’une
mesure de performance donnée répond aux exigences contractuelles, elle figure souvent dans les
contrats basés sur la performance logistique –Performance based Logistics (PBL) (Kim et al
(2007)).
Aussi, cette différentiation de service nous paraît un mode de gestion très intéressant lorsque le
réseau peut être contrôlé par des organisations différentes ou, tout simplement, lorsque l’entreprise
gère une gamme d’équipements susceptibles d’engendrer des niveaux de pertes de disponibilité.
1.4.3. Modèle avec des possibilités de passer des commandes en urgence avec délai d’attente
dans la file
Les modèles publiés dans la littérature sont capables d’estimer le nombre de pièces concernés par
l’urgence en utilisant la probabilité de perte d’Erlang –B mais ils ne précisent pas à quel moment
on devrait procéder à leur commande et quelles pièces sont concernées.
35
Exiger un délai d’attente maximal dans la file avant de déclencher l’urgence permet-il
d’opérationnaliser le concept d’urgence avec aisance ?
Pour ce faire, nous pouvons étendre le modèle d’attente de Gross et Harris (1985, 2003) en
introduisant un délai d’attente maximale requis dans la file avant de procéder. En premier lieu, le
modèle est élaboré pour pouvoir gérer une seule classe de pièces (criticité égale) et peut être étendu
pour gérer une gamme de composants à criticités variables.
NB : Notre intérêt à faire des extensions aux modèles markoviens de Gross et Harris
(1985, 2003) et Ebeling (1991, 2005) répond au constat de Alfredsson et Verrijdt
(1999) qui stipulent que le système M/G/∞ est insensible aux différentes
distributions de temps de traitements (déterministes, exponentiels, ou Log-
normales). Autrement dit, les deux systèmes d’attente se convergent dans un régime
stationnaire, M/G/∞ ≈ M/M/∞. Ces extensions demeurent valables, généralisables
et applicables à tous les modèles existants : Sherbrooke (1968, 2004), Diaz et Fu
(1997, 2005), Yang, Axsäter, et al. (2012), etc.
1.4.4. Évaluation approximative du modèle multi-échelon et étude comparative
Une autre caractéristique importante des systèmes de gestion des pièces de rechange, il est très rare
qu’une pièce donnée soit entreposée ou réparée en un seul endroit. Les systèmes de gestion des
pièces de rechange possèdent plusieurs niveaux en matière de centralisation et de compétence
(expertise en réparation), on les appelle communément « échelons » et « indentures ». Chaque
échelon correspond à un niveau d’agrégation et/ou de centralisation des flux de matière. Chaque
indenture reflète un niveau d’expertise sur lequel l’atelier de réparation peut agir.
L’examen de la littérature a permis d’identifier la complexité de ces modèles, qui est issue de la
multiplication des convolutions des processus stochastiques dans le système réseau. La majorité
des contributions scientifiques découle du courant de recherche METRIC (Sherbrooke (1968)) qui
suppose que les capacités de traitement (réparation, transport, etc.) et la taille du réseau sont
infinies. Cela veut dire que le processus stochastique résultant est toujours approximé par une
distribution de Poisson à paramètre constant via le théorème de Palm (1938).
Les contributions de Slay (1984), Graves (1985), Adan et al. (1996), Kranenburg (2006) et Van
Houtum et al. (2015) ont pu proposer des approximations plus flexibles et plus fines décrivant la
résultante des convolutions sans toutefois violer les hypothèses METRIC.
Est-il possible de développer une approximation permettant de décrire la résultante de la
convolution des distributions de différents paramètres de réapprovisionnement quelle que soit la
nature du processus stochastique sous-jacent tout en relâchant les hypothèses METRIC ?
La réponse est oui. La convolution résultante peut être approximée par la convolution discrète des
différentes distributions à condition que :
36
- les distributions soient de nature discrètes, et c’est la caractéristique de presque tous
les processus stochastiques engendrés dans les systèmes de gestion des pièces de
rechange ;
- la fonction de distribution résultante doit être convexe et vérifie sa convergence
dans le domaine étudié.
1.4.5. Modèle multi-échelon avec transfert latéraux dont le stock central est de capacité
limitée
Toutefois, nous pouvons donner une flexibilité aux modèles précédents en permettant de faire des
transferts latéraux des ressources et de la matière entre les sites de même échelon. Si cette
problématique a été déjà soulevée par la littérature scientifique, la plupart des contributions
proposent des approximations en supposant que le stock central est de capacité infinie et le délai
de transport (transit), entre le site central et les sites régionaux, est constant (Axsäter (1990),
Alfredsson et Verrijdt (1999), Kutanoglu, et Mahajan (2009), Yang et Dekker (2010), révisée
ensuite par Yang, Axsäter, et al. (2012) et Yang et al. (2013)).
Peut-on relâcher ces deux hypothèses et proposer un modèle réellement admis par la réalité
industrielle (ressources et moyen sont souvent limités, accessibilité difficile, etc.) ?
Oui ! En se basant sur les approximations déjà proposées dans la contribution 1.4.4 et les propriétés
de systèmes d’attente de Alfredsson et Verrijdt (1999) (M/G/∞ ≈ M/M/∞.), nous pouvons établir
une évaluation approximative de cas de configuration à deux échelons avec stock central de
capacité finie et de délai de transit de distribution exponentielle ou quelconque.
1.5.Contenu du mémoire
Pour bien illustrer nos contributions, le reste du contenu de ce mémoire est organisé comme suit :
Le Chapitre 2 présente une série de modèles permettant de déterminer la quantité de pièces de
rechange à garder en stock avec un maximum de disponibilité et un minimum de coût total pour
des configuration mono-échelon qui peuvent être agrégées par des modèles mono-stock. Plusieurs
extensions du modèle générique sont exposées, ils font référence à des modèles approximatifs
permettant de gérer des réseaux de grandes tailles, des modèles multi-composant et des modèles
avec mesures de performance différentes.
Un modèle de décision avec des traitements en urgence est proposé au Chapitre 3. Contrairement
aux autres modèles d’estimation de perte, notre modèle prend en considération un délai de séjour
maximal requis de la pièce dans la file avant qu’elle soit expédiée en urgence.
Le Chapitre 4 est une extension des modèles traités dans les Chapitres 2 et 3. Nous nous
intéressons à des cas de configurations multi-échelon. Nous étudions le cas d’un réseau à deux
échelons avec des cas particuliers intéressants faisant référence à un courant de recherche qui
37
domine la gestion des pièces de rechange, le modèle METRC de Sherbrooke (1968). Nous
proposons une procédure numérique permettant de décrire les processus stochastiques résultant de
la défaillance, de la réparation et du transport dans un échelon supérieur. Contrairement aux
modèles du courant METRIC, qui étend la propriété markovienne le long des échelons via le
théorème de Palm (1938), la procédure numérique permet de traiter des processus ayant des
distributions exponentielles ou générales. Une étude comparative est effectuée avec les différentes
contributions jugées meilleures dans le domaine.
Le Chapitre 5 propose un modèle permettant de donner une flexibilité à la gestion des pièces de
rechange dans des réseaux multi-échelon. Nous étudions un modèle intéressant permettant de
décrire le comportement du réseau dans le cas où les échanges latéraux entre les sites de même
échelon sont permis. Nous généralisons les modèles existants pour pouvoir traiter des réseaux
multi-échelon avec des stocks en amont de capacité finie et de délai de transit de distribution
exponentielle ou quelconque.
Enfin, une Conclusion générale permet de présenter une synthèse des travaux et les perspectives
de recherches à venir relavant du domaine de la gestion des pièces de rechange.
38
Chapitre 2
Gestion des pièces de rechange pour un réseau d’équipements

assujettis à des défaillances aléatoires : Modèles mono-échelon
2.1.Introduction
Ce chapitre traite la problématique de gestion des pièces de rechange, dans un contexte mono-
échelon, pour un réseau d’équipements assujettis à une stratégie de maintenance corrective. Nous
décrivons un modèle générique de gestion des pièces réparables et nous tirons, au fur et à mesure,
des cas particuliers intéressants faisant référence à des grands axes de recherche dans le domaine.
Nous présentons une série de modèles permettant de déterminer la quantité de pièces de rechange
à garder en stock pour assurer une certaine disponibilité tout en tenant compte des contraintes
budgétaires. Plusieurs extensions des modèles existants dans la littérature sont proposées. Une
attention particulière est accordée aux modèles de gestion des pièces de rechanges pour des parcs
équipements de grandes tailles, multi-composant et avec des mesures de services différentes.
2.2.Modèle
Le modèle que nous présentons est adapté à une organisation disposant d’un réseau de m
équipements identiques, de stock de pièces de rechange et d’un atelier de réparation comptant k
canaux de réparation parallèles. Si une composante tombe en panne, elle est remplacée
immédiatement par une composante de rechange si disponible en stock. La composante défaillante
est acheminée vers l’atelier de réparation pour être remise en état de fonctionnement. Tous les
sites sont connectés par des canaux de transport ordinaires. Figure.2.1.
39
Canaux de
N3 Stock S
réparation
N2 N4
N1 Canaux de N5
transport
Réseau de N0 machines en opération
Figure.2.1. Processus de défaillance et de réparation.
Nous supposons que chaque équipement contient un seul composant critique. Est considéré critique
par rapport au critère de la disponibilité, tout composant dont sa défaillance entraîne
immédiatement l’arrêt de la machine. Les autres composants (non-critiques) qui constituent
l’équipement peuvent être gérés indépendamment, et ce à la lumière des consommations passées
en utilisant les modèles classiques de gestion des stocks.
Les processus des arrêts des équipements, des arrivées des pièces défectueuses, des transferts des
pièces traitées et de la mise à disposition des pièces pour maintenance sont des processus
stochastiques à temps continus.
Soit à l’instant t, les variables aléatoires :
𝑁0 (𝑡) : Le nombre d’équipements en opération.
𝑁1 (𝑡) : Le nombre de pièces défectueuses dans le canal du transport à destination de réparation.
𝑁2 (𝑡): Le nombre de pièces dans le système (attente pour réparation + en traitement).
𝑁3 (𝑡): Le nombre de pièces réparées dans le canal de transfert vers le stock.
𝑁4 (𝑡): Le nombre de pièces en stock.
𝑁5 (𝑡): Le nombre de pièces dans le canal de transfert pour remplacement.
1)
𝑁1 (𝑡) + 𝑁2 (𝑡) + 𝑁3 (𝑡) + 𝑁4 (𝑡) = 𝑆 (2.1)
𝑁4 (𝑡) = 𝑆 − (𝑁1 (𝑡) + 𝑁2 (𝑡) + 𝑁3 (𝑡))
Posons 𝑋(𝑡) la variable aléatoire résultant de la convolution de, respectivement,
𝑁1 (𝑡), 𝑁2 (𝑡) 𝑒𝑡 𝑁3 (𝑡)
Si 𝑁1 (𝑡), 𝑁2 (𝑡) 𝑒𝑡 𝑁3 (𝑡) sont mutuellement exclusives, on a :
40
𝑋(𝑡) = 𝑁1 (𝑡) + 𝑁2 (𝑡) + 𝑁3 (𝑡) (2.2)
𝑁4 (𝑡) = 𝑆 − 𝑋(𝑡)
𝑁4 (𝑡) est l’état du stock à un instant t donné, il peut prendre deux formes : soit en rupture de
stock dont le nombre BO-Backorder number soit un stock en main dont le nombre OH- Stock
on Hand.
𝑂𝐻(𝑡) = [𝑆 − 𝑋(𝑡)]+
𝑁4 (𝑡) ∶ { . (2.3)
𝐵𝑂 (𝑡) = [𝑆 − 𝑋(𝑡)]−
En utilisant le principe d’égalités des stocks, on obtient :
𝑂𝐻(𝑡) − 𝐵𝑂 (𝑡) = 𝑆 − 𝑋(𝑡) (2.4)
La probabilité que le stock en main contienne x pièces de rechange est :
𝑃 (𝑋(𝑡) = 𝑆 − 𝑥) 𝑠𝑖 𝑥 ≤ 𝑆
P (𝑂𝐻(𝑡) = 𝑥) = { . (2.5)
∑𝑆+𝑚
𝑦=𝑠 𝑃 (𝑋(𝑡) = 𝑦) 𝑠𝑖 𝑥 = 0
La probabilité de rupture de stock peut être écrite :
𝑃 (𝑋(𝑡) = 𝑆 + 𝑥) 𝑠𝑖 𝑥 ≤ 𝑚
P (𝐵𝑂(𝑡) = 𝑥) = { . (2.6)
∑𝑆𝑦=0 𝑃 (𝑋(𝑡) = 𝑦) 𝑠𝑖 𝑥 = 0
Pour un horizon de planification T, l’espérance mathématique des variables aléatoires décrivant le
processus de défaillance et de réparation du réseau :
𝑇
∫ 𝑋(𝑡) 𝑑𝑡
𝐸[𝑋(𝑡)] = 𝑋 = 0 (2.7)
𝑇
𝑇
∫ 𝑂𝐻(𝑡) 𝑑𝑡
𝐸[𝑂𝐻(𝑡)] = 0 (2.8)
𝑇
𝑇
∫ 𝐵𝑂(𝑡) 𝑑𝑡
𝐸[𝐵𝑂(𝑡)] = 0 (2.9)
𝑇
Le nombre moyen de pièces dans le stock :
𝑆
𝐸[𝑂𝐻(𝑆, 𝑡)] = ∑(𝑆 − 𝑥) 𝑃 (𝑋(𝑡) = 𝑥) (2.10)

𝑥=0
Le nombre moyen de pièces en souffrance :

𝑆+𝑚
𝐸[𝐵𝑂 (𝑆, 𝑡) ] = ∑ (𝑥 − 𝑆)𝑃 (𝑋(𝑡) = 𝑥) (2.11)

𝑥=𝑆+1
41
NB : la somme des probabilités jusqu’à (𝑆 + 𝑚) indique que le réseau ne fonctionne pas lorsque
le nombre de pièces défectueuses dans le système atteint 𝑆 + 𝑚. Toutefois, nous pouvons adapter
les calculs à différents contextes où le fonctionnement du réseau dépend du nombre minimal de
machines en opération (ex. minimum K machines en opération), soit un système (K parmi N) dans
son sens générique. L’équation (2.11) peut être écrite :
𝑁−𝐾+1
𝐸[𝐵𝑂 (𝑆, 𝑡) ] = ∑ (𝑥 − 𝑆)𝑃 (𝑋(𝑡) = 𝑥) (2.11. bis. 1)

𝑥=𝑆+1
Pour une population infinie (réseau très étendu) :
∞
𝐸[𝐵𝑂 (𝑆, 𝑡) ] = ∑ (𝑥 − 𝑆)𝑃 (𝑋(𝑡) = 𝑥) (2.11. bis. 2)

𝑥=𝑆+1
À partir de l’équation (2.10) 𝑒𝑡 (2.11) on obtient :
𝐸[𝑂𝐻(𝑆, 𝑡)] − 𝐸[𝐵𝑂 (𝑆, 𝑡) ] = 𝑆 − 𝑋(𝑡) (2.12)

2)
𝐵𝑂(𝑡) + 𝑁5 (𝑡) + 𝑁0 (𝑡) = 𝑚 (2.13)
𝑁0 (𝑡) = 𝑚 − 𝐵𝑂(𝑡) − 𝑁5 (𝑡)

La disponibilité instantanée 𝐴(𝑡) est la proportion du temps de bon fonctionnement des machines,
elle est égale au rapport entre le nombre de machines en opération au temps t, 𝑁0 (𝑡), et le nombre
total des équipements du parc 𝑚.
𝑁0 (𝑡) 𝐵𝑂 (𝑡) − 𝑁5 (𝑡)

𝐴(𝑡) = = 1− (2.14)
𝑚 𝑚
𝑇
∫ 𝐴(𝑡)𝑑𝑡
𝐴 = 𝐸[𝐴(𝑡)] = 0 (2.15)
𝑇
𝐸[𝐵𝑂 (𝑆, 𝑡) ] − 𝐸[𝑁5 (𝑡)]

𝐴=1− (2.16)
𝑚
2.3.Problème d’optimisation
Le modèle décisionnel que nous proposons est un problème d’optimisation multi-objectif, le

gestionnaire prendra une décision à partir de la courbe d’efficience, Coût-Disponibilité.
`Min 𝐶(𝑆) = 𝐶ℎ . 𝐸[𝑂𝐻(𝑡)] + 𝐶𝑇 (𝐸[ 𝑁1 (𝑡)] + 𝐸[𝑁3 (𝑡)] + 𝐸[𝑁5 (𝑡)]) + 𝐶𝑘 . k + 𝐶𝑓
𝐸[𝐵𝑂 (𝑆, 𝑡) ] − 𝐸[𝑁5 (𝑡)]

𝑀𝑎𝑥 𝐴 = 1 −
𝑚
42
Avec :
𝐵𝑢𝑑𝑔𝑒𝑡 − 𝐶𝑓
𝑘 = 1,2, … ⌈ ⌉
𝐶𝑘
𝑆 = 1,2, … ⌈ ⌉
𝐶ℎ
Les différents coûts par unité de temps sont donnés comme suit :
𝐶𝑓 : La somme des coûts fixes.
𝐶𝑘 : Coût variable de réparation.
𝐶ℎ : Coût de stockage de la pièce.
𝐶𝑇 : Coût de transport.
Le choix du couple (A, C), la disponibilité 𝐴 et total de l’investissement C(s) doit être en cohérence
avec les objectifs de disponibilité 𝐴𝑂𝑏𝑗 que souhaite l’organisation et dans les limites de son budget.
Vue de la complexité des processus stochastiques sous-jacents et la multiplicité des convolutions
de diverses distributions, ce modèle est impossible à résoudre sans poser des limitations et des
hypothèses. Toutefois la simulation et les procédures numériques s’avèrent efficaces dans un
certain cas où les paramètres sont bien ajustés.
2.4.Hypothèses et analyse du modèle
1. La désignation « composante, composant, pièce, système, équipement » est générique, le

modèle proposé peut s`appliquer à un équipement, à un module ou à une composante
élémentaire.
2. Tous les composants sont supposés réparables. Pour des raisons économiques et
techniques, de tels systèmes sont composés d'éléments qui sont moins coûteux à réparer
que de les remplacer par des neufs. Leurs durées de vie sont longues, leurs systèmes de
gestion sont beaucoup plus compliqués que les systèmes de gestion des stocks classiques
(fournitures et consommables). Mais cela n’exclue pas qu’avec peu de changements, on
peut adapter le modèle pour gérer des consommables et/ou réparables.
3. La politique de contrôle des stocks de type (S-1, S) est justifiée lorsque les coûts de
gestion, de transport, de traitement et de commande sont négligeables par rapport au coût
d’achat et de stockage de la pièce. Sinon, nous pouvons nous intéresser au
réapprovisionnement par lots Q plutôt qu’à l’unité. La décision sur la quantité à massifier
est un compromis entre les différents coûts (commande, stockage, etc.) y compris des
pertes encourues, si une perte de disponibilité et/ou une interruption accidentelle du
service a lieu.
43
4. Les modèles mathématiques décrivant le processus de défaillance et de réparation
utilisent la théorie des files d’attente qui traduit fidèlement le phénomène du couple
défaillance et réparation provoqué par la contrainte de capacité des stations de réparation.
5. L’ordre de priorité, premier arrivé premier servi FIFO- First In, First Out, est une
hypothèse vraie dans le cas d’équipements mono-composant (un seul composant
critique). Si l’équipement est constitué de plus d’un composant critique, nous maintenons
la règle FIFO sous prétexte que les composants arrivant au système d’attente sont
supposés de criticité égale. Adopter d’autres règles de priorité au niveau opérationnel
peut engendrer des gains substantiels, par exemple : prioriser les équipements encore sous
garantie ou faire de la cannibalisation, etc. Une couverture du sujet traitant les systèmes
multiserveurs et multi-classes se trouve dans Harten et al. (2000).
6. Le critère d’indépendance stochastique est maintenu pour des fins de calculs. En réalité,
la défaillance d’un élément impacte la fiabilité du système. Si les spécifications
d’interface avec les éléments voisins sont précises, l’élément défectueux pourrait
entraîner leur dégradation et/ou au pire des cas, leur défaillance.
7. Le processus stochastique qui engendre les arrivées des pièces défectueuses à la station
de réparation suit une loi de poisson à paramètre constant 𝜆 . Cette hypothèse est justifiée
lorsque la durée de vie des composants critiques suit une loi exponentielle (ex.
composants électroniques, équipements dans la phase de maturité, c’est-à-dire, à taux de
panne constant) ou lorsque la taille de la population étudiée est suffisamment grande,
voire infinie.
8. On suppose que les processus stochastiques sous-jacents subissent peu ou pas de
changement dans le temps. On se limite donc à l’étude de l’évolution du système dans un
régime permanent afin de trouver une politique de contrôle optimale qui dépend
essentiellement de la quantité des pièces de rechange à garder en stock et éventuellement
des capacités de traitement des stations de réparation et des transports.
𝑇
𝐸[𝑋(𝑆)] = 𝑋 = lim 0 (2.17)
𝑇→∞ 𝑇
𝑇
∫0 𝑂𝐻(𝑡) 𝑑𝑡
𝐸𝑂𝐻(𝑆) = lim = ∑𝑆𝑥=0(𝑆 − 𝑥)P (𝑋 = 𝑥) (2.18)
𝑇→∞ 𝑇
𝑇
∫0 𝐵𝑂 (𝑡) 𝑑𝑡
𝐸𝐵𝑂 (𝑆)= lim = ∑𝑆+𝑚
𝑥=𝑆+1(𝑥 − 𝑆)P (𝑋 = 𝑥) (2.19)
𝑇→∞ 𝑇
De l’équation (3.12) :
𝐸𝑂𝐻(𝑆) − 𝐸𝐵𝑂 (𝑆) = 𝑆 − 𝑋 (2.20)
NB :Si les processus stochastiques varient dans le temps, on se contente d’étudier le système en
observant ses paramètres (taux d’arrivée, délai de traitement, etc.) à des intervalles de temps
suffisants en supposant que les paramètres du système à des intervalles consécutifs sont
mutuellement exclusifs (équations: de (2.7) à (2.9)). Une mise à jour des paramètres est fortement
44
recommandée chaque période (3 mois, 6 mois, un an..) pour redimensionner le niveau du stock et
l’adapter au contexte opérationnel du réseau.
Gross (1975) a effectué une analyse de sensibilité en cas de variation du taux de panne et du taux
de défaillance tout en étudiant le comportement du modèle durant la phase de transition.
9. Si la livraison des pièces de rechange est quasi-immédiate, 𝑁5 (𝑡) → 0. La disponibilité

devient :
𝐸𝐵𝑂 (𝑆)
𝐴 = 1− (2.21)
𝑚
2.4.1. Modèle d’attente à capacité de traitement illimitée et de nombre d’équipements infini
Lorsque la population du parc d’équipements est considérée infinie (𝑚 → ∞), 𝐴 → 1 cela conduit
le décideur à s’intéresser à d’autres mesures de performance comme le nombre moyen de pièces
en souffrance, EBO- Expected Backorder. Nous exposerons en détail, dans la Section.2.5.1, la
mutation vers les autres mesures de performance les plus utilisées dans la littérature et
éventuellement celles qui figurent dans les closes de contrat PBL- Performance based Logistics
(PBL) (Kim et al (2007)).
Cette hypothèse est beaucoup plus adaptée aux organisations (fournisseurs et prestataires de service
de maintenance) qui gèrent des gammes de composants chez leurs clients. L’objectif est de garantir
un service efficace et rapide. Le modèle de décision peut prendre la forme du problème multi-
objectif suivant :
Min 𝐶(𝑆)
Min 𝐸𝐵𝑂 (𝑆)
S : 𝑒𝑛𝑡𝑖𝑒𝑟
2.4.1.1.Modèle METRIC- Multi-Echelon Technique for Recoverable Item Control

(Sherbrooke (1968))
Si nous adoptons toutes les hypothèses décrites ci-haut, en plus, nous supposons que les canaux de
réparation et de transport ont des capacités illimitées avec des distributions générales G à délais
moyens respectivement 1/µ ,𝑡1 ,𝑡3 , 𝑡5 on obtient le modèle METRIC- Multi-Echelon Technique for
Recoverable Item Control (Sherbrooke (1968)).
Pour les transports, cette hypothèse parait valide pour une organisation dont les moyens de
transport et de manutention sont engagés en permanence soit par le biais de contrats avec des
prestataires ou bien gérés à l’interne.
Pour des pièces dont le profil de consommation faible, les délais de transfert 𝑡1 ,𝑡3 ,𝑡5 sont
généralement omis par rapport au délai alloué à la réparation d’une pièce donnée. Cette hypothèse
45
est bien fondée car les sites d’affaires (entrepôts, ateliers, etc.) sont déployés pour garantir un
service quasi-immédiat en matière d’acheminement des pièces défectueuses vers les ateliers de
réparation et pour la mise à disposition des pièces pour remplacement.
En ce qui concerne la capacité des ateliers de réparation, l’hypothèse est un peu restrictive. Dans
la pratique, les ressources des entreprises sont souvent limitées, la réparation est généralement
confiée à des canaux spécialisés (organisme prestataire, main d’œuvre qualifiée, etc.), un
engagement optimal est souvent requis pour garantir un service satisfaisant.
Toutefois, l’hypothèse pour des systèmes à faible taux de panne parait acceptable si au moment
d’arrivées des pièces défectueuses, le délai d’attente est considéré faible ou négligeable, et le
système d’attente demeure stable quel que soit la distribution de temps de réparation considéré.
Alfredsson et Verrijdt (1999) ont effectué une analyse de sensibilité par Simulation, ils ont
démontré que le comportement du système étudié demeure stable lorsque les temps de traitements
sont déterministes, exponentiels, ou Log-normales.
Le processus stochastique résultant dans le cas de système M/G/∞ (les arrivées des pièces de
rechange suivent la loi de Poisson, et les canaux de réparation et de transport ont de capacités
illimitées avec des distributions de durées générales G) est un processus de Poisson de paramètre
λ
. 𝑡1 . 𝑡3 (Théorème de Palm). Une démonstration du théorème se trouve dans Palm (1938).
µ
On peut considérer les canaux de transports et l’atelier de réparation comme un seul système
d’attente. Pour 𝑡1 = 𝑡3 = 1 (délais par unités de temps) :
λ
𝜆𝑥 −
𝑃{𝑋 = 𝑥} = 𝑒 µ , avec 𝑥 entier (2.22)
µ𝑥 .𝑥!
De l’équation (3.20) :
𝐸𝐵𝑂(𝑆) = 𝑋 − 𝑆 + 𝐸𝑂𝐻(𝑆)
𝑆
λ
𝐸𝐵𝑂(𝑆) = − 𝑆 + ∑(𝑆 − 𝑥)P (𝑋 = 𝑥) (2.23)
µ
𝑥=0
La courbe d’efficience est obtenue en résolvant le problème bi-objectif suivant :

Min 𝐶(𝑆)
Min 𝐸𝐵𝑂(𝑆)
Avec S ∶ 𝑒𝑛𝑡𝑖𝑒𝑟
L’obtention d’une solution exacte du problème est très difficile. La Relaxation Lagrangienne
permet, jusqu’à un certain nombre de références, de donner de résultats exacts. Pour de grand
nombre de références, nous faisons recours à des méthodes heuristiques.
46
Pour trouver une solution dans le domaine étudié, il faut que la fonction 𝐸𝐵𝑂(𝑆) soit décroissante
et convexe. Une heuristique gloutonne avec recherche locale est nécessaire. Les procédures de
calcul sont très complexes et ils ne sont pas discutés ici.
Slay (1984) propose un modèle d’approximation appelé VARI-METRIC en supposant que le
nombre moyen de pièces en réparation est égal à sa variance correspondant à une distribution
Binomiale négative. Graves (1985) a utilisé la même distribution pour élaborer un modèle
approximatif à deux échelons. Cette problématique sera discutée au chapitre 3.
𝐸[𝑋] = 𝑉𝐴𝑅[𝑋]
L’expression de la distribution Binomiale négative peut être obtenue analytiquement en résultant
de la convolution des deux distributions :
- des arrivées de pièces défectueuses suivant une loi de Poisson à paramètre constant λ :
𝜆𝑥
𝑒 −λ
.𝑥!
𝛽.𝛽 𝛼
- du délai de réparation suivant une distribution gamma : 𝜓 (𝛼+1) 𝑒 −𝛽
𝛽
La distribution résultante est une distribution binomiale négative avec paramètre 𝛼 + 1 𝑒𝑡 et
𝛽+𝜆
donc,
𝜓 (𝛼+𝑥+1) 𝛽 𝛼+1 𝜆 𝑥
P {𝑋 = 𝑥} = (𝛽+𝜆) (𝛽+𝜆) , 𝑎𝑣𝑒𝑐 𝛼, 𝜆 𝑒𝑡 𝛽 𝑝𝑜𝑠𝑖𝑡𝑖𝑓𝑠 (2.24)
𝑥! 𝜓 (𝛼+1)
Le nombre moyen de pièces en réparation est égal :
𝛼+1 𝜆
𝐸[𝑋] = ( ) (2.25)
𝛽
La variance de la distribution binomiale négative est :
𝛼+1
𝑉𝐴𝑅[𝑋] = ( 𝛽2 ). (𝛽 + 𝜆). λ (2.26)
Le modèle METRIC repose sur l’hypothèse que les ateliers de réparation sont de capacités
illimitées et de population d’équipements infinie. Bien que ces hypothèses peuvent être justifiées
dans les applications militaires, elles nous semblent moins réalistes dans la plupart des industries.
Les ressources et les budgets des entreprises sont souvent limités, la disponibilité immédiate des
prestations de services dans le marché des affaires n’est pas toujours garantie, particulièrement
dans les zones ou l’accessibilité est difficile.
47
L’étude du système avec une capacité de réparation limitée nous conduit à des modèles beaucoup
plus compliqués à résoudre en raison de la prise en compte du phénomène d’attente dans le système
provoqué par la contrainte de capacité des stations de réparation.
2.4.2. Modèle d’attente avec capacité de traitement limitée
Plusieurs contributions scientifiques ont été publiées dans la littérature traitant le problème à
capacité de traitement limitée. Taylor et Jackson (1954) sont les premiers qui ont appliqué la théorie
des files d'attente aux problèmes d'approvisionnement des pièces de rechange. Le modèle a permis
d’estimer le nombre de moteurs de rechange nécessaires pour maintenir une flotte d'avions à un
niveau de service requis. Le modèle d’attente est supposé de capacité limitée. Gross et al, 1977
utilisent ce modèle dans le cas où les opérations de retrait, de transport et de réparation de la pièce
défectueuse représentent trois traitements séparés, modélisés en trois stations de services en série.
Il utilise les séries d’Erlang à cet effet.
Plusieurs extensions du modèle d’attente ont été abordées, Gross et Ince (1978), Gross et al. (1983,
1987, 1993), Gross et Harris (1985), Albright et Soni (1988), Albright (1989), Ebeling (1991,
2005), Albright et Gupta (1993), et Whitt (1983, 1993), Diaz et Fu (1997, 2005).
2.4.2.1.Modèle d’attente général GI/G/k (Whitt (1993))
En relaxant les hypothèses 10 et 11, c’est-à-dire, qu’en supposant que le parc machines est de
population finie et que les stations de réparation ont des capacités limitées, Whitt (1993) propose
une approximation par un modèle de file d’attente GI/G/k, la distribution des arrivées des pièces
défectueuses suit une loi générale indépendante, le délai de réparation est une distribution
quelconque.
Le nombre moyen des pièces défectueuses dans le système d’attente est approximé par les relations
suivantes :
𝐶𝑎2 + 𝐶𝑠2 𝑝0 𝑘𝜌𝑘 1
]
𝐸[𝑁2 = 𝜆 [( )( ) + ] (2.27)
2 𝑘µ 𝑘! (1 − 𝜌)2 µ
𝑉𝐴𝑅[ 𝑁2 (𝑡)] = 𝐸[ 𝑁2 2 ] – 𝐸[ 𝑁2 ]2 (2.28)

𝑘: Le nombre de canaux de réparation.
𝜆
𝜌= : L’intensité du système d’attente avec k canaux de réparation.
𝑘µ
𝑝0 : Probabilité en régime permanent qu’il n’y a aucune pièce dans le système
48
1
𝑝0 = (2.29)
(𝑘𝜌)1 (𝑘𝜌)𝑘
∑𝑚−1 +
𝑖=0 𝑖! 𝑘! (1 − 𝜌)
𝐶𝑎 𝑒𝑡 𝐶𝑠 : Coefficients de la variation des temps d’inter-arrivées et du délai de réparation,
respectivement.
À partir du modèle de Whitt (1993) nous tirons deux cas particuliers et une troisième approximation
intéressante :
- Pour 𝐶𝑎 = 1 , il n y a aucune variation de taux de panne, le système d’attente est de type
M/G/k. Le nombre moyen des pièces dans le système d’attente :
1 + 𝐶𝑠2 𝑝0 𝑘𝜌𝑘 1
𝐸[ 𝑁2 ] = 𝜆 [( )( 2
)+ ] (2.30)
2 𝑘µ 𝑘! (1 − 𝜌) µ
- Pour 𝐶𝑠 =𝐶𝑎 = 1 , le taux de panne et le taux de réparation sont constants, le système est
adapté au modèle M/M/k (Gross et Harris (1982)). La propriété Markovienne des arrivées
des pièces et des délais de réparation est intéressante. Le nombre moyen de pièces dans le
système d’attente pour k canaux de réparation est écrit :
𝑝0 𝜌 (𝑘𝜌)𝑘
𝐸[ 𝑁2 ] = 𝑘 𝜌 + (2.31)
𝑘! (1 − 𝜌)2
- L’approximation ci-dessous demeure intéressante :
2 2
2 2
𝐸[𝑁𝐺𝐼/𝐺/𝑘 ]. 𝐸[ 𝑁𝑀/𝑀/𝑘 ] ≈ 𝐸[𝑁𝑀/𝑀/𝑘 ]. 𝐸[ 𝑁𝐺𝐼/𝐺/𝑘 ] (2.32)
2.4.2.2.Modèle M/M/k (Gross et Harris (1982))
Le modèle de boucle de défaillance et de réparation 𝑁𝑀/𝑀/𝑘 proposé par Gross (1982) possède la
propriété markovienne. Le processus stochastique décrivant la défaillance des pièces suit une loi
de Poisson et le délai de réparation est une distribution exponentielle.
Schématiquement, le réseau est constitué d’un parc de N machines identiques, de magasins de
pièces de rechange et d’un atelier de réparation comptant k canaux de réparation parallèles. Si une
composante tombe en panne, elle est remplacée par une composante de rechange si disponible en
stock. La composante défaillante est acheminée vers l’atelier de réparation pour la remettre en état
de fonctionnement (Figure 2.2).
49
λ λ λ
λ λ λ µ
K CANAUX DE RÉPARATION
N équipements
µ
λ λ λ
Stock S
Figure.2.2. : Processus de défaillance et de réparation.
Si nous notons :
𝜆𝑥 : Le taux moyen d’arrivée des pièces lorsque x pièces sont dans le système d’attente.
µ𝑥 : Le taux moyen de réparation lorsque x pièces sont dans le système d’attente.
Soit 𝑃𝑖 la probabilité, en régime permanente, que i composantes défaillantes soit en attente ou en

cours de réparation.
Dans le cas où les données suivantes sont disponibles :
- Le nombre de machines en service N, indépendantes et identiquement distribuées ;
- Le taux de panne 𝜆 constant;
- Le taux de réparation 𝜇 constant;
- Le nombre de réparateur k ;
- Où s est le nombre de composantes de remplacement.
𝑃𝑖 = 𝑃(𝑋 = 𝑖): La probabilité que i composantes défaillantes soit en attente ou en cours de
réparation.
𝑃0 = 𝑃(𝑋 = 0) : La probabilité qu’aucune composante défaillante soit en attente ou en cours de
réparation (𝑖 = 0).
𝑃𝑖 = 𝑃(𝑋 = 𝑖) =𝐶𝑖 . 𝑃(𝑋 = 0)
𝐶𝑖 est donnée par la somme d’équations ci-dessous.
En partant de la modélisation du réseau utilisant la théorie des files d’attente, le processus de
défaillance et de réparation des composantes peut être considéré comme un processus
stochastique en temps continu avec un espace d’état discret.
50
La chaîne de Markov associé à ce processus est représentée par les deux alternatives, pour 𝑘 < 𝑠
et 𝑘 ≥ 𝑠 respectivement (Figures 2.3 et 2.4).
- Pour k <s (Figure.2.3)
Nλ Nλ Nλ Nλ Nλ Nλ Nλ Nλ Nλ Nλ (N-1)λ 2λ λ
0 1 2 k-1 k k+1 s-1 s s+1 N+S-1 N+s
µ 2µ 3µ (k-1)µ kµ kµ kµ kµ kµ kµ kµ kµ kµ
Figure.2.3. Chaîne de Markov associée au processus de défaillance et de réparation pour k< 𝑠
𝑁𝑖 λ 𝑖
( ) ; 𝑖 = 1, … . . 𝑘
𝑖! µ
𝑁𝑖 λ 𝑖
𝐶𝑖 = ( ) ; 𝑖 = 𝑘 + 1, … . 𝑠 (2.33)
𝑘 𝑖−𝑘 𝑘! µ
𝑁 𝑠 𝑁! λ 𝑖
( ) ; 𝑖 = 𝑠 + 1, … . . 𝑠 + 𝑁
{(𝑁 − 𝑖 + 𝑠)! 𝑘 𝑖−𝑘 𝑘! µ
- Pour k ≥ s (Fig.2.4)
Nλ Nλ Nλ Nλ Nλ Nλ (N-1)λ (N+S-k+2)λ (N+S-k+1)λ (N+S-k)λ (N+S-k-1)λ

2λ λ
0 1 2 s-1 s s+1 k-1 k k+1 N+S-1 N+s
µ 2µ 3µ (s-1)µ sµ (s+1)µ (s+2)µ (k-1)µ kµ kµ kµ kµ kµ
Figure.2.4. Chaîne de Markov associée au processus de défaillance et de réparation pour k≥ 𝑠
𝑁𝑖 λ 𝑖
( ) ; 𝑖 = 1, … . . 𝑠
𝑖! µ
𝐶𝑖 = ( ) ; 𝑖 = 𝑠 + 1, … . 𝑘 (2.34)
(𝑁 − 𝑖 + 𝑠)! 𝑖! µ
( ) ; 𝑖 = 𝑘 + 1, … . . 𝑠 + 𝑁
{(𝑁 − 𝑖 + 𝑠)! 𝑘 𝑖−𝑘 𝑘! µ
Pour i= 0 on aura : 𝑃0 =𝐶0 . 𝑃0 donc 𝐶0 = 1

Pour i= 1 on aura : 𝑃1 =𝐶1 . 𝑃0
51
Pour i= 2 on aura : 𝑃2 =𝐶2 . 𝑃0
…………….
Pour i= s + N on aura : 𝑃𝑠+𝑁 =𝐶𝑠+𝑁 . 𝑃0
On a le somme des probabilités égale à 1 : ∑𝑖=𝑠+𝑁
𝑖=0 𝑃𝑖 = 1
𝑃0 + 𝑃1 +𝑃2 … 𝑃𝑠+𝑁 = 1. 𝑃0 + 𝐶1 . 𝑃0 + 𝐶2 . 𝑃0 +…+𝐶𝑠+𝑁 . 𝑃0 =1
(1 + 𝐶1 + 𝐶2 +…+𝐶𝑠+𝑁 ). 𝑃0 = 1
1 1
𝑃0 = 𝑃(𝑋 = 0) = = (2.35)
(1 + 𝐶1 + 𝐶2 + ⋯ + 𝐶𝑠+𝑁 ) 1 + ∑𝑖=𝑠+𝑁
𝑖=1 𝐶𝑖
Les probabilités de défaillance 𝑄𝑖 sont données en fonction des 𝑃𝑖
𝑁. 𝑃𝑖
𝑖=𝑠+𝑁
; 𝑖 = 0, … 𝑠 − 1
𝑁 − ∑𝑖=𝑠 (𝑖
− 𝑠)𝑃𝑖
𝑄𝑖 = (2.36)
(𝑁 − 𝑖 + 𝑠)𝑃𝑖
𝑖=𝑠+𝑁
; 𝑖 = 𝑠, … 𝑠 + 𝑁
{ 𝑁 − ∑𝑖=𝑠 (𝑖 − 𝑠)𝑃𝑖
Il suffit de trouver le 1er entier s tel que :

𝑆−1
∑ 𝑄𝑖 ≥ 𝑁𝑆 (2.37)
𝑖=0
NS est le niveau de disponibilité requis.
λ λ
NB : L’intensité du trafic, k.µ, doit être inférieure à 1 ( (k.µ < 1), sinon, après un certain temps, le
système bloque.
2.4.2.2.1. Applications numériques (2.1)
Nous allons générer maintenant plusieurs applications numériques permettant d’illustrer le triplet :
Niveau du stock- Nombre de canaux de réparation- Disponibilité opérationnelle pour un réseau
d’équipements identiques.
Si une entreprise X voulait conserver un stock des pièces de rechanges et dimensionner ses
ressources pour soutenir la maintenance d’un réseau constitué de plusieurs équipements en
opération (N=100). Chaque équipement contient un seul composant critique, c.-à-d., la défaillance
de ce composant entraîne l’arrêt immédiat de l’équipement.
52
Les données statistiques qui sont à la disposition du gestionnaire indiquent que le nombre moyen
de défaillances par heure est de 0.002 (λ = 0.002), et le moyen de réparation (livraison) par heure
est de 0.02(µ = 0.02). Nous maintenons l’hypothèse que le délai de remplacement est négligeable.
La courbe d’efficience donnée par la Figure.2.5 dénote la disponibilité opérationnelle du réseau en
fonction du nombre de pièces de rechange à garder en stock, s, et du nombre de canaux de
réparation parallèles, k.
Figure.2.5. Résultats générés par le programme de calcul Programme Projet.R.Exact.Matlab.R.2014a

(N=100, λ = 0.0002, µ = 0.01)
Pour atteindre la disponibilité souhaitée, l’organisation doit ouvrir plus de 10 canaux de réparation.
Avec une capacité de réparation de moins de 10 canaux (k=10), le réseau cesse de fonctionner
après un certain temps t. Cet arrêt est motivé par le phénomène de congestion dans le système
d’attente. L’atelier de réparation avec une capacité k<10 et un taux de traitement, µ = 0.01, est
incapable de traiter toutes les pièces défaillantes arrivant dans le système, la longueur de la file
53
augmente au fur et à mesure avec le temps provoquant l’arrêt systématique du réseau, c’est à dire,
après un temps t, le nombre des équipements défaillants atteint S+N (disponibilité nulle).
Au-delà de 10 canaux de réparation, le réseau pourrait atteindre des disponibilités croissantes, et
ce en fonction du nombre de pièces de rechange gardée en stock, s. Atteindre une disponibilité A
requiert une capacité de réparation, k, et un niveau de stock, s.
Pour atteindre une disponibilité de 0.99 par exemple, le décideur est face à deux alternatives, soit
il s’investit dans une capacité de k=12 en gardant un niveau de stock s=30 pièces de rechange, soit
il maintient la capacité k=11 et s=50. La bonne décision est d’instruire un compromis, toujours
difficile, entre l’investissement en achat, le stockage, s, la capacité, k et les objectifs de
l’organisation (disponibilités souhaitée). Ce modèle a été initialement proposé par Ebeling (1991).
Cette problématique sera abordée dans la section suivante.
2.4.2.3. Modèle M/M/k sous contrainte budgétaire Ebeling (1991, 2005)
Si on dénote par:
- 𝐿0 : est le nombre moyen d’unités en opération:
𝑥=𝑠+𝑁
𝑁0 = 𝑁 − ∑ (𝑥 − 𝑠) 𝑃(𝑋 = 𝑥) . (2.38)
𝑥=𝑠+1
𝐸𝐵𝑂 : est le nombre moyen de pièces en attente d’être mis à disposition (en souffrance)
𝑥=𝑠+𝑁
𝐸𝐵𝑂 = ∑ (𝑥 − 𝑠)𝑃(𝑋 = 𝑥) (2.39)

𝑥=𝑠+1
La disponibilité du réseau constitué de N machines identiques :

𝑁0
𝐴= (2.40)
N
On peut formuler un problème d’optimisation comme suit :
𝑀𝑎𝑥 𝑁0
𝑆𝑢𝑗𝑒𝑡 à ∶ 𝐶𝑓 + 𝐶𝑘 𝑘 + 𝐶ℎ 𝑠 ≤ 𝐵𝑢𝑑𝑔𝑒𝑡
𝑘 = 1,2, … ⌈ ⌉
𝐶𝑘
𝑠 = 1,2, … ⌈ ⌉
𝐶ℎ
𝐶𝑓 : Le coût fixe
𝐶𝑘 : Coût variable de réparation
𝐶ℎ : Coût de stockage de la pièce
54
Notons qu’à partir de la fonction de coût C (s, k) = 𝐶𝑓 + 𝐶𝑘 𝑘 + 𝐶ℎ 𝑠 , on peut formuler un
problème d’optimisation bi-objectif :
𝑀𝑎𝑥𝑁0 (𝑠, 𝑘)
𝑀𝑖𝑛 𝐶(𝑠, 𝑘)
Avec
𝑘 = 1,2, … ⌈ ⌉
𝐶𝑘
𝑠 = 1,2, … ⌈ ⌉
𝐶ℎ
Le gestionnaire prendra une décision à partir de la courbe d’efficience, Coût-Disponibilité dans

notre exemple, qui est la solution du problème multi-objectif ci-dessus. Le choix du couple (A, C),
la disponibilité 𝐴 et le total de l’investissement C(s) doivent être en cohérence avec les objectifs de
disponibilité 𝐴𝑂𝑏𝑗 que souhaite l’organisation et dans les limites de son budget.
2.4.2.3.1. Applications numériques (2.2)
La Figure.2.6 représente la solution du problème bi-objectif ci-haut, pour un réseau de 10 machines

identiques de taux de panne, λ=0.002, de taux de réparation μ= 0.01, et avec les coûts par unité
de temps : un coût de canal de réparation, 𝐶𝑘 = 2000 et le coût de stockage 𝐶ℎ = 4000.
Pour atteindre des disponibilités élevées (au-delà de 0.5 et de 0.9), l’organisation doit s’investir
dans des ressources supplémentaires en ajoutant des canaux de réparation.
55
Figure.2.6. Courbe d’efficience Projet.R.Exact.Cont.Budget.Matlab.R.2014a pour un réseau de 10 équipements
identiques de taux de panne 𝜆 = 0.002, de taux de réparation 𝜇= 0.01 et avec les coûts : 𝐶𝑘 = 2000, 𝐶ℎ = 4000
Comme le montre la Figure.2.7, il est inutile de chercher une disponibilité de plus de 0.5 avec un
seul canal de réparation puisque coût croît rapidement (accélération de la courbe).
Figure.2.7. Courbe d’efficience Projet.R.Exact.Cont.Budget.Matlab.R.2014a

k=1
un réseau de 10 équipements identiques de taux de panne
𝜆 = 0.002, de taux de réparation 𝜇= 0.01 et avec les coûts : 𝐶𝑘 = 2000, 𝐶ℎ = 4000
Idem pour la Figure.2.8. On ne peut atteindre plus de 0.9 de disponibilité avec seulement deux
canaux de réparation (k=2)

k=2
56
Un investissement supplémentaire permet d’atteindre une disponibilité élevée. La décision sur le
couple (Coût, Disponibilité) dépend des objectifs de l’organisation et ce dans la limite de son
budget, Figure.2.9.

k=3
NB : Tous les résultats sont donnés en Annexe C.

Les modèles M/M/k proposés par Gross et Harris (1982) et Ebeling (1991, 2005) suppose qu’il y
ait un seul composant critique pouvant entraîner la défaillance de la machine. Les stocks des pièces
considérés dans l’exemple sont gérés indépendamment.
Si cette supposition paraît valide dans plusieurs problèmes de gestion des stocks, dans les
problématiques de gestion des pièces de rechange, ces derniers nécessitent une gestion simultanée
parce que les différentes références doivent partager les mêmes ressources disponibles (ex. budget,
espaces, etc.). Aussi, la complexité croissante des modèles ne permet pas de traiter que des réseaux
de petites tailles.
2.5.Extensions du modèle M/M/k
Cette section permet de proposer des extensions à ces modèles pour pouvoir traiter des réseaux de
grandes tailles et une gamme des pièces de rechange pour des équipements ayant plusieurs
57
composant critiques et avec des mutations graduelles vers d’autres mesures de performance qui
découlent de la disponibilité opérationnelle du réseau.
2.5.1. Extension du modèle M/M/k d’Ebeling (1991, 2005) - Autres mesures de performance
Une organisation donnée peut s’intéresser à des mesures de performance autre que la disponibilité
A. Stidham (1975) a démontré que toutes les relations sont valides tant que le système d’attente
opère dans un régime permanent et que les paramètres 𝜆, 𝑊 sont finis. À partir de notre formule
ci-dessus on peut tirer ce qui suit :
- 𝐸𝐵𝑂 : est le nombre moyen de pièces en attente d’être livrées.
On peut écrire la disponibilité A qui est équivalente à la proportion des machines en opération :
𝐸𝐵𝑂
𝐴=1− (2.41)
𝑁
𝐸𝐵𝑂 est le nombre moyen de pièces en attente d’être livré le moment où le stock est épuisé,
autrement dit, lorsque le nombre de pièce dans le système d’attente est supérieur à 𝑠 (𝑥 > 𝑠).
𝐸𝐵𝑂 est donné par l’équation (2.39):
𝑥=𝑠+𝑁
𝐸𝐵𝑂 (𝑠, 𝑘) = ∑ (𝑥 − 𝑠)𝑃(𝑋 = 𝑥)

𝑥=𝑠+1
- Le temps d’attente d’une pièce :

𝐸𝐵𝑂
𝑊= (2.42)
λ̅
- 𝐿𝑠𝑦𝑠𝑡 : Le nombre moyen de pièce dans le système (en cours de réparation + en file d’attente)
𝑥=𝑠+𝑁
𝐿𝑠𝑦𝑠𝑡 = ∑ 𝑥. 𝑃(𝑋 = 𝑥) (2.43)

𝑥=1
- 𝑊 𝑠𝑦𝑠𝑡 : le temps d’attente moyen dans le système (Loi de Little)
𝐿𝑠𝑦𝑠𝑡
𝑊 𝑠𝑦𝑠𝑡 = (2.44)
λ̅
1
Sachant que 𝑊 𝑠𝑦𝑠𝑡 = + Temps moyen d’attente pour réparation
𝜇
1
= 𝑀𝑇𝑇𝑅 + 𝑆𝐷𝑇 (2.45)
𝜇
𝑀𝑇𝑇𝑅 : est le temps moyen technique de réparation.
𝑆𝐷𝑇 : est le temps logistique

- λ̅ ∶ Le taux moyen d’arrivée à l’atelier de réparation
58
𝑥=𝑠+𝑁
λ̅ = ∑ 𝜆𝑥 𝑃(𝑋 = 𝑥) (2.46)
𝑥=0
𝜆𝑥 = 𝜆. (𝑁 + 𝑠 − 𝑥) (2.47)
𝜆𝑥 désigne le taux de défaillance lorsqu’il y a x pièce dans le système (en attente ou en cours de
réparation).
𝑥=𝑠+𝑁
λ̅ = ∑ 𝜆. (𝑁 + 𝑠 − 𝑥)𝑃(𝑋 = 𝑥) (2.48)
𝑥=0
𝑥=𝑠+𝑁
λ̅ = 𝜆. ( 𝑁 − ∑ (𝑥 − 𝑠)𝑃(𝑋 = 𝑥) ) (2.49)
𝑥=𝑠+1
À partir de l’équation (2.38):

λ̅ = 𝜆 𝑁0 (2.50)
- 𝛽: est le taux de remplissage. Par définition, c’est la probabilité que la commande pièce
soit satisfaite immédiatement.
𝑥=𝑠−1
𝛽(𝑠, 𝑘) = ∑ 𝑃(𝑋 = 𝑥) (2.51)

𝑥=0
- 𝛼 : est le nombre moyen des pièces hors-stock- stockout
𝛼 (𝑠, 𝑘) = λ̅ (1 − 𝛽(𝑠, 𝑘)) (2.52)
Le problème d’optimisation peut être formulé comme suit :
𝑀𝑖𝑛 𝐸𝐵𝑂(𝑠, 𝑘) 𝒐𝒖 𝑀𝑖𝑛 𝑊(𝑠, 𝑘) 𝒐𝒖 𝑀𝑖𝑛 𝛼(𝑠, 𝑘)𝒐𝒖 𝑀𝑎𝑥 𝛽(𝑠, 𝑘) 𝒐𝒖 𝑀𝑎𝑥 𝑁0 (𝑠, 𝑘)
𝑀𝑖𝑛 𝐶(𝑠, 𝑘)
Avec :
𝑘 = 1,2, … ⌈ ⌉
𝐶𝑘
𝑠 = 1,2, … ⌈ ⌉
𝐶ℎ
59
2.5.2. Extension du modèle M/M/k d’Ebeling (1991, 2005) pour un réseau homogène
d’équipements multi-composant
Le modèle généralisé considère N équipements identiques ayant plus d’un composant critique.
Chaque machine contient 𝑛𝑗 composants de référence j. 𝑁𝑗 = 𝑛𝑗 𝑁, est le nombre de composants de
référence j dans un réseau de N machines. Le comportement d’arrivée des pièces défectueuses suit
un processus de poisson à taux constant 𝜆𝑗 ; j ∈ J = {1,2…}. Des canaux 𝑘𝑗 de réparation sont alloués
à chaque référence j de pièces de remplacement, c’est-à-dire, qu’on peut traiter une référence j à
un taux constant µ𝑗 .
Le modèle d’attente devient :
Pour 𝑘𝑗 < 𝑠𝑗
𝑖
𝑁𝑗 𝑖 𝜆𝑗
( ) ; 𝑖 = 1, … . . 𝑘𝑗
𝑖! µ𝑗
𝑖
𝐶𝑖 = ( ) ; 𝑖 = 𝑘𝑗 + 1, … . 𝑠𝑗 (2.53)
𝑘𝑗 𝑖−𝑘𝑗 𝑘𝑗 ! µ𝑗
𝑠𝑗 𝑖
𝑁𝑗 . 𝑁!
𝜆𝑗
𝑖−𝑘𝑗
( ) ; 𝑖 = 𝑠𝑗 + 1, … . . 𝑠𝑗 + 𝑁𝑗
{(𝑁𝑗 − 𝑖 + 𝑠𝑗 )! 𝑘𝑗 . 𝑘𝑗 ! µ𝑗
Pour 𝑘𝑗 ≥ 𝑠𝑗
𝑖
( ) ; 𝑖 = 1, … . . 𝑠𝑗
𝑖! µ𝑗
𝑠𝑗 𝑖
𝑁𝑗 𝑁𝑗 ! 𝜆𝑗
𝐶𝑖 = ( ) ; 𝑖 = 𝑠𝑗+1 , … . 𝑘𝑗 (2.54)
(𝑁𝑗 − 𝑖 + 𝑠𝑗 )! 𝑖! µ𝑗
𝑖
𝑁 𝑠𝑗 𝑁! 𝜆𝑗
𝑖−𝑘𝑗
( ) ; 𝑖 = 𝑘𝑗 + 1, … . . 𝑠𝑗 + 𝑁𝑗
{(𝑁𝑗 − 𝑖 + 𝑠𝑗 )! 𝑘𝑗 𝑘𝑗 ! µ𝑗
La fonction de coût est l’empilement de tous les coûts encourus lors du processus et égale à la
somme des coûts pour chaque référence j,
𝑓
𝐶𝑗 (𝑠𝑗 , 𝑘𝑗 ) = 𝐶𝑗 + 𝐶𝑗𝑘 𝑘𝑗 + 𝐶𝑗ℎ 𝑠𝑗 (2.55)
𝑓
C (𝑠𝑗 , 𝑘𝑗 ) =∑𝑗 ∈𝐽 𝐶𝑗 (𝑠𝑗 , 𝑘𝑗 ) = ∑𝑗 ∈𝐽(𝐶𝑗 + 𝐶𝑗𝑘 𝑘𝑗 + 𝐶𝑗ℎ 𝑠𝑗 ) (2.56)
Si on dénote 𝐸𝐵𝑂 𝑗 (𝑠𝑗 , 𝑘𝑗 ) le nombre moyen des pièces en attente d’être livrées pour la référence
j, on peut généraliser l’équation (2.40) et écrire la disponibilité stationnaire de la machine j:
60
𝐸𝐵𝑂 𝑗 (𝑠𝑗 , 𝑘𝑗 )
𝐴(𝑠𝑗 , 𝑘𝑗 ) = 1 − (2.57)
𝑛𝑗 𝑁
L’expression de la disponibilité stationnaire ci-dessus peut prendre plusieurs formes, en fonction
de la structure du système machine de 𝑛𝑗 composants critiques de référence j.
Si on maintient le critère de l’indépendance stochastique de tous les processus de défaillance et de
réparation, la disponibilité stationnaire du réseau de N machines constitués de 𝑛𝑗 𝑁 en série
pourrait être écrite:
𝐸𝐵𝑂 𝑗
𝐴 = ∏(1 − ) 𝑛𝑗 (2.58)
𝑛𝑗 𝑁
𝑗 ∈𝐽
2
𝐸𝐵𝑂 𝑗
𝑛𝑗 ( 𝑛𝑗 − 1) 𝐸𝐵𝑂 𝑗
𝐴 ≈ 1 − ∑ 𝑛𝑗 + ∑ . +⋯ (2.59)
𝑛𝑗 𝑁 2 𝑛𝑗 𝑁
𝑗 ∈𝐽 𝑗 ∈𝐽
Pour des petites valeurs de 𝐸𝐵𝑂 𝑗 et 𝑛𝑗 . 𝑁 grand:
𝐸𝐵𝑂 𝑗 𝐸𝐵𝑂 𝑗 ∑𝑗 ∈𝐽 𝐸𝐵𝑂 𝑗

𝐴 ≈ 1 − ∑ 𝑛𝑗 =1−∑ = 1−
𝑛𝑗 𝑁 𝑁 𝑁
𝑗 ∈𝐽 𝑗 ∈𝐽
𝐸𝐵𝑂
𝐴≈1− (2.60)
𝑁
Avec :
𝐸𝐵𝑂 = ∑ 𝐸𝐵𝑂 𝑗 (2.61)

𝑗 ∈𝐽
𝐸𝐵𝑂: Le nombre moyen de pièces en attente de livraison de toutes les références des pièces.
On peut généraliser l’équation (2.39) et l’écrire:
𝑥=𝑠𝑗 +𝑁𝑗
𝐸𝐵𝑂 𝑗 (𝑠𝑗 , 𝑘𝑗 ) = ∑ (𝑥 − 𝑠𝑗 )𝑃(𝑋𝑗 = 𝑥) (2.62)

𝑥=𝑠𝑗 +1
Le total de temps d’attente de réparation est la pondération des temps d’attente pour chaque
référence j. Pour une règle de priorité FIFO, le temps total d’attente moyen dans le système peut
être écrit :
λ̅𝑗
𝑊=∑ 𝑊𝑗 (2.63)
λ̅𝑡𝑜𝑡
𝑗 ∈𝐽
61
De la même façon, le taux de remplissage total est la pondération de tous les taux de remplissage
pour chaque référence j:
λ̅𝑗
𝛽 = ∑ 𝛽𝑗 (𝑠𝑗 , 𝑘𝑗 ) (2.64)
λ̅𝑡𝑜𝑡
𝑗 ∈𝐽
De l’équation(2.51), le taux de remplissage de la référence j est écrit:

𝑥=𝑠𝑗 −1
𝛽(𝑠𝑗 , 𝑘𝑗 ) = ∑ 𝑃(𝑋𝑗 = 𝑥) (2.65)

𝑥=0
De l’équation(2.49), le taux moyen d’arrivée des pièces défectueuses de référence j à l’atelier

de réparation:
𝑥=𝑠𝑗 +𝑁𝑗
λ̅𝑗 = 𝜆𝑗 𝑁𝑗 − 𝜆𝑗 ∑ (𝑥 − 𝑠𝑗 ) 𝑃(𝑋𝑗 = 𝑥) . (2.66)

𝑥=𝑠𝑗 +1
De l’équation(2.52), le nombre de pièce de référence j Hors-stock- Stockout (par unité de

temps):
𝛼 𝑗 (𝑠𝑗 , 𝑘𝑗 ) = λ̅𝑗 (1 − 𝛽𝑗 (𝑠𝑗 , 𝑘𝑗 ) (2.67)
Le total des Hors-stocks- Stockout (par unité de temps):
𝛼 = ∑ 𝛼 𝑗 (𝑠𝑗 , 𝑘𝑗 ) (2.68)
𝑗 ∈𝐽
Le problème d’optimisation peut être formulé comme suit :

𝑀𝑎𝑥 𝐴
𝑓
𝑀𝑖𝑛 ∑𝑗 ∈𝐽(𝐶𝑗 + 𝐶𝑗𝑘 𝑘𝑗 + 𝐶𝑗ℎ 𝑠𝑗 )
Avec
𝑓
𝐵𝑢𝑑𝑔𝑒𝑡 − ∑𝑗 ∈𝐽 𝐶𝑗
𝑘𝑗 = 1,2, … ⌈ ⌉
∑𝑗 ∈𝐽 𝐶𝑗𝑘
𝑓
𝐵𝑢𝑑𝑔𝑒𝑡 − ∑𝑗 ∈𝐽 𝐶𝑗
𝑠𝑗 = 1,2, … ⌈ ⌉
∑𝑗 ∈𝐽 𝐶𝑗ℎ
62
2.5.2.1.Applications numériques (2.3)
La Figure.2.10 représente la courbe d’efficience, qui est la solution du problème multi-objectif

pour un réseau de 10 équipements identiques à trois composants critiques qui forme une structure en
série avec des taux de panne 𝜆𝑗 = 0.002, 0.001, 0.003 des taux de réparation est supposé
identiques, µ𝑗 = 0.01 et des coûts: 𝐶1𝑘 = 𝐶2𝑘 = 𝐶3𝑘 = 100000, 𝐶1ℎ = 40000, 𝐶2ℎ = 4000, 𝐶1ℎ = 400.

équipements identiques à trois composants critiques en série, de taux de panne 𝜆𝑗 = 0.002, 0.001, 0.003 de
taux de réparation µ𝑗 = 0.01 et avec les coûts :
𝐶1𝑘 = 𝐶2𝑘 = 𝐶3𝑘 = 100000, 𝐶1ℎ = 40000, 𝐶2ℎ = 4000, 𝐶1ℎ = 400
Tout comme les sections précédentes, le gestionnaire peut prendre facilement une décision éclairée
quant à la performance souhaitée dans la limite du budget de l’organisation.
La Figure.2.11 est un zoom sur la Figure.2.10 faisant apparaître la partie où figurent les différents
coûts relatifs à des disponibilités élevées. Tous les résultats de cet exemple sont donnés
explicitement dans le tableau de l’Annexe D. La performance du réseau dépend essentiellement
des paramètres influant la décision du gestionnaire, notamment, les budgets, la performance des
équipements et l’efficacité des canaux de réparation. On peut donc envisager plusieurs scénarios
en fonction des différentes valeurs des paramètres du système.
63
équipements identiques à trois composants critiques en série, de taux de panne 𝜆𝑗 = 0.002, 0.001, 0.003 de
taux de réparation µ𝑗 = 0.01 et avec les coûts :
𝐶1𝑘 = 𝐶2𝑘 = 𝐶3𝑘 = 100000, 𝐶1ℎ = 40000, 𝐶2ℎ = 4000, 𝐶1ℎ = 400
2.5.3. Évaluation approximative du Modèle M/M/k (Gross et Harris (1982), Ebeling (1991,
2005)) pour traiter des réseaux d’équipements de grande taille
Le problème d’optimisation du genre est de complexité croissante, le nombre d'opérations

élémentaires nécessaires pour résoudre une instance donnée se croît exponentiellement en fonction
𝜆
de la taille du réseau, N et de l’intensité du système d’attente, . Cette complexité réside dans
𝑘.𝜇
la prise en compte du phénomène d’attente, ce qui rend les formules plus complexes et leur
résolution requiert des techniques de programmation et d’outils de calcul de grande mémoire
opérationnelle.
Pour surmonter les contraintes de capacité des calculateurs, nous utilisons la formule de
Stirling pour trouver un modèle approximatif permettant de déterminer le nombre de pièces de
rechange à garder en stock et le nombre de canaux de réparation pour un réseau de grande de taille,
ce qu’il n’était pas possible de faire avec la formulation exacte.
La formule de Stirling :
𝐿𝑜𝑔 𝑁! = 𝑁 𝐿𝑜𝑔 𝑁 – 𝑁 + 0.5𝐿𝑜𝑔2𝜋𝑁 (2.69)
64
Les deux figures : Figure.2.12 et Figure.2.13 illustrent bien le triplet (Disponibilité- Capacité-
Stock) calculé par deux méthodes différentes, une méthode exacte basée sur la formulation de Gross
(1982) (équations : (2.33)et (2.34)) et une méthode approximative utilisant l’approximation de
Stirling (équation(2.69)) (Allure en rouge) pour décrire le factoriel des formulations précédentes
à une échelle logarithmique. Les résultats obtenus sont adaptés au même contexte de l’Application
numérique.3.1 mais pour deux réseaux de tailles différentes, respectivement, N=100 et N=80.
Figure.2.12. Triplet (Disponibilité- Capacité-Stock)

Résultats générés par les programmes de calcul : Projet.R.Exact Matlab.R.2014a et Projet.R.
Stirling.Matlab.R.2014a (N=100,λ = 0.0002, µ = 0.01)
65
Figure.2.13. Triplet (Disponibilité- Capacité-Stock)
Résultats générés par les programmes de calcul: Projet.R.Exact Matlab.R.2014a et Projet.R. Stirling.Matlab.R.2014a
(N=80,λ = 0.0002, µ = 0.01)
Nous remarquons que notre approximation converge rapidement vers la méthode exacte pour des
𝜆
mesures de disponibilités élevées et/ou d’intensité faible. Ces écarts sont dus à la croissance
𝑘.𝜇
des coefficients du modèle exact à l’échelle exponentielle versus modèle approximatif à l’échelle
logarithmique.
Pour tester la robustesse du modèle approximatif, il fallait générer plusieurs instances avec
différents coefficients du modèle (taille du réseau (N), taux de panne (λ), taux de réparation (µ),
capacité de traitement (k)) par les deux méthodes : la méthode exacte (en bleu) et la méthode
approximative (en rouge), Figure.2.14.
NB : Tous les résultats sont donnés en Annexe A.
66
Figure.2.14. Calcul de la disponibilité opérationnelle avec la méthode exact (Projet.R. Stirling.Matlab.R.2014a) et
la méthode approximative (Projet.R. Stirling.Matlab.R.2014a) pour plusieurs instances : réseau de taille(N), taux de
panne (λ), taux de réparation (µ) , capacité de traitement (k) différents.
Empiriquement, la méthode approximative donne de bons résultats. Les écarts constatées

(Figure.2.15) se veulent faibles, excepté l’instance 15 ou l’écart est remarquable, cela nous conduit
d’étudier la performance de l’approximation en analysant le comportement des déviations par
rapport à l’optimum (méthode exacte). Le détail des résultats sont donnés en Annexe B.
Figure.2.15. Écarts constatées plusieurs instances : réseau de taille(N), taux de panne (λ), taux de
réparation (µ) , capacité de traitement (k) différents
67
La performance du modèle approximatif peut être vérifiée en mettant l’hypothèse que la
distribution des déviations par rapport à la solution exacte suit une loi Student de moyenne et
variance (𝜇𝐷 , 𝑣𝐷 ) de population (nombre d’instance, n= 24) (Boctor (2015)). La déviation du
modèle par rapport à l’optimum est représentée par la Figure.2.16.
Figure.2.16. Déviation constatées plusieurs instances : réseau de taille(N), taux de panne (λ), taux de
réparation (µ), capacité de traitement (k) différents.
Déviation par rapport à l’optimum

 Maximale : 1,037
 Minimale : 1,518. E-07
 Moyenne des déviations, 𝜇𝐷 : 0,057
 Variance des déviations, 𝑣𝐷 : 0,044
 intervalle de confiance: Pour un risque de 𝛼% par exemple, les déviations doivent
se situer dans un intervalle :
𝑛−1 𝑣𝐷 𝑛−1 𝑣𝐷
[𝜇𝐷 − 𝑡1−𝛼/2 √ , 𝜇𝐷 − 𝑡1−𝛼/2 √ .]
𝑛 𝑛
𝑛−1
𝑡1− 𝛼 : Le quantile d’ordre 1 − α/2 de la loi de Student à 𝑛 − 1 degrés de liberté.
2
68
Pour un risque α de 5%, par exemple, on a 95% de chance que la déviation de la méthode
approximative par rapport à la méthode exacte se situe dans un intervalle : [−0,032 , 0,145 ].
L’approximation est jugée performante avec un risque 5%.
NB : L’étude de la dominance empirique et/ou stochastique (Boctor (2015) et Golden et Assad
(1984)) du modèle approximatif s’avère intéressante si on est face à plusieurs méthodes
rapprochées à comparer.
2.6. Conclusion
Nous avons présenté dans ce chapitre une série de modèles permettant au gestionnaire de prendre
des décisions claires et précises sur l’investissement, en inventaire et dans les ressources
nécessaires pour garantir une disponibilité d’un réseau constitué de plusieurs équipements en
opération. Nous avons proposé une approximation pouvant aider le décideur à traiter des réseaux
de grande taille. De même, nous avons étendu les modèles existants dans la littérature pour pouvoir
traiter le cas d’équipements multi-composant et des modèles avec des mesures de performance
différentes. Nous avons remarqué que les modèles approximatifs proposés donnent des résultats
valables et montrent des gains économiques remarquables en mutualisant la gestion des différentes
références des pièces de rechange.
69
Chapitre 3

assujettis à des défaillances aléatoires : Modèle avec possibilité de
passer des commandes en urgence
3.1.Introduction
Dans la pratique, il est possible d’effectuer des réparations (commandes) en urgence auprès
d’autres sources d’approvisionnement (prestataires de services) en cas de déficit de ressources. Le
processus consiste à solliciter d’autres sources lorsque la source d’approvisionnement est un atelier
central faisant partie du réseau logistique de l’entreprise, et/ou d’utiliser un moyen de transport
plus rapide mais coûteux. Donc, on peut envisager plusieurs façons de traiter une commande en
urgence dont chacune a un délai et un coût qui lui revient.
Une livraison en urgence est significativement plus rapide qu’une livraison ordinaire, elle demeure
coûteuse et paraît économiquement profitable lorsque les coûts d'immobilisation des équipements
sont élevés et/ou la baisse de disponibilité peut compromettre la productivité de l’entreprise. Cette
problématique a été soulevée dans la littérature scientifique traitant la gestion des stocks, plusieurs
auteurs ont développé des modèles analytiques incluant les demandes en urgence dans la gestion
des stocks, Gross (1963), Krishnan et Rao (1965), Tagaras, et Cohen (1992), Dada (1992),
Needham, et Evers (1998). Dans le contexte de la gestion des pièces de rechange, elle a été abordée
par plusieurs auteurs, Lee (1987), Axsäter (1990), Sherbrooke (1992), Alfredsson et Verrijdt
(1999), Kranenburg et al. (2003), Yang et al. (2013), Van Houtum et Kranenburg (2015). Ces
derniers ont constaté que l'utilisation des commandes d’urgence peut conduire à des réductions
remarquables des commandes en souffrance –EBO-Backorder, et une augmentation du niveau de
service
De leur côté, Alfredsson et Verrijdt (1999) ont montré par simulation que le modèle avec des
commandes d’urgence produit des estimations précises, et que les performances du système
d'inventaire sont insensibles aux différentes distributions du délai de livraison. Dans la plupart des
études menées par les auteurs traitant les stocks de pièces de rechange des systèmes réparables,
particulièrement Sherbrooke (1992), Kranenburg et al. (2003), il est stipulé qu’une livraison
(réparation) d’urgence peut être modélisée comme une demande perdue qui serait satisfaite par une
autre source hors système d’attente, autrement dit, la proportion de perte de l’ensemble des pièces
défectueuses arrivant dans le système sera traitée (réparée ou commandée) par un canal externe.
70
En général, les sources d’urgence sollicitées sont considérées de capacités infinies, c’est-à-dire, la
prestation de service est disponible à tout moment en cas d’urgence.
Le temps moyen et le coût d’une réparation d’une pièce en urgence sont respectivement,𝑡 𝑒𝑚 , 𝐶 𝑒𝑚 .
La proportion des pièces qui ne sont pas satisfaites par le traitement ordinaire est égale à (1- 𝛽(𝑠)).
𝛽(𝑠) est le taux de remplissage (la proportion des réparations satisfaites). C’est une mesure de
performance très importante, elle constitue parfois une exigence client et un indicateur de
performance permettant de maintenir les fournisseurs qualifiés.
Si on note 𝐶𝑇(𝑠)le coût total:
𝐶𝑇(𝑠) = 𝐶𝑓 + 𝐶ℎ .s +𝐶𝑘 𝑘 + 𝜆̅.(1- 𝛽(𝑠))𝐶 𝑒𝑚 (3.1)
Pour de station de réparation de capacité illimitée, le modèle serait proche du METRIC

(Sherbrooke (1968)), la fonction du coût total peut être écrite :
𝐶𝑇(𝑠) = 𝐶ℎ .s +𝜆̅.(1- 𝛽(𝑠))𝐶 𝑒𝑚 (3.2)
On peut écrire le temps moyen d’attente de livraison 𝑊 :
𝑊(𝑠) = (1- 𝛽(𝑠)) 𝑡 𝑒𝑚 (3.3)
Des équations(2.41) et (2.42), on peut écrire la disponibilité du réseau :
𝜆̅. 𝑊(𝑠)
𝐴(𝑠) = 1 − (3.4)
𝑁
Des équations (3.3) et (3.4) on obtient :
𝜆̅ (1 − 𝛽(𝑠))𝑡 𝑒𝑚
𝐴(𝑠) = 1 − (3.5)
𝑁
𝛽(𝑠) est donné par l’équation (2.51).
71
La décision sur le nombre de pièces de rechange à garder en stock est de choisir, parmi les points
de la courbe d’efficience, le couple (Min C, max A) qui répond aux exigences de disponibilité dans
les limites du budget. Le problème d’optimisation peut être écrit :
𝑀𝑎𝑥 𝐴(𝑠)𝑜𝑢 𝑀𝑖𝑛 𝑊(𝑠)
𝑀𝑖𝑛 𝐶𝑇(𝑠)
Avec s entier positif
Pour que le problème d’optimisation ait des solutions dans l’espace probabilisé considéré, il faut
que 𝛽(𝑠) soit fonction strictement concave et croissante.
Notons que la notion de perte dans un système d’attente fait référence à la proportion des arrivées
que le système ne peut desservir, elle est représentée par la probabilité que toutes les ressources du
système soient occupées. Cette proportion est considérée perdue au sens qu’elle quitte le système
définitivement.
Dans le contexte des pièces de rechange, cette proportion serait récupérée pour la traiter ensuite
via des canaux externes qui sont considérés plus performants en matière de temps de livraison mais
en contrepartie coûtent chères. L’estimation de la proportion de perte pour les systèmes METRIC
(capacités de traitement et la population sont considérées infinies) M | G | ∞ sont à partir de la
fonction de probabilité de perte d’Erlang –B. Il est démontré que cette probabilité de perte ne
dépend pas de la loi de service, c’est à dire que la file M | G | k | k et M | M| | k | k ont la même
estimation de probabilité de perte. Pour la démonstration, voir Lee et Miller (1998).
1 𝑠
𝜌 𝜆
𝛽(𝑠) = 1 − 𝑠! ; 𝑎𝑣𝑒𝑐 𝜌 = (3.6)
1 µ
∑𝑠𝑗=0 𝜌𝑗
𝑗!
Rappelons que la probabilité de perte d’Erlang–B est strictement convexe et décroissante en
fonction du nombre de serveur (Karush (1957)). L’évaluation de ce genre de modèle est possible
par des méthodes approximatives (heuristique gloutonne + recherches locales). Pour plus de détail
sur les méthodes de résolution de ce type de problème d’optimisation, voir Fox (1966). Une
méthode approximative est bien illustrée dans la Section.8 du livre.
La formule d’Erlang-B évalue la probabilité de pertes lorsque tous les canaux de réparation sont
occupés, si une pièce défectueuse arrive, elle est rejetée automatiquement, en constituant un « échec
» de traitement (une perte). Ce scénario nous paraît moins réaliste dans le contexte industriel, car
le fait que les ressources sont déjà occupées ne constitue pas une raison valable pour faire recours
à l’urgence immédiatement et débourser tant d’argent pour juste accélérer le traitement.
Pour relâcher cette hypothèse, nous proposons un délai d’attente maximal qui pourrait être exigé
avant de procéder à l’urgence. Donc, la pièce se loge dans le système pendant un certain délai, s’il
est dépassé, la procédure d’urgence est déclenchée. Ce délai d’attente est motivé par trois raisons
qui nous paraissent valables et reflètent la réalité industrielle :
72
- Il se peut qu’au moment où on déclenche l’urgence, une ou plusieurs pièces soient en fin
de traitement, ce qui conduirait le plus souvent à des ressources d’assignation longtemps
inactives.
- Logiquement, lorsqu’on on procède à l’urgence c’est pour vocation de compenser un déficit
de ressource tout d’abord et pour récupérer le temps perdu ensuite dans la file d’attente,
ensuite. Le coût d’urgence engagé permet de maintenir la disponibilité requise. Sinon
l’engagement de ressources supplémentaires pourrait être économiquement profitable en
ciblant des performances élevées. Ce temps est estimé en fonction de l’offre à coût/délai
pondérés, autrement dit, combien va nous coûter l’immobilisation versus l’opportunité
perdue.
- Si toutefois les modèles publiés dans la littérature réussissent à donner des estimations
valables et parfois précises à la probabilité de perte engendrés par la contrainte de capacité
des stations de réparation, ces mêmes modèles ne disent pas quand on peut déclencher
l’urgence et lesquelles des pièces sont concernées. Est-ce que le fait qu’une pièce soit en
attente, comme stipulent les modèles METRIC, constituent une condition nécessaire et
suffisante pour la faire parvenir en urgence ? Si nous faisons un rapprochement en ce sens,
nous nous trouvons dans une situation proche de l’abus d’urgence dans les moments de
blocage.
3.2.Modèle
Pour étendre les modèles existants, nous introduisons un délai d’attente maximal dans la file que
nous exigeons avant de procéder à l’urgence. La prise en compte du délai d’attente maximal dans
le modèle de décision est d’une grande utilité, car il permet d’estimer à l’avance la probabilité de
perte permettant un engagement optimal des ressources et une gestion opérationnelle efficace du
système. Lorsqu’une pièce en attente dépasse un certain délai, D, dans la file, une opération
d’urgence sera lancée. L’estimation de la proportion concernée par l’envoi en urgence permet au
gestionnaire d’envisager les sources d’approvisionnement requises, de solliciter les fournisseurs
potentiels et de négocier les contrats de service et les clauses de flexibilité y attachées, le cas
échéant.
Nous supposons qu’au moment d’arrivée d’une pièce au site de réparation, le gestionnaire ne
dispose pas d’informations sur les pièces dans le système (le temps restant des pièces en cours de
réparation, les temps d’attente des pièces déjà dans la file, etc.).
Nous nous intéressons dans notre modèle à l’étude du cas où la variable aléatoire caractérisant le
délai de patience dans la file possède la propriété markovienne, c’est-à-dire, la probabilité d’attente
est sans mémoire, l’évènement futur est indépendant des évènements passés et dépend seulement
de l’état actuel du système. La propriété PASTA- Poisson Arrivals See Time Average (Wolff
(1982)) demeure une propriété clé des processus de Poisson. La connaissance du temps d’arrivée
73
d’une pièce ne donne aucune information sur les temps d’arrivée des autres pièces, particulièrement
les pièces déjà arrivées.
Nous maintenons la même notation et hypothèses du Chapitre 2, et nous Posons :
𝑇𝑖 la variable aléatoire caractérisant le temps d’arrivée de la ième pièce défectueuse au site de
réparation. On suppose qu’une seule pièce arrive à la fois (arrivées unitaires). Pour i entier, les 𝑇𝑖
est une suite de variable aléatoire croissante.
𝐼𝑖 = 𝑇𝑖 − 𝑇𝑖−1 est une variable aléatoire qui caractérise les temps d’inter-arrivée des pièces au site
de réparation. Pour une population infinie, 𝐼𝑖 est constante, le processus stochastique des arrivées
peut posséder la propriété markovienne, les temps d’inter-arrivée des pièces défectueuses au site
de réparation suivent une loi de poisson à paramètre constant.
𝐷𝑖 la variable aléatoire caractérisant le délai d’attente associé à l’arrivée d’une pièce défectueuse i
à l’atelier de réparation. 𝑆𝑖 son délai de réparation.
Si le temps de séjour d’une pièce défectueuse i dans la file est noté 𝑊 𝑞𝑖 , le temps total de son
séjour dans système (file + canal de réparation):
𝑊𝑖 = (𝑊 𝑞𝑖 + 𝑆𝑖 ). 𝑃{𝑊 𝑞𝑖 < 𝐷𝑖 }+ 𝐷𝑖 . 𝑃{𝑊 𝑞𝑖 ≥ 𝐷𝑖 } (3.7)
Pour une pièce donnée i, 𝜋𝑖 est la probabilité que le temps d’attente dans la file soit supérieure au
temps d’attente maximal autorisé.
𝜋𝑖 = 𝑃{𝑊 𝑞𝑖 < 𝐷𝑖 } (3.8)
Supposant que toutes les variables aléatoires sont supposées indépendantes et identiquement
distribuées (i.i.d), le système opère dans un régime permanent et toutes les variables aléatoires
possèdent la propriété markovienne de :
1 1 1
𝜆= ;µ = ;𝜂= 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑠
𝐸[𝐼] 𝐸[𝑆] 𝐸[𝐷]
La pièce est en attente lorsque tous les canaux de réparation sont occupés. La chaîne de Markov
associée au processus de défaillance, de réparation et d’attente est représentée :
Pour 𝑘 < 𝑠 (Figure.3.1)
Nλ Nλ Nλ Nλ Nλ Nλ Nλ Nλ Nλ Nλ (N-1)λ 2λ λ
0 1 2 k-1 k k+1 s-1 s s+1 N+S-1 N+s
µ 2µ 3µ (k-1)µ kµ kµ +η kµ +2η kµ+(s-k-1)η kµ+(s-k)η kµ+(s+1-k)η kµ +(s-k+2)η kµ + (N+s-k-1)η kµ+(N+s-k)η
Figure.3.1. Chaîne de Markov associée au processus de défaillance et de réparation

pour k< 𝑠
74
Lorsque le système atteint l’équilibre, selon le principe de conservation de flux en régime
permanent, nous obtenons les formules de récurrence suivantes :
1) 𝑖 = 1,2 … . . 𝑘
Nλ Nλ Nλ Nλ Nλ Nλ
0 1 2 k-1 k
µ 2µ 3µ (k-1)µ kµ kµ +η
. 𝑁𝜆
𝑃0 . 𝑁𝜆 = µ. 𝑃1 ⇒ 𝑃1 = µ
𝑃0
. 𝑁𝜆 (𝑁𝜆)2
𝑃1 . 𝑁𝜆 = 2µ. 𝑃2 ⇒ 𝑃2 = 𝑃1 = 2( µ)2 𝑃0
µ
𝑃3 . 𝑁𝜆 = 3µ. 𝑃2 ⇒ 𝑃3 = 𝑃 = 3.2.1( µ)3 𝑃0
3µ 2
. 𝑁𝜆 (𝑁𝜆)𝑖
𝑃𝑖 . 𝑁𝜆 = 𝑖µ. 𝑃𝑖−1 ⇒ 𝑃𝑖 = 𝑃𝑖−1 = 𝑖!( 𝜇)𝑖 𝑃0 ; 𝑖 = 1,2 … . . 𝑘
𝑖µ
(𝑁𝜆)𝑖
𝑃𝑖 = 𝑃 (3.9)
𝑖! µ𝑖 0
2) 𝑖 = 𝑘 + 1, … . , 𝑠
Nλ Nλ Nλ Nλ Nλ
k k+1 s-1 s
kµ +η kµ +2η kµ+(s-k-1)η kµ+(s-k)η kµ+(s+1-k)η
. 𝑁𝜆
𝑃𝑘 . 𝑁𝜆 = ( 𝑘µ + 𝜂). 𝑃𝑘+1 ⇒ 𝑃𝑘+1 = ( 𝑃
𝑘µ+1𝜂) 𝑘
𝑃𝑘+1 . 𝑁𝜆 = ( 𝑘µ + 2𝜂). 𝑃𝑘+2 ⇒ 𝑃𝑘+2 = ( 𝑘µ+2𝜂) 𝑃𝑘+1= ( 𝑘µ+2𝜂)( 𝑃
𝑘µ+1𝜂) 𝑘
(𝑁𝜆)𝐽 (𝑁𝜆)𝐽 (𝑁𝜆)𝑘

𝑃𝑘+𝐽 = 𝑗=𝐽 𝑃𝑘 = 𝑗=𝐽 𝑃0
∏𝑗=1( 𝑘µ+(𝑗−𝑘)𝜂) ∏𝑗=1( 𝑘µ+(𝑗−𝑘)𝜂) 𝑘!µ𝑘
1 (𝑁𝜆)𝐽+𝑘
𝑃𝑘+𝐽 = 𝑗=𝐽 𝑃0 ; 𝐽 = 1,2, … . , 𝑠 − 𝑘;
∏𝑗=1( 𝑘µ+(𝑗−𝑘)𝜂) 𝑘!µ𝑘
75
1 (𝑁𝜆)𝑖
𝑃𝑖 = 𝑃 (3.10)
∏𝑗=𝑖−𝑘 ( 𝑘µ + (𝑗 − 𝑘)𝜂) 𝑘! ( 𝜇)𝑘 0
𝑗=1
3) 𝑖 = 𝑠 + 1, … … 𝑠 + 𝑁
Nλ (N-1)λ 2λ λ
s+1 N+S-1 N+s
kµ+(s+1-k)η kµ +(s-k+2)η kµ + (N+s-k-1)η kµ+(N+s-k)η
. 𝑁𝜆
𝑃𝑠 . 𝑁𝜆 = ( 𝑘µ + (𝑠 − 𝑘 + 1)𝜂). 𝑃𝑠+1 ⇒ 𝑃𝑠+1 = 𝑃
( 𝑘µ+(𝑠−𝑘+1)𝜂) 𝑠
. (𝑁 − 1)𝜆
𝑃𝑠+1 . (𝑁 − 1)𝜆 = ( 𝑘µ + (𝑠 − 𝑘 + 2)𝜂). 𝑃𝑠+2 ⇒ 𝑃𝑠+2 = 𝑃
( 𝑘µ + (𝑠 − 𝑘 + 2)𝜂) 𝑠+1
𝑁(𝑁 − 1)𝜆2
𝑃𝑠+2 = 𝑃
( 𝑘µ + (𝑠 − 𝑘 + 2)𝜂). ( 𝑘µ + (𝑠 − 𝑘 + 1)𝜂) 𝑠
𝜆𝐿 . ∏𝑙=𝐿
𝑙=1(𝑁 − 𝑙 + 1)
𝑃𝑠+𝐿 = 𝑃
∏𝑙=1( 𝑘µ + (𝑠 − 𝑘 + 𝑙)𝜂) 𝑠
𝑙=𝐿
𝑙=1(𝑁 − 𝑙 + 1) 1 (𝑁𝜆)𝑠
𝑃𝑠+𝐿 = 𝑃
∏𝑙=𝐿 𝑗=𝑠−𝑘 ( 𝑘 0
𝑙=1( 𝑘µ + (𝑠 − 𝑘 + 𝑙)𝜂) ∏𝑗=1 ( 𝑘µ + (𝑗 − 𝑘)𝜂) 𝑘! 𝜇)
On a :
𝑙=𝐿
𝑁!
∏(𝑁 − 𝑙 + 1) =
(𝑁 − 𝐿)!
𝑙=1
𝑁! 1 𝜆𝐿 . (𝑁𝜆)𝑠
𝑃𝑠+𝐿 = 𝑃 ;
(𝑁 − 𝐿)! ∏𝑙=𝐿 𝑗=𝑠−𝑘
𝑙=1( 𝑘µ + (𝑠 − 𝑘 + 𝑙)𝜂) ∏𝑗=1 ( 𝑘µ + (𝑗 − 𝑘)𝜂) 𝑘! 𝜇)
( 𝑘 0
𝐿 = 1,2, … … 𝑁
𝑁! 𝑁 𝑠 𝜆𝑖
𝑃𝑖 = 𝑃
(𝑁 + 𝑠 − 𝑖)! ∏𝑁=𝑖−𝑠 𝑗=𝑠−𝑘
𝑙=1 ( 𝑘µ + (𝑠 − 𝑘 + 𝑙)𝜂) ∏𝑗=1 ( 𝑘µ + (𝑗 − 𝑘)𝜂)
𝑘! ( 𝜇)𝑘 0
(3.11)
76
Pour 𝑘 < 𝑠
(𝑁𝜆)𝑖
𝑃; 𝑖 = 1,2, … . . 𝑘
𝑖! µ𝑖 0
1 (𝑁𝜆)𝑖
𝑃𝑖 𝑃 ; 𝑖 = 𝑘 + 1, … . . 𝑠
∏𝑗=𝑖−𝑘 ( 𝑘µ + (𝑗 − 𝑘)𝜂) 𝑘! ( 𝜇)𝑘 0
𝑗=1
𝑃 ; ;
{ (𝑁 + 𝑠 − 𝑖)! ∏𝑁=𝑖−𝑠 𝑗=𝑠−𝑘
𝑙=1 ( 𝑘µ + (𝑠 − 𝑘 + 𝑙)𝜂) ∏𝑗=1 ( 𝑘µ + (𝑗 − 𝑘)𝜂)
𝑘! ( 𝜇)𝑘 0
; 𝑖 = 𝑠 + 1, … … 𝑠 + 𝑁
Pour 𝑘 ≥ 𝑠 (Figure.3.2)
Nλ Nλ Nλ Nλ Nλ Nλ (N-1)λ (N+S-k+2)λ (N+S-k+1)λ (N+S-k)λ (N+S-k-1)λ 2λ λ
0 1 2 s-1 s s+1 k-1 k k+1 N+S-1 N+s

µ 2µ 3µ (s-1)µ sµ (s+1)µ (s+2)µ (k-1)µ kµ kµ+η kµ+2η kµ + (N+s-k-1)η kµ+(N+s-k)η
Figure.3.2. : Chaîne de Markov associée au processus de défaillance et de réparation
pour 𝑘 ≥ 𝑠
Selon le principe de conservation de flux nous obtenons les formules de récurrence suivantes :
1) 𝑖 = 1,2 … . . 𝑠
Nλ Nλ Nλ Nλ Nλ Nλ
0 1 2 s-1 s
µ 2µ 3µ (s-1)µ sµ (s+1)µ
Idem que l’équation (3.1)

(𝑁𝜆)𝑖
𝑃𝑖 = 𝑃 (3.12)
𝑖! µ𝑖 0
77
2) 𝑖 = 𝑠 + 1, … … 𝑘
Nλ (N-1)λ (N+S-k+2)λ (N+S-k+1)λ (N+S-k)λ
s s+1 k-1 k
(s+1)µ (s+2)µ (k-1)µ kµ kµ+η
. 𝑁𝜆
𝑃𝑠 . 𝑁𝜆 = ( 𝑠 + 1)µ. 𝑃𝑠+1 ⇒ 𝑃𝑠+1 = ( 𝑠+1)
𝑃𝑠
𝑃𝑠+1 . (𝑁 − 1)𝜆 = ( 𝑠 + 2)µ. 𝑃𝑠+2

(𝑁−1)𝜆 𝑁(𝑁−1)𝜆.𝜆 𝑁(𝑁−1)𝜆2
𝑃𝑠+2 = 𝑃 = 𝑃 = 𝑃
( 𝑠+2)µ 𝑠+1 ( 𝑠+2)( 𝑠+1)µ.µ 𝑠+1 ( 𝑠+2)( 𝑠+1)µ2 𝑠
𝑗=𝐽
𝜆𝐽 .∏𝑗=1(𝑁−𝑗+1)
𝑃𝑠+𝐽 = 𝑗=𝐽 𝑃𝑠
µ𝐽 ∏𝑗=1( 𝑠+𝑗)
𝑗=𝐽
𝜆𝐽 . ∏𝑗=1(𝑁 − 𝑗 + 1) (𝑁𝜆)𝑠
𝑃𝑠+𝐽 = 𝑗=𝐽
𝑃0
µ 𝐽 ∏𝑗=1( 𝑠 + 𝑗) 𝑠! µ𝑠
On a :
𝑙=𝐽
𝑁!
∏(𝑁 − 𝑗 + 1) =
(𝑁 − 𝐽)!
𝑙=1
𝑗=𝐽
( 𝑠 + 𝐽)!
∏( 𝑠 + 𝑗) =
𝑠!
𝑗=1
𝜆𝐽 . 𝑁!. 𝑠! (𝑁𝜆)𝑠
𝑃𝑠+𝐽 = 𝐽 𝑃; 𝐽 = 1,2, … … 𝑁
µ (𝑁 − 𝐽)! ( 𝑠 + 𝐽)! 𝑠! µ𝑠 0
𝑁 𝑠 𝑁! (𝜆)𝑠+𝐽
𝑃𝑠+𝐽 = 𝑃; 𝑖 = 𝑠 + 1, … … 𝑘
(𝑁 − 𝐽)! ( 𝑠 + 𝐽)! µ𝑠+𝐽 0
𝑁 𝑠 𝑁! 𝜆𝑖
𝑃𝑖 = 𝑃 (3.13)
(𝑁 + 𝑠 − 𝑖)! 𝑖! µ𝑖 0
78
3) 𝑖 = 𝑘 + 1, … . . 𝑁 + 𝑆
(N+S-k)λ (N+S-k-1)λ 2λ λ
k k+1 N+S-1 N+s
kµ+η kµ+2η kµ + (N+s-k-1)η kµ+(N+s-k)η
. (𝑁+𝑠−𝑘)𝜆
𝑃𝑘 . (𝑁 + 𝑠 − 𝑘)𝜆 = (𝑘µ + 𝜂). 𝑃𝑘+1 ⇒ 𝑃𝑘+1 = (𝑘µ+𝜂)
𝑃𝑘
. (𝑁+𝑠−(𝑘+1))𝜆
𝑃𝑘+1 . (𝑁 + 𝑠 − (𝑘 + 1))𝜆 = (𝑘µ + 2𝜂). 𝑃𝑘+2 ⇒ 𝑃𝑘+2 = (𝑘µ+2𝜂)
𝑃𝑘+1
(𝑁 + 𝑠 − (𝑘 + 1)) (𝑁 + 𝑠 − 𝑘)𝜆2
𝑃𝑘+2 = 𝑃𝑘
(𝑘µ + 2𝜂) (𝑘µ + 𝜂)
𝑙=1(𝑁 + 𝑠 − (𝑘 + 𝑙 − 1)
𝑃𝑘+𝐿 = 𝑃𝑘 ; 𝐿 = 1,2 … . . 𝑁 + 𝑆 − 𝑘
∏𝑙=𝐿
𝑙=1(𝑘µ + 𝑙𝜂)
On a :
𝑙=𝐿
(𝑁 + 𝑠)!
∏(𝑁 + 𝑠 − (𝑘 + 𝑙 − 1) =
(𝑁 + 𝑠 − 𝑘 − 𝐿)!
𝑙=1
(𝑁 + 𝑠)! 𝜆𝐿
𝑃𝑘+𝐿 = 𝑃𝑘 ; 𝐿 = 1,2 … . . 𝑁 + 𝑆 − 𝑘
(𝑁 + 𝑠 − 𝑘 − 𝐿)! ∏𝑙=𝐿
(𝑁 + 𝑠)! 𝜆𝐿
𝑃𝑘+𝐿 = 𝑃𝑘 ; 𝐿 = 1,2 … . . 𝑁 + 𝑆 − 𝑘
(𝑁 + 𝑠 − 𝑘 − 𝐿)! ∏𝑙=𝐿
(𝑁 + 𝑠)! 𝜆𝐿 𝑁 𝑠 𝑁! 𝜆𝑘
𝑃𝑘+𝐿 = 𝑃 ;
(𝑁 + 𝑠 − 𝑘 − 𝐿)! ∏𝑙=𝐿
(𝑁 + 𝑠 − 𝑘)! 𝑘! µ𝑘 0
𝐿 = 1,2 … . . 𝑁 + 𝑆 − 𝑘
(𝑁 + 𝑠)! 𝑁! 𝑁𝑠 𝜆𝑘+𝐿
𝑃𝑘+𝐿 = 𝑃 ;
(𝑁 + 𝑠 − 𝑘 − 𝐿)! ∏𝑙=𝐿
(𝑁 + 𝑠 − 𝑘)! 𝑘! µ𝑘 0
𝐿 = 1,2 … . . 𝑁 + 𝑆 − 𝑘
(𝑁 + 𝑠)! 𝑁! 𝑁𝑠 𝜆𝑖
𝑃𝑖 = 𝑃 (3.14)
(𝑁 + 𝑠 − 𝑖)! ∏𝑙=𝑖−𝑘
𝑙=1 (𝑘µ + 𝑙𝜂)
(𝑁 + 𝑠 − 𝑘)! 𝑘! µ𝑘 0
79
Pour 𝑘 ≥ 𝑠
(𝑁𝜆)𝑖
𝑃𝑖 = 𝑃; 𝑖 = 1,2, … . . 𝑘
𝑖! µ𝑖 0
𝑃𝑖 𝑃𝑖 = 𝑃 ; 𝑖 = 𝑘 + 1, … . 𝑠
(𝑁 + 𝑠 − 𝑖)! 𝑖! µ𝑖 0
𝑃 ; 𝑖 = 𝑘 + 1, … … … … 𝑁 + 𝑆
{ (𝑁 + 𝑠 − 𝑖)! ∏𝑙=𝑖−𝑘
𝑙=1 (𝑘µ + 𝑙𝜂)
(𝑁 + 𝑠 − 𝑘)! 𝑘! µ𝑘 0
3.2.1. Récapitulatif du modèle
La probabilité, en régime permanente, pour qu’il y ait i pièces dans le système :

Pour k <s
(𝑁𝜆)𝑖
𝑃; 𝑖 = 1,2, … . . 𝑘
𝑖! µ𝑖 0
1 (𝑁𝜆)𝑖
𝑃𝑖 𝑃 ; 𝑖 = 𝑘 + 1, , … . . 𝑠 (3.15)
∏𝑗=𝑖−𝑘 ( 𝑘µ + (𝑗 − 𝑘)𝜂) 𝑘! ( 𝜇)𝑘 0
𝑗=1
𝑃 ;
(𝑁 + 𝑠 − 𝑖)! ∏𝑁=𝑖−𝑠 ( 𝑘µ + (𝑠 − 𝑘 + 𝑙)𝜂) ∏𝑗=𝑠−𝑘
( 𝑘µ + (𝑗 − 𝑘)𝜂) 𝑘! ( 𝜇)𝑘 0
{ 𝑙=1 𝑗=1
; 𝑖 = 𝑠 + 1, … … 𝑠 + 𝑁
Pour 𝑘 ≥ 𝑠
(𝑁𝜆)𝑖
𝑃; 𝑖 = 1,2, … . . 𝑠
𝑖! µ𝑖 0
𝑃𝑖 𝑃 ; 𝑖 = 𝑠 + 1, … . 𝑘 (3.16)
(𝑁 + 𝑠 − 𝑖)! 𝑖! µ𝑖 0
𝑃 ; 𝑖 = 𝑠 + 1, … … … … 𝑁 + 𝑆
{ (𝑁 + 𝑠 − 𝑖)! ∏𝑙=𝑖−𝑘
𝑙=1 (𝑘µ + 𝑙𝜂)
(𝑁 + 𝑠 − 𝑘)! 𝑘! µ𝑘 0
De même que l’équation (2.35), la probabilité qu’il n’y ait aucune pièce dans le système
d’attente:
1 1
𝑃0 = 𝑃(𝑋 = 0) = =
(1 + 𝐶1 + 𝐶2 + ⋯ + 𝐶𝑠+𝑁 ) 1+ ∑𝑖=𝑠+𝑁
𝑖=1 𝐶𝑖
80
3.2.2. Mesures de performance
La probabilité de déclencher une procédure d’urgence, en régime permanent, est égale à la

1
probabilité de perte d’une pièce défectueuse après un délai d’attente moyen 𝐸[𝐷] = dans la file:
𝜂
∑𝑖=𝑁+𝑠
𝑖=𝑘+1 𝜂. 𝑃𝑛
𝜋 =1− 𝛽 = (3.17)
𝜆̅
Le nombre moyen de pièces jugé valable pour les faire parvenir pour réparation d’urgence après
un délai maximal de séjour D dans la file est 𝜋. 𝜆̅.
À partir des équations (3.5) et (3.17), la disponibilité peut être écrite :
∑𝑖=𝑁+𝑠
𝑖=𝑘+1 𝜂. 𝑃𝑖 𝑒𝑚
𝐴 =1− 𝑡 (3.18)
𝑁
3.2.3. Problème d’optimisation
Le problème d’optimisation est écrit :

∑𝑖=𝑁+𝑠
𝑀𝑎𝑥 𝐴 (𝑠, 𝑘, 𝜂 ) = 1 − 𝑡
𝑁
𝑀𝑖𝑛 {𝐶𝑓 + 𝐶𝑘 𝑘 + 𝐶ℎ 𝑠 + 𝜆̅. (1 − 𝛽(𝑠, 𝑘, 𝜂 ))𝐶 𝑒𝑚 }
Avec :
𝑘 = 1,2, … ⌈ ⌉
𝐶𝑘
𝑠 = 1,2, … ⌈ ⌉
𝐶ℎ
NB :
- Le problème d’optimisation ci-haut est valable dans le cas où la gamme des pièces à gérer
est réparable. Toutefois, nous pouvons ajuster la fonction de coûts pour l’adapter à un
contexte de consommables (articles non-réparables). Le problème d’optimisation peut être
écrit :
81
∑𝑖=𝑁+𝑠
𝑀𝑎𝑥 𝐴 (𝑠, 𝑘, 𝜂 ) = 1 − 𝑡
𝑁
𝜆̅
𝑀𝑖𝑛 {𝐶𝑓 + 𝐶𝑘 𝑘 + 𝐶ℎ ( 𝑠 − . 𝛽(𝑠, 𝑘, 𝜂 )) + 𝜆̅. (1 − 𝛽(𝑠, 𝑘, 𝜂 )). 𝐶 𝑒𝑚 }
𝜇
Avec:
𝑘 = 1,2, … ⌈ ⌉
𝐶𝑘
𝑠 = 1,2, … ⌈ ⌉
𝐶ℎ
̅
𝜆
Nous remarquons que la proportion . 𝛽(𝑠, 𝑘, 𝜂 ) , soustraite du nombre de stock en main
𝜇
OH, représente, dans un régime permanent, le nombre de pièces qui sont satisfaites par les
commandes ordinaires, elles sont commandées, elles ne sont pas encore en possession de
stock.
En outre, certaines pièces de rechange consommables sont couvertes par des garanties
légales de conformité. Les fournisseurs acceptent le retour des pièces non-réparables pour
les retravailler contre un coût de remise de « défectueux irréparable », qui serait
généralement soustrait du coût d’achat de la pièce neuve, ce qui permet des réductions
remarquables sur les coûts d’achat de quelques pièces. Pour une gamme de pièces de
rechange donnée, cette propriété peut être considérée comme un critère de classification
intéressant. Actuellement, ces pratiques sont devenues courantes chez la plupart des
fournisseurs. Comme mentionné dans la section.1.1.1, ce genre de prestations offertes
couvre la quasi-totalité des industries, elle fait partie des démarches de
réapprovisionnement écoresponsable que les entreprises adoptent en couvrant une partie
importante de gestion de leurs processus dans une perspective de développement durable.
- Le modèle de décision avec commande en urgence peut être généralisé pour gérer un parc
machines multi-composant, similaire à que nous avons vu dans la section 2.5.2. La fonction
du coût total est l’empilement de tous les coûts engendrés par l’investissement en ressource,
les commandes (ordinaires et d’urgences), l’achat et le stockage des pièces, etc., pour
chaque référence 𝑗 ∈ 𝐽 (catégorie de composants jugée critiques pour le fonctionnement de
la machine ou l’appareil). Nous pouvons écrire le coût total CT :
- Pour les consommables :
. . .
𝜆̅
𝑗
𝐶𝑇 = 𝐶𝑓 + ∑ 𝐶𝑗𝑘 𝑘𝑗 + ∑ 𝐶𝑗ℎ (𝑠𝑗 − . 𝛽𝑗 (𝑠𝑗 , 𝑘𝑗 , 𝜂𝑗 )) + ∑ 𝜆̅𝑗 . (1 − 𝛽𝑗 (𝑠𝑗 , 𝑘𝑗 , 𝜂𝑗 ). 𝐶𝑗𝑒𝑚
𝜇𝑗
𝑗 ∈𝐽 𝑗 ∈𝐽 𝑗 ∈𝐽
(𝟑. 𝟏𝟗)
82
- Pour les réparables :
. . .
𝑪𝑻 = 𝑪𝒇 + ∑ 𝑪𝒌𝒋 𝒌𝒋 + ∑ 𝑪𝒉𝒋 𝒔𝒋 + ∑ 𝝀̅𝒋 . (𝟏 − 𝜷𝒋 (𝒔𝒋 , 𝒌𝒋 , 𝜼𝒋 ). 𝑪𝒆𝒎

𝒋 (𝟑. 𝟐𝟎)
𝒋 ∈𝑱 𝒋 ∈𝑱 𝒋 ∈𝑱
À partir des relations (2.60) et (2.64), la disponibilité du réseau peut être écrite:
𝝀̅𝒕𝒐𝒕 . 𝑾(𝒔)
𝑨(𝒔) ≈ 𝟏 − (𝟑. 𝟐𝟏)
𝑵
De même que la relation (2.62), le taux de panne total (le nombre de pièces qui arrivent au
système:
λ̅𝑡𝑜𝑡 = ∑ λ̅𝑗
𝑗 ∈𝐽
À partir de la propriété (2.60) qui suppose que les différentes références sont de criticité
égale et que la règle de priorité dans le système de file d’attente est FIFO, le total de temps
d’attente 𝑊 est écrit comme (2.64) :
λ̅𝑗
𝑊=∑ 𝑊𝑗
λ̅𝑡𝑜𝑡
𝑗 ∈𝐽
On peut généraliser l’équation (3.3) et écrire le temps moyen d’attente de livraison d’une
pièce de référence j:
𝑊𝑗 = (1- 𝛽𝑗 ). 𝑡𝑗𝑒𝑚 (3.22)
Nous substituons (2.64) dans (3.22), nous aurons :

λ̅𝑗
𝑊=∑ (1 − 𝛽𝑗 ). 𝑡𝑗𝑒𝑚 (3.23)
̅λ𝑡𝑜𝑡
𝑗 ∈𝐽
Nous substituons (3.22) dans (3.21), pour décrire la disponibilité du réseau, qui est
donnée par l’équation suivante :
∑𝑗 ∈𝐽 λ̅𝑗 . (1 − 𝛽𝑗 ). 𝑡𝑗𝑒𝑚
𝐴 =1− (3.24)
𝑁
En général, la résolution du problème d’optimisation de la problématique de gestion des
pièces de rechange pour un réseau d’équipements identiques constitués de plusieurs
83
composants est une courbe d’efficience résultante de la solution du problème multi-objectif
suivant :
𝑀𝑎𝑥 𝐴 (équation(3.24))𝑜𝑢 𝑀𝑖𝑛 𝑊(équation(3.23))

𝑴𝒊𝒏 𝑪𝑻 (é𝒒𝒖𝒂𝒕𝒊𝒐𝒏(𝟑. 𝟏𝟗))𝒐𝒖 𝑴𝒊𝒏 𝑪𝑻 (é𝒒𝒖𝒂𝒕𝒊𝒐𝒏(𝟑. 𝟐𝟎))
𝑠, 𝑘 𝑑𝑒𝑠 𝑒𝑛𝑡𝑖𝑒𝑟𝑠 𝑝𝑜𝑠𝑖𝑡𝑖𝑓𝑠
3.3.Applications numériques (3.1)
pour le même contexte de la section 2.4.2.3.1.Applications numériques (2.2), réseau de 10

machines identiques de taux de panne 𝜆 = 0.002, de taux de réparation 𝜇= 0.01 et avec les coûts:
𝐶𝑘 = 2000, 𝐶ℎ = 4000.
Une procédure d’urgence à temps de traitement en urgence 𝑡 𝑒𝑚 = 20, coût, 𝐶 𝑒𝑚 =8000 et taux
d’attente dans la file 𝜂 = 0.01.
s k tem 𝜼 EBO L Lsyst Lamdabar Perte W A CT A.METRIC
1 1 5 0 5,1741 4,8259 6,1732 0,0097 0 536,07 1 6000 0,99762979
1 1 5 0,01 1,5876 8,4124 2,5655 0,0168 0,0093 94,357 0,9953 6001 0,99472361
1 1 10 0,01 1,5876 8,4124 2,5655 0,0168 0,0093 94,357 0,9907 6001 0,98944722
1 1 5 0,05 0,8684 9,1316 1,7827 0,0183 0,0371 47,55 0,9814 6005 0,99409933
1 1 10 0,05 0,8684 9,1316 1,7827 0,0183 0,0371 47,55 0,9629 6005 0,98819866
Tableau 3.1. Extrait des résultats (Annexe E) :
Commande d’urgence: Résultats générés pour plusieurs instances.
Le Tableau 3.1 est un extrait tiré des résultats donnés en (Annexe E) et présentés graphiquement
par la Figure.3.3. L’Allure en bleu représente les résultats de notre approche, tandis que celle en
rouge représente les résultats engendrés par l’utilisation de l’approche basée sur la probabilité de
perte d’Erlang-B.
Nous remarquons que la disponibilité augmente à chaque fois que le temps de livraison d’urgence
1
( 𝑡 𝑒𝑚 ) et le délai d’attente moyen 𝐸[𝐷] = diminuent.
𝜂
De même, un temps de traitement en urgence, 𝑡 𝑒𝑚 = 1µ = 100 est équivalent d’un canal de

réparation supplémentaire.
84
Comme le montre la Figure.3.3, notre approche donne des résultats similaires à ceux dégagés par
l’approche METRIC (Sherbrooke (1968)) avec la plupart des instances générées. Van Houtum et
al. (2015), comme tous les chercheurs du courant de recherche METRIC, utilisent la probabilité de
perte d’Erlang-B pour estimer la proportion soumise aux traitements d’urgence. Les écarts
constatés entre les deux approches sont dus à la prise en compte du délai d’attente maximal dans
la file dans notre modèle, contrairement à l’approche METRIC qui tient compte de la perte due à
1
l’occupation des serveurs (canaux de réparation). Pour un délai d’attente moyen 𝐸[𝐷] = très
𝜂
grand, les deux approches donnent presque les mêmes résultats car les pertes dues au délai d’attente
maximal toléré sont nulles.
La quasi-linéarité constatée dans l’allure de notre modèle (en bleu) reflète et consolide l’hypothèse
des capacités de traitement infinie METRIC (Sherbrooke (1968)). L’ajout des canaux de réparation
dans notre modèle ne change pas la disponibilité (investissement inutile). Dans des contextes
similaires, l’hypothèse de la capacité infinie donnée par Sherbrooke (1968) est valable.
Figure.3.3. Commande d’urgence: Résultats générés par Projet.Commande.Urgence.Matlab.R.2014a pour plusieurs

instances. Comparaison avec l’approche METRIC (en rouge).
Temps de livraison 𝑡 𝑒𝑚 = 20, de coût, 𝐶 𝑒𝑚 =8000 et taux d’attente dans la file 𝜂 = 0.01, pour le même contexte de
Des Application numériques (2.2) : réseau de 10 équipements identiques de taux de panne 𝜆 = 0.002, de taux de
réparation 𝜇= 0.01 et avec les coûts : 𝐶𝑘 = 2000, 𝐶ℎ = 4000.
85
NB : Bien évidemment, les résultats obtenus sont basés sur l’hypothèse que toutes les
variables aléatoires caractérisant les processus de défaillance, de réparation et d’attente des
pièces dans la file sont de distributions exponentielles. La littérature scientifique est riche
de contributions traitants le système de files d’attente avec un délai de service et de délai
d’attente de distribution générale. Iravani et Balcioglu (2008) a étudié le cas de M/G/1+M,
le délai de service de distribution générale et des délais d’attente Markovien. Ce cas, si
généralisé pour une capacité de service infinie, peut être adaptée au modèle METRIC en
rendant l’approximation de la probabilité de perte plus améliorée. Boxma et al. (2001) a
étudié également le cas de M/G/1+G. Ils supposent que la nouvelle pièce arrivant dans le
système dispose d’informations sur les pièces présentes dans le système et peut décider
d’entrer ou non dans la file d’attente. Choi et Chung (2001) ont introduit une approche
simple pour l'analyse des systèmes M/M/k avec un temps d’attente déterministe.
3.4.Conclusion
Nous avons présenté dans ce chapitre un modèle décisionnel permettant de passer des commandes
d’urgence à des échelons supérieurs considérés de capacité illimitée. Contrairement à l’approche
METRIC (Sherbrooke (1968)), l’introduction d’un délai d’attente maximal dans la file permet
d’opérationnaliser la question d’urgence dans le contexte de la gestion des pièces de rechange. La
propriété markovienne est une estimation peu réaliste mais les résultats obtenus ont montré que le
modèle est insensible à cette hypothèse. Toutefois, nous pouvons affiner les résultats et proposer
un modèle en utilisant un délai d’attente maximal déterministe. Cette particularité reflète bien la
réalité industrielle. La prise en compte d’un délai d’attente déterministe est laborieuse, l’évaluation
du modèle devient complexe. Cette extension fera l’objet de travaux futurs.
86
Chapitre 4

assujettis à des défaillances aléatoires : Modèles multi-échelon
4.1.Introduction
Dans les chapitres 2 et 3, nous avons présenté une série de modèles de décision traitant la
problématique des pièces réparables, consommables ou les deux combinés en utilisant la théorie
des files d’attente. Nous avons vu que ces modèles s’adaptent bien à des organisations possédant
un ou plusieurs entrepôts d’alimentation régionaux, qui sont étroitement liés à des sources
d’approvisionnement en amont considérées de capacités illimitées.
Dans ce chapitre, nous étudions le cas d’un réseau composé d'un stock central et de plusieurs stocks
régionaux. Contrairement aux modèles précédents, le stock central est considéré de capacité limitée
et chargé d’alimenter les stocks régionaux via une politique de réapprovisionnement unitaire. La
boucle de défaillance et de réparation (commande et livraison en cas de consommables) s’étend à
des échelons supérieurs. Nous décrivons un modèle générique à deux échelons, qui est en réalité
une extension du modèle traité dans les chapitres 2 et 3, pour lequel nous imposons et nous
relâchons quelques hypothèses permettant de nous aligner avec les grands axes de recherche dans
le domaine. Pour mieux affiner les résultats, nous proposons une procédure numérique pour décrire
l’empilement des convolutions résultant des processus stochastiques décrivant le temps d’inter-
arrivées des pièces défectueuses, le temps de traitement, le temps de transport, etc. Nous dédions à
chacun un algorithme qui décrit au mieux la recherche d’une solution. Une étude comparative, avec
les modèles les plus performants que connaissent la littérature scientifique et les applications
industrielles, est effectuée.
4.2.Modèle
Le réseau que nous étudions présente un système de réapprovisionnement à deux échelons. Il est
constitué de stocks régionaux et d’un stock central chargé de les alimenter avec système de
recomplètement unitaire (S, S-1). Le réseau global est constitué de plusieurs sous-réseaux
régionaux de 𝑚𝑗 machines. Le processus de défaillance (commande) et de réparation (livraison)
est bien décrit dans la Figure.4.1.
87
Stock central
Canaux de
S0 N4 N3 réparation
N2
N1,k N1,j N1,2 N1,1

N5,k N5,i N5,2 N5,1
Stock Stock Stock Stock

k j Si 2 1
N6,k N6,j N6,2 N6,1
N7,k N7j N7,2 N7,1
N0,k N0,j N0,2 N0,1

mk mj m2 m1
Canaux de transport
Figure.4.1. Réseau d’alimentation à deux échelons avec centre de réparation
4.2.1. Notation
𝑀 = ∑𝑘𝑗=1 𝑚𝑗 : Le nombre total de machines dans le réseau.

Les processus des arrivées des pièces défectueuses, de la réparation, des transferts des pièces
traitées et de la mise à disposition des pièces pour maintenance sont des processus stochastiques à
temps continus.
Soit à l’instant t, les variables aléatoires :
𝑁0 (𝑡) = ∑𝑘𝑗=1 𝑁0,𝑗 (𝑡): Le nombre total de machines en opération.
𝑁0,𝑗 (𝑡): Le nombre de machine en opération dans la région j.
𝑁1 (𝑡) = ∑𝑘𝑗=1 𝑁1,𝑗 (𝑡): Le nombre de pièces défectueuses dans les canaux de transport à
destination de réparation.
𝑁1,𝑗 (𝑡): Le nombre de pièces défectueuses dans le canal de transport reliant la région j avec
l’atelier de réparation.
𝑁2 (𝑡): Le nombre de pièces dans l’atelier de réparation.
88
𝑁3 (𝑡): Le nombre de pièces réparées qui sont dans le canal de transfert à destination stock
central.
𝑁4 (𝑡): Le nombre de pièces dans le stock central.
𝑁5 (𝑡) = ∑𝑘𝑗=1 𝑁5,𝑗 (𝑡) ∶ Le nombre de pièces dans les canaux de transport à destination stocks
régionaux.
𝑁5,𝑗 (𝑡): Le nombre de pièces dans le canal de transport reliant le stock central avec le stock j.
𝑁6 (𝑡) = ∑𝑘𝑗=1 𝑁6,𝑗 (𝑡) ∶ Le nombre de pièces dans les stocks régionaux.
𝑁6,𝑗 (𝑡): Le nombre de pièces dans le stock régional j.
𝑁7 (𝑡) = ∑𝑘𝑗=1 𝑁7,𝑗 (𝑡) ∶ Le nombre de pièces dans les canaux de mise à disposition pour
maintenance.
𝑁7,𝑗 (𝑡): Le nombre de pièces dans le canal de mise à disposition reliant le stock régional j et la
maintenance.
4.2.2. Fondement du modèle
1)
𝑁1 (𝑡) + 𝑁2 (𝑡) + 𝑁3 (𝑡) + 𝑁4 (𝑡) = 𝑆0 (4.1)
𝑁4 (𝑡) = 𝑆0 − (𝑁1 (𝑡) + 𝑁2 (𝑡) + 𝑁3 (𝑡))
Posons 𝑋(𝑡) la variable aléatoire résultant de la convolution de 𝑁1 (𝑡), 𝑁2 (𝑡) 𝑒𝑡 𝑁3 (𝑡).

Si 𝑁1 (𝑡), 𝑁2 (𝑡) 𝑒𝑡 𝑁3 (𝑡) sont mutuellement exclusives, nous pouvons écrire:
𝑘
𝑋(𝑡) = ∑ 𝑁1,𝑗 (𝑡) + 𝑁2 (𝑡) + 𝑁3 (𝑡) (4.2)

𝑗=1
𝑁4 (𝑡) = 𝑆0 − 𝑋(𝑡) (4.3)

𝑁4 (𝑡) est l’état de stock central à un instant t donné, il peut prendre deux formes: soit une rupture
de stock dont le nombre BO-Backorder number soit un stock en main dont le nombre OH- Stock
on Hand.
𝑂𝐻0 (𝑡) = [𝑆0 − 𝑋(𝑡)]+

𝑁4 (𝑡) = { . (4.4)
𝐵𝑂0 (𝑡) = [𝑆0 − 𝑋(𝑡)]−
89
𝑂𝐻0 (𝑡) − 𝐵𝑂0 (𝑡) = 𝑆0 − 𝑋(𝑡) (4.5)
La probabilité que le stock en main contienne x pièces de rechange :
𝑃 (𝑋(𝑡) = 𝑆0 − 𝑥) 𝑠𝑖 𝑥 ≤ 𝑆0
P (𝑂𝐻0 (𝑡) = 𝑥) = { . (4.6)
0 𝑆 +𝑀+∑𝑘𝑗=1 𝑠𝑗
∑𝑦=𝑆 𝑃 (𝑋(𝑡) = 𝑦) 𝑠𝑖 𝑥 = 0
0
La probabilité de rupture de stock peut être écrite :

𝑃 (𝑋(𝑡) = 𝑆0 + 𝑥) 𝑠𝑖 𝑥 ≤ ∑𝑘𝑗=1 𝑚𝑗
P (𝐵𝑂0 (𝑡) = 𝑥) = { . (4.7)
𝑆0
∑𝑦=0 𝑃 (𝑋(𝑡) = 𝑦) 𝑠𝑖 𝑥 = 0

processus de défaillance et de réparation du réseau :
𝑇
𝐸[𝑋(𝑡)] = 𝑋 = 0 (4.8)
𝑇
𝑇
∫ 𝑂𝐻0 (𝑡) d𝑡
𝐸[𝑂𝐻0 (𝑡) ] = 0 (4.9)
𝑇
𝑇
∫ 𝐵𝑂0 (𝑡) 𝑑𝑡
𝐸[𝐵𝑂0 (𝑡) ] = 0 (4.10)
𝑇
Le nombre moyen de pièces dans le stock central :

𝑆0
𝐸[𝑂𝐻0 (𝑆0 , 𝑡) ] = ∑(𝑆0 − 𝑥). P (𝑋(𝑡) = 𝑥) (4.11)

𝑥=0
Le nombre moyen de pièces en souffrance dans le stock central -Backorders:

𝑆0 +𝑀+∑𝑘𝑗=1 𝑠𝑗
𝐸[𝐵𝑂0 (𝑆0 , 𝑡) ] = ∑ (𝑥 − 𝑆0 ). P (𝑋(𝑡) = 𝑥) (4.12)

𝑥=𝑆0 +1
À partir des équations (4.11) et (4.12)on obtient:

𝐸[𝑂𝐻0 (𝑆0 , 𝑡)] − 𝐸[𝐵𝑂0 (𝑆0 , 𝑡)] = 𝑆0 − 𝑋(𝑡) (4.13)
2)
𝑘 𝑘 𝑘
𝐵𝑂0 (𝑡) + ∑ 𝑁5,𝑗 (𝑡) + ∑ 𝑁6,𝑗 (𝑡) = ∑ 𝑆𝑗 (4.14)

𝑗=1 𝑗=1 𝑗=1
90
𝑘
𝐵𝑂0 (𝑡) = ∑ 𝐵𝑂0,𝑗 (𝑡) (4.15)

𝑗=1
La fraction des Backorders pour chaque région j est donnée en fonction du taux 𝛼𝑗 désignant le
poids de chaque région j:
𝐵𝑂0,𝑗 (𝑡) = 𝛼𝑗 𝐵𝑂0 (𝑡) (4.16)
𝛼𝑗 dépend la concentration des flux dans chaque région, autrement dit, du taux de panne 𝜆𝑗 et de la
criticité de la pièce (la règle de priorité dans le système d’attente):
𝑘
∑ 𝛼𝑗 = 1 (4.17)
𝑗=1
Pour chaque région j, la somme des flux égale au niveau du stock 𝑆𝑗 (principe de conservation de
la matière dans le réseau logistique):
𝛼𝑗 𝐵𝑂0 (𝑡) + 𝑁5,𝑗 (𝑡) + 𝑁6,𝑗 (𝑡) = 𝑆𝑗 (4.18)
𝑁6,𝑗 (𝑡) = 𝑆𝑗 − 𝛼𝑗 𝐵𝑂0 (𝑡) − 𝑁5,𝑗 (𝑡)

𝑁6,𝑗 (𝑡) = 𝑆𝑗 − 𝑌𝑗 (𝑡) (4.19)
𝑌𝑗 (𝑡) est la convolution de la proportion de Backorders du stock central correspondante à la région

j et le nombre de pièces dans le canal de transport reliant le stock central avec le stock j:
𝑌𝑗 (𝑡) = 𝛼𝑗 𝐵𝑂0 (𝑡) + 𝑁5,𝑗 (𝑡) (4.20)
Tout comme la section précédente, la variable aléatoire 𝑁6,𝑗 (𝑡) est l’état du stock régional j à un
instant t donné, il peut prendre deux formes: soit une rupture de stock dont le nombre est BO-
Backorder number, soit un stock en main dont le nombre est OH- Stock on Hand.
+
𝑂𝐻𝑗 (𝑡) = [𝑆𝑗 − 𝑌𝑗 (𝑡)]
𝑁6,𝑗 (𝑡) = { . (4.21)
−
𝐵𝑂𝑗 (𝑡) = [𝑆𝑗 − 𝑌𝑗 (𝑡)]

𝑂𝐻𝑗 (𝑡) − 𝐵𝑂𝑗 (𝑡) = 𝑆𝑗 − 𝑌𝑗 (𝑡) (4.22)
La probabilité que le stock en main j contienne x pièces de rechange est donnée par l’équation :
91
𝑃 (𝑌𝑗 (𝑡) = 𝑆𝑗 − 𝑥) 𝑠𝑖 𝑥 ≤ 𝑆
P (𝑂𝐻𝑗 (𝑡) = 𝑥) = { 𝑆 +𝑚 . (4.23)
𝑗 𝑗
∑𝑦=𝑆 𝑃 (𝑌𝑗 (𝑡) = 𝑦) 𝑠𝑖 𝑥 = 0
𝑗
La probabilité de rupture du stock j de x pièces de rechange est donnée par l’équation :

𝑃 (𝑌𝑗 (𝑡) = 𝑆𝑗 + 𝑥) 𝑠𝑖 𝑠𝑖 𝑥 ≤ 𝑚𝑗
P (𝐵𝑂𝑗 (𝑡) = 𝑥) = { . (4.24)
𝑆𝑗
∑𝑦=0 𝑃 (𝑌𝑗 (𝑡) = 𝑦) 𝑠𝑖 𝑥 = 0

processus de défaillance et de réparation du réseau régional j:
𝑇
∫ 𝑌𝑗 𝑑𝑡
𝐸[𝑌𝑗 (𝑡)] = 0 (4.25)
𝑇
𝑇
∫ 𝑂𝐻𝑗 (𝑡)𝑡
𝐸[𝑂𝐻𝑗 (𝑡)] = 0 (4.25)
𝑇
𝑇
∫ 𝐵𝑂𝑗 (𝑡) 𝑑𝑡
𝐸[𝐵𝑂𝑗 (𝑡) ] = 0 (4.26)
𝑇
Le nombre moyen de pièces dans le stock régional j:
𝑆𝑗
𝐸[𝑂𝐻𝑗 (𝑆0 , 𝑆𝑗 , 𝑡) )] = ∑(𝑆𝑗 − 𝑥) 𝑃 (𝑌𝑗 (𝑡) = 𝑥) (4.27)

𝑥=0
Le nombre moyen de pièces en souffrance dans le stock régional j :

𝑆𝑗 +𝑚𝑗
𝐸[𝐵𝑂𝑗 (𝑆0 , 𝑆𝑗 , 𝑡) ] = ∑ (𝑥 − 𝑆𝑗 )𝑃 (𝑌𝑗 (𝑡) = 𝑥) (4.28)

𝑥=𝑆𝑗 +1
À partir des équations (4.27) et (4.28) on obtient:
𝐸[𝑂𝐻𝑗 (𝑆0 , 𝑆𝑗 , 𝑡) )] − 𝐸[𝐵𝑂𝑗 (𝑆0 , 𝑆𝑗 , 𝑡) ] = 𝑆𝑗 − 𝑌𝑗 (𝑡) (4.29)
3)
𝐵𝑂𝑗 (𝑡) + 𝑁7,𝑗 (𝑡) + 𝑁0,𝑗 (𝑡) = 𝑚𝑗 (4.30)
Pour l’ensemble du réseau nous avons :
𝑘 𝑘
∑ 𝐵𝑂𝑗 (𝑡) + 𝑁0 (𝑡) + 𝑁7 (𝑡) = ∑ 𝑚𝑗 (4.31)

𝑗=1 𝑗=1
𝑁0 (𝑡) est le nombre total des machines en opération dans tous le réseau:
92
𝑘
𝑁0 (𝑡) = ∑ 𝑁0,𝑗 (𝑡) (4.32)

𝑗=1
𝑁7 (𝑡) est le nombre de pièces dans tous les canaux de mise à disposition pour la maintenance:
𝑘
𝑁7 (𝑡) = ∑ 𝑁7,𝑗 (𝑡) (4.33)

𝑗=1
La disponibilité instantanée 𝐴(𝑡) est la proportion du temps de bon fonctionnement des machines
à l’instant t, elle est égale au rapport entre le nombre de machines en opération en temps t, 𝑁0 (𝑡), et
le nombre total de machines du parc, 𝑀 = ∑𝑘𝑗=1 𝑚𝑗 .
𝑁0 (𝑡)
𝐴(𝑡) = (4.34)
∑𝑘𝑗=1 𝑚𝑗
Des équations (4.31) et (4.34):

∑𝑘𝑗=1 𝐵𝑂𝑗 (𝑡) + 𝑁7 (𝑡)
𝐴(𝑡) = 1 − (4.35)
L’espérance mathématique de la disponibilité instantanée 𝐴(𝑡) sur un horizon 𝑇:

𝑇
∫ 𝐴(𝑡)𝑑𝑡
𝐴 = 𝐸[𝐴(𝑡)] = 0 (4.36)
𝑇
De l’équation (4.35):
𝐸 [∑𝑘𝑗=1 𝐵𝑂𝑗 (𝑆0 , 𝑆𝑗 , 𝑡) ] + 𝐸[𝑁7 (𝑡)]

𝐴=1− (4.37)
Si 𝐵𝑂𝑗 (𝑡) sont des évènements mutuellement exclusifs:
𝐸 [∑𝑘𝑗=1 𝐵𝑂𝑗 (𝑆0 , 𝑆𝑗 , 𝑡)] = ∑𝑘𝑗=1 𝐸 [𝐵𝑂𝑗 (𝑆0 , 𝑆𝑗 , 𝑡)] (4.38)
L’équation (4.37) peut-être écrite:
∑𝑘𝑗=1 𝐸 [𝐵𝑂𝑗 (𝑆0 , 𝑆𝑗 , 𝑡) ] + 𝐸[𝑁7 (𝑡)]

𝐴 = 1− (4.39)
93
Le problème d’optimisation d’un système multi-échelon est écrit :
𝑘
Min 𝐶(𝑆0 , 𝑆𝑗 ) = 𝐶ℎ . ( 𝐸 [𝑂𝐻0 (𝑆0 , 𝑡) ] + ∑ 𝐸 [𝑂𝐻𝑗 (𝑆0 , 𝑆𝑗, , 𝑡)])
𝑗=1
𝑘
∑ 𝐸[𝑁1,𝑗 (𝑡)] + 𝐸[𝑁3 (𝑡)]
𝑗=1
+𝐶𝑇 𝑘 𝑘
+ ∑ 𝐸[𝑁5,𝑗 (𝑡)] + ∑ 𝐸[𝑁7,𝑗 (𝑡)]
( 𝑗=1 𝑗=1 )
+𝐶𝐾 . K + 𝐶𝑓
.
∑𝑘𝑗=1 𝐸[𝐵𝑂𝑗 (𝑆0 , 𝑆𝑗 , 𝑡) ] + ∑𝑘𝑗=1 𝐸[𝑁7,𝑗 (𝑡)]
𝑀𝑎𝑥 𝐴 = 1 −
{ ∑𝑘𝑗=1 𝑚𝑗
Avec :
𝐾 = 1,2, … ⌈ ⌉
𝐶𝐾
𝑆0 = 1,2, … ⌈ ⌉
𝐶ℎ
𝑆𝑗 = 1,2, … ⌈ ⌉
𝐶ℎ
NB: Pour une mise à disposition quasi-immédiate des pièces pour maintenance, 𝑁7 (𝑡) =
0. Les différents coûts par unité de temps sont donnés comme suit :
𝐶𝑓 : La somme des coûts fixes.
𝐶𝑇 : Coût de transport.
𝐶𝐾 : Coût variable de réparation.
𝐶ℎ : Coût de stockage de la pièce.
La résolution de ce problème d’optimisation bi-objectif permet de tracer la courbe d’efficience

(Coût, Disponibilité). Le gestionnaire peut prendre des décisions éclairées quant à l’investissement
en achat, en inventaire, en transport, etc., pour garantir une disponibilité donnée.
Le modèle est complexe, il est impossible de le résoudre sans limitations et hypothèses. Les
hypothèses énumérées dans le chapitre 2 demeurent inchangées. L’analyse du modèle permet
d’étudier des cas intéressants qui peuvent être tirés de ce modèle générique.
94
4.2.3. Analyse du modèle
Si les processus stochastiques qui engendrent tous les évènements de défaillance, de réparation et
de transport demeurent inchangés le long de l’horizon de planification, le système peut être étudié
en régime permanent, et on aura :
𝑇
𝐸[𝑋 ] = 𝑋 = lim 0 (4.40)
𝑇→∞ 𝑇
𝑇 𝑆0
∫ 𝑂𝐻0 (𝑡) d𝑡
𝐸[𝑂𝐻0 (𝑆0 ) ] = lim 0 = ∑(𝑆0 − 𝑥). P (𝑋 = 𝑥) (4.41)
𝑇→∞ 𝑇
𝑥=0
𝑇 𝑆0 +𝑀+∑𝑘𝑗=1 𝑠𝑗
∫0 𝐵𝑂0 (𝑡) 𝑑𝑡
𝐸[𝐵𝑂0 (𝑆0 )] = lim = ∑ (𝑥 − 𝑆0 ). P (𝑋 = 𝑥) (4.42)
𝑇→∞ 𝑇
𝑥=𝑆0 +1
𝑇
∫ 𝑌𝑗 (𝑡) 𝑑𝑡
𝑌𝑗 = lim 0 (4.43)
𝑇→∞ 𝑇
𝑇 𝑆𝑗
∫ 𝑂𝐻𝑗 (𝑡) d𝑡
𝐸[𝑂𝐻𝑗 (𝑆0 , 𝑆𝑗 )] = lim 0 = ∑(𝑆𝑗 − 𝑥). P (𝑌𝑗 = 𝑥) (4.44)
𝑇→∞ 𝑇
𝑥=0
𝑇 𝑆𝑗 +𝑚𝑗
∫ 𝐵𝑂𝑗 (𝑡) 𝑑𝑡
𝐸[𝐵𝑂𝑗 (𝑆0 , 𝑆𝑗 ] = lim 0 = ∑ (𝑥 − 𝑆𝑗 ). P (𝑌𝑗 = 𝑥) (4.45)
𝑇→∞ 𝑇
𝑥=𝑆𝑗 +1
Pour 𝑚𝑗 → ∞ , c’est-à-dire que le nombre d’équipements dans les sous-réseaux régionaux est
infini, le temps d’inter-arrivées des pièces de rechange va tendre vers une distribution de Poisson
de paramètre λ𝑗 .
Si les capacités des stations de réparation et des différents canaux de transport sont considérées
illimitées, la part des coûts réservés à la réparation et au transport peut être considérée comme un
investissement d’assignation au sens comptable, donc ce sont des coûts fixes qui peuvent être
actualisés au fur et à mesure :
𝑘
𝐶(𝑆0 , 𝑆𝑗 ) = 𝐶ℎ . ( 𝐸[𝑂𝐻0 (𝑆0 ) ] + ∑ 𝐸[𝑂𝐻𝑗 (𝑆0 , 𝑆𝑗, )]) + 𝐶𝑓 (4.46)

𝑗=1
Dans cet environnement où les capacités sont illimitées, le type de processus stochastique qui
engendre le transport et la réparation n’a point d’impact sur le processus résultant comme stipule
le théorème de Palm (1938), il peut être de distribution générale de moyen de temps de réparation
1
égal à µ. Comme nous l’avons mentionné dans le chapitre 3, cet environnement est adapté au
contexte METRIC (Sherbrooke (1968)).
95
Dans le même contexte, le processus de défaillance suit une loi de poisson de paramètre constant
1
λ et de délai de traitement général de moyenne µ. On peut considérer des délais de transports par
unités de temps (1unité de temps), la probabilité en régime permanent qu’il y ait x pièces
défectueuses dans la réparation (Palm (1938)) :
𝜆𝑥 − µλ
𝑃{𝑋 = 𝑥} = 𝑥 𝑒 ; 𝑥 entier (4.47)
µ . 𝑥!
λ
𝐸[𝑋 ] = (4.48)
µ
Le taux d’arrivée des pièces défectueuses à la station de réparation (cas d’une station de réparation
centrale) :
𝑘
𝜆 = ∑ 𝜆𝑗 (4.49)
𝑗=1
𝐸𝐵𝑂0 (𝑆0 ) = 𝐸[𝑋 ] − 𝑆0 + 𝐸𝑂𝐻(𝑆0 )
Et des équations (4.48) et (4.11):

𝑆0
λ
𝐸𝐵𝑂0 (𝑆0 ) = − 𝑆0 + ∑(𝑆0 − 𝑥)P (𝑋 = 𝑥) (4.50)
µ
𝑥=0
De l’équation (4.20) nous tirons la même expression en régime permanent:
𝑌𝑗 = 𝛼𝑗 . 𝐵𝑂0 + 𝑁5,𝑗 (4.51)
En assurant l’indépendance stochastique des distributions de 𝑁5,𝑗 et 𝛼𝑗 𝐵𝑂0, la distribution de 𝑌𝑗

est le résultat de la convolution des deux distributions 𝑁5,𝑗 et 𝛼𝑗 𝐵𝑂0.
Pour des distributions quelconques, la convolution des deux distributions (𝑁5,𝑗 et 𝛼𝑗 𝐵𝑂0.) peut être
déterminée approximativement par des procédures numériques.

𝑆𝑗
𝐸𝐵𝑂𝑗 (𝑆0 , 𝑆𝑗 ) = 𝐸[𝑌𝑗 ] − 𝑆𝑗 + ∑(𝑆𝑗 − 𝑥)P (𝑌𝑗 = 𝑥) (4.52)

𝑥=0
96
NB: Pour le cas où le nombre de pièces de rechange dans le canaux de transport du stock central
vers le stock régional j, 𝑁5,𝑗 , est considéré négligeable (𝑁5,𝑗 ≈ 0).Cela traduit par des moyens de
transport rapides et des taux de défaillance faible:
𝑌𝑗 = 𝛼𝑗 𝐵𝑂0 (4.53)
La moyenne de 𝑌𝑗 est écrite:
𝐸[𝑌𝑗 ] = 𝐸[𝑁5,𝑗 ] + 𝐸[ 𝛼𝑗 . 𝐵𝑂0 ] (4.54)
Si 𝛼𝑗 et 𝐵𝑂0 sont mutuellement exclusifs:
𝐸[𝑌𝑗 ] = 𝐸[𝑁5,𝑗 ] + 𝐸[ 𝛼𝑗 ]. 𝐸𝐵𝑂0 (𝑆0 ) (4.55)

𝑆𝑗
𝐸𝐵𝑂𝑗 (𝑆0 , 𝑆𝑗 ) = 𝐸[𝑁5,𝑗 (𝑡)] + 𝐸[ 𝛼𝑗 ]. 𝐸𝐵𝑂0 (𝑆0 ) − 𝑆𝑗 + ∑(𝑆𝑗 − 𝑥)P (𝑌𝑗 = 𝑥) (4.56)
𝑥=0
Si les composants des équipements sont de criticité égale, ce qui est moins réaliste dans le cas d’un
réseau d’équipements constitués de plusieurs composants critiques, la règle FIFO convient le
mieux. On peut donner une approximation à 𝛼𝑗 en réalisant un contexte binomial typique:
𝑆0 +𝑀+∑𝑘
𝑗=1 𝑠𝑗 𝑥 𝑦−𝑥
𝑦 𝜆𝑗 𝜆𝑗
𝑃 (𝐵𝑂𝑗 = 𝑥) = ∑ ( )( 𝑘 ) (1 − 𝑘 ) 𝑃 (𝐵𝑂0 = 𝑦) (4.57)
𝑥 ∑𝑗=1 𝜆𝑗 ∑𝑗=1 𝜆𝑗
𝑦=𝑥
L’équation (4.54) devient:

𝜆𝑗
𝐸[𝑌𝑗 ] = 𝐸[𝑁5,𝑗 ] + 𝑘 𝐸𝐵𝑂0 (𝑆0 ) (4.58)
∑𝑗=1 𝜆𝑗
𝜆𝑗
𝐸[ 𝛼𝑗 ] = (4.59)
∑𝑘𝑗=1 𝜆𝑗
𝑁5,𝑗 suit une loi de Poisson à paramètre 𝜆𝑗 . 𝐸[𝑡5,𝑗 ], l’équation (4.56) devient:
𝑆𝑗
𝜆𝑗
𝐸𝐵𝑂𝑗 (𝑆0 , 𝑆𝑗 ) = 𝜆𝑗 . 𝐸[𝑡5,𝑗 ] + 𝐸𝐵𝑂0 (𝑆0 ) − 𝑆𝑗 + ∑(𝑆𝑗 − 𝑥)P (𝑌𝑗 = 𝑥) (4.60)
𝑥=0
Même si cette hypothèse parait limitative, elle peut garantir une approximation valable si les
conditions citées auparavant s’imposent.
97
Le problème d’optimisation peut être résolu par l’algorithme de programmation proposé ci-
dessous :
ALGORITHME.4.1
𝐶𝑓 , 𝐶ℎ , 𝜆𝑗 , µ , 𝑚𝑗 , 𝜆 = ∑𝑘𝑗=1 𝜆𝑗 , 𝑀 = ∑𝑘𝑗=1 𝑚𝑗
𝐵𝑢𝑑𝑔𝑒𝑡−𝐶𝑓 𝐵𝑢𝑑𝑔𝑒𝑡−𝐶𝑓
Pour 𝑆0 = 1,2, … ⌈ ⌉; Pour 𝑆𝑗 = 1,2, … ⌈ ⌉;
𝐶ℎ 𝐶ℎ
Étape 1: Pour une distribution de𝑋:
- Déterminer 𝐸𝑂𝐻0 (𝑆0 ) ∶

𝑆0
𝐸𝑂𝐻0 (𝑆0 ) = ∑(𝑆0 − 𝑥) P (𝑋 = 𝑥)

𝑥=0
- Déterminer 𝐸𝐵𝑂0 (𝑆0 ):
λ
𝐸𝐵𝑂0 (𝑆0 ) = − 𝑆0 + 𝐸𝑂𝐻0 (𝑆0 )
µ
Étape 2 : pour tout j = 1 à k

- Déterminer 𝑌𝑗 :
𝑌𝑗 = 𝛼𝑗 𝐵𝑂0 + 𝑁5,𝑗
𝑌𝑗 : 𝑝𝑟𝑜𝑐é𝑑𝑢𝑟𝑒 𝑛𝑢𝑚é𝑟𝑞𝑢𝑒, 𝑎𝑝𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑡𝑖𝑜𝑛𝑠(𝑀𝐸𝑇𝑅𝐼𝐶, 𝐺𝑅𝐴𝑉𝐸𝑆, 𝐴𝐷𝐴𝑁 𝐸𝑇 𝐴𝐿. 𝑒𝑡𝑐. )
𝑆𝑗
𝐸𝑂𝐻𝑗 (𝑆𝑗 ) = ∑(𝑆𝑗 − 𝑥) P (𝑌𝑗 = 𝑥)

𝑥=0
𝜆𝑗
𝐸𝐵𝑂𝑗 (𝑆0 , 𝑆𝑗 ) = 𝜆𝑗 . 𝐸[𝑡5,𝑗 ] + 𝑘
𝐸𝐵𝑂0 (𝑆0 ) − 𝑆𝑗 + 𝐸𝑂𝐻𝑗 (𝑆𝑗 )
∑𝑗=1 𝜆𝑗
Étape 3 :
- Déterminer la disponibilité A:
∑𝑘𝑗=1 𝐸𝐵𝑂𝑗 (𝑆0 , 𝑆𝑗 )
1−
𝑀
- Déterminer le coût total C
𝑘
𝐶(𝑆0 , 𝑆𝑗 ) = 𝐶ℎ . (𝐸𝑂𝐻(𝑆0 ) + ∑ 𝐸𝑂𝐻𝑗 (𝑆𝑗 )) + 𝐶𝑓

𝑗=1
Les résultats du modèle à deux échelons dépendent essentiellement de l’approximation de 𝑌𝑗 qui

est la convolution des deux distributions 𝑁5,𝑗 et 𝛼𝑗 𝐵𝑂0 .
Sherbrooke(1968) utilise une approximation simple pour caractériser 𝑌𝑗 par une distribution de
Poisson à paramètre 𝜆̅ = 𝐸[𝑌𝑗 ] .
Graves (1985) utilise une évaluation approximative de 𝑌𝑗 en utilisant le Two-Moment Fits. La
𝑉𝐴𝑅[𝑌𝑗 ] 𝑉𝐴𝑅[𝑌𝑗 ]
distribution résultante dépend du rapport . Si < 1, on peut considérer 𝑌𝑗 de
𝐸[𝑌𝑗 ] 𝐸[𝑌𝑗 ]
98
𝑉𝐴𝑅[𝑌𝑗 ]
distribution binomiale négative. Si = 1 la distribution 𝑌𝑗 peut être approximée par une
𝐸[𝑌𝑗 ]
distribution de Poisson à paramètre constant 𝜆̅ = 𝐸[𝑌𝑗 ].

Aussi, Adan et al. (1996) proposent une évaluation approximative en utilisant une mixture de
distributions (Binomiale, Poisson, Binomiale négative et Géométrique). La distribution convenant
à 𝑌𝑗 dépend du coefficient de variation 𝑎𝑗 :
𝑉𝐴𝑅[𝑌𝑗 ] − 𝐸[𝑌𝑗 ]
𝑎𝑗 = 2
𝐸[𝑌𝑗 ]
Notre approche consiste à générer une procédure numérique permettant de trouver la convolution
des deux distributions discrètes 𝑁5,𝑗 et 𝛼𝑗 𝐵𝑂0:
𝑧=𝑥
𝑃(𝑌𝑗 = 𝑥) = ∑ 𝑃(𝐵𝑂𝑗 = 𝑧). 𝑃(𝑁5,𝑗 = 𝑥 − 𝑧) (4.61)

𝑧=0
À partir des distributions des probabilités de 𝛼𝑗 𝐵𝑂0 , (équation (4.56)) et de la distribution de 𝑁5,𝑗
qui est supposé suit une loi de Poisson à paramètre 𝜆𝑗 . 𝐸[𝑡5,𝑗 ]:
𝑧 𝑦−𝑧
𝑧=𝑥 ∑ ( )( ) (1 − ) 𝑃 (𝐵𝑂0 (𝑆0 ) = 𝑦).
𝑧 ∑𝑘𝑗=1 𝜆𝑗 ∑𝑘𝑗=1 𝜆𝑗
𝑃(𝑌𝑗 = 𝑥) = ∑ 𝑦=𝑧 (4.62)
𝑥−𝑧
𝑧=0 (𝜆𝑗 . 𝐸[𝑡5,𝑗 ]) ]
𝑒 −(𝜆𝑗.𝐸[𝑡5,𝑗
(𝑥 − 𝑧)!
𝑃(𝑌𝑗 = 𝑥)
𝑆0 𝑆0 +𝑀+∑𝑘𝑗=1 𝑠𝑗
𝑦
𝜆 𝑛
−
λ 𝜆𝑗 𝜆(𝑦+𝑆0 ) −
λ
µ . 𝑒 −(𝜆𝑗 .𝐸[𝑡5,𝑗 ] ; 𝑝𝑜𝑢𝑟 𝑥 = 0
∑ 𝑛 𝑒 µ + ∑ (1 − ) 𝑒
µ . 𝑛! ∑𝑘𝑗=1 𝜆𝑗 µ(𝑦+𝑆0 ) . (𝑦 + 𝑆0 )!
𝑛=0 𝑦=1
𝑆0 𝑆0 +𝑀+∑𝑘𝑗=1 𝑠𝑗
𝑦
𝜆 −
λ𝑛 𝜆𝑗 𝜆(𝑦+𝑆0 ) −
λ (𝜆 . 𝐸[𝑡 ]) 𝑥
5,𝑗
∑ 𝑛 𝑒 µ+ ∑ (1 − 𝑘 ) (𝑦+𝑆 ) 𝑒 . 𝑗
µ ]
𝑒 −(𝜆𝑗.𝐸[𝑡5,𝑗 +
µ . 𝑛! ∑𝑗=1 𝜆𝑗 µ 0 . (𝑦 + 𝑆0 )! 𝑥!
𝑛=0 𝑦=1
= +
𝑧 𝑦−𝑧
𝑦 𝜆𝑗 𝜆𝑗 𝜆(𝑦+𝑆0 ) −
λ
𝑧=𝑥 ∑ ( )( ) (1 − ) 𝑒 µ. 𝑘
𝑧 ∑𝑘𝑗=1 𝜆𝑗 ∑𝑘𝑗=1 𝜆𝑗 µ(𝑦+𝑆0 ) . (𝑦 + 𝑆0 )!
∑ 𝑦=𝑧 ; 𝑝𝑜𝑢𝑟 𝑥 ≤ 𝑆0 + 𝑀 + ∑ 𝑠𝑗
𝑥−𝑧
𝑧=1 (𝜆𝑗 . 𝐸[𝑡5,𝑗 ]) ]
𝑗=1
𝑒 −(𝜆𝑗.𝐸[𝑡5,𝑗
(𝑥 − 𝑧)!
{ (4.63)
99
La procédure itérative s’arrête lorsque 𝐸𝐵𝑂𝑗 (𝑆0 , 𝑆𝑗 ) et/ou 𝐸𝑂𝐻𝑗 (𝑆0 , 𝑆𝑗 ) convergent et ce pour des
valeurs 𝑥, 𝑧 et 𝑦 comprises, dans l’intervalle, [0, 𝑆0 + 𝑀 + ∑𝑘𝑗=1 𝑠𝑗 ].
Prenons l’exemple d’une organisation disposant d’un parc de 𝑚𝑗 équipements mono-composant

critique (taux de panne 𝜆𝑗 ), d’un stock central (𝑆0 ), d’un atelier de réparation (taux de réparation
µ ) et de douze stocks régionaux (𝑆𝑗 ) (j=12). Le coût de stockage (𝐶ℎ ) est supposé le même pour
toutes les régions y compris le stock central. Les délais de transfert (temps de transport) sont
considérés à l’unité. 𝑡𝑖,𝑗 = 1 ; (𝑖 = 1, 3, 5).
𝑚𝑗 = 100, 150, 100, 150, 100, 150, 100, 150, 100, 150, 100, 150
𝜆𝑗 = 0.15, 0.2, 0.13, 0.23,0.32, 0.26, 0.29, 0.4, 0.14 , 0.28, 0.11, 0.25
µ = 0.25; 𝐶ℎ = 10000$.
Les résultats obtenus sont comparés avec les trois autres approches, Sherbrooke (1968), Graves
(1985) et Adan et al. (1996), que nous avons encodées dans des programmes respectifs.
Figure.4.2. Niveaux stocks régionaux. Résultats obtenus par Projet.Multi.Echelon.Matlab.R.2014a pour quatre
approches : notre procédure numérique (BLEU), Sherbrooke (1968) (NOIRE), Graves (1985) (VERT) et Adan et al.
(1996) (ROUGE)
100
Figure.4.3. Zoom sur le stock 3
Figure.4.4. Nombre de Backorder. Résultats obtenus par Projet.Multi.Echelon.Matlab.R.2014a pour quatre

approches : notre procédure numérique (BLEU), Sherbrooke (1968) (NOIRE), Graves (1985) (VERT) et Adan et al.
(1996) (ROUGE)
101
Figure.4.5. Zoom sur le stock 10
NB : Le détail des résultats est donné en Annexe.E.
Figure.4.6. Écarts constatés avec les trois autres approches, Sherbrooke (1968), Graves (1985) et Adan et al. (1996)
NB: Si le stock central est de capacité infinie, on aura 𝐸𝐵𝑂0 (𝑆0 ) = 0 (aucune rupture de stock
central n’est envisagée), les modèles pourraient être adaptés au contexte mono-échelon, similaire
à celui traité dans le chapitre 2.
Si nous étendons ce problème pour le cas multi-composant, similaire à ce que nous avons abordé
à la section.2.5.2, nous nous retrouverons avec un problème d’optimisation de grande taille. Par
conséquent, sa résolution est très difficile en raison de la complexité du problème. Plusieurs
méthodes d’évaluation ont été proposées dans la littérature traitant ce type de problème, soit par
102
des méthodes exactes (Slay (1984), Graves (1985), Caggiano et al. (2007), Rustenburg et al. (2003),
Stenius et al. (2011)), soit par des méthodes d’approximations (heuristiques) (Wong et al. (2007)).
Une bonne revue de méthodes de résolution de ce type de problèmes se trouve dans Kranenburg,
et Van Houtum (2015).
En relâchant l’hypothèse METRIC (les capacités et le nombre d’équipements dans le réseau étaient
supposées illimités), Diaz et Fu (1997) ont proposé des modèles approximatifs pour traiter les
problèmes à capacité de réparation limitée. Ensuite, Ils ont effectué une étude comparative entre
trois méthodes: METRIC Sherbrooke (1968), l’approximation de Two-Moment Fits (Graves
(1985)) et l’estimation de 𝐸[𝑁2 ] et VAR[𝑁2 ] par le modèle M/M/K (Gross et Harris (1985)). Des
λ
écarts importants ont été constatés pour différentes intensités et différents taux de services. Ces
µ
écarts sont dus au phénomène d’attente provoqué par la contrainte de capacité des stations de
λ
réparation surtout quand µ
augmente. Plusieurs approximations intéressantes ont été détaillées à
la section.2.4.2.1 pouvant servir d’approximation pour évaluer les modèles multi-échelon.
Par ailleurs, nous tenons à préciser que le réseau étudié jusqu’à présent est adapté à la plupart des
organisations industrielles, particulièrement, les entreprises dont le déploiement peut franchir les
frontières, ex. Plateformes pétrolières, réseaux éoliens, etc. Plusieurs configurations peuvent être
envisagées, l’objectif de toute organisation est de concevoir un réseau profitable, durable et robuste,
capable de s’adapter à tous les futurs plausibles. Le choix d’une configuration donnée doit être en
cohérence avec la stratégie de l’entreprise à long terme en maximisant le rendement du capital
investi ROC. Comme nous l’avons précisé au Chapitre 1, les entreprises de production de biens et
de services vivent des mutations, on peut assister des développements technologiques, des
restructurations (Alliances, fusions, etc.) qui poussent les entreprises à revoir leurs installations et
l’architecture global du réseau par des implantations et des retraits afin de s’adapter avec la
conjoncture de la nouvelle économie ou à conquérir de nouveaux marchés. Cette problématique
relève de la planification stratégique et de la réingénierie des réseaux d’affaires, ce volet dépasse
les objectifs de notre mémoire. Pour la problématique de design des chaînes logistiques et du choix
des sites d’affaires, voir Brown et Gibson (1972), Daganzo et Newell (1986), Langevin et Riopel
(2005), Martel (2007).
La Figure 4.2. Illustre un exemple d’une organisation où chaque région détient un stock et un
atelier de réparation. Le modèle mathématique décrivant tous les processus du réseau subira peu
de changement:
𝑘
𝑁3 (𝑡) = ∑ 𝑁3,𝑗 (𝑡) (4.64)

𝑗=1
Sous les mêmes hypothèses (capacités illimitées, population infinie), tous les coefficients du
modèle restent inchangés, hormis, les arrivées 𝑁3,𝑗 des pièces (réparées ou commandées) au stock
central qui peuvent être représentées par une distribution de poisson avec paramètre
103
𝜆𝑗
. 𝐸[𝑡1,𝑗 ]. . 𝐸[𝑡3,𝑗 ], où 𝐸[𝑡1,𝑗 ]. . 𝐸[𝑡3,𝑗 ] représentent les temps moyen de transports dans les canaux
µ
liant le parc machine, l’atelier de réparation et le stock central.
Stock central
S0 N4 N3,1
N3,j N3,2
N5,j N5,2 N5,1
Stock Stock Stock

Sj Atelier de Atelier de Atelier de
j 2 1
réparation réparation réparation
N6,j N2,j N6,2 N2,2 N6,1 N2,1
N7j N7,2 N1,2 N7,1 N1,1
N1,j
N0,j N0,2 N0,1

mj m2 m1
Canaux de transport
Figure.4.7. Réseau d’alimentation à deux échelons avec des ateliers de réparation régionaux
Le réseau logistique peut avoir plusieurs configurations, et ce, selon les objectifs de l’organisation
et sa mission. Le pilotage des flux au niveau tactique dépend de comment les ressources durables
de l’entreprise (magasins, ateliers, entrepôts, etc.) sont déployées, de la planification des moyens à
engager, et de la politique de contrôle des flux (physiques ou symboliques) adoptée.
Si la configuration du réseau est liée principalement à l’aménagement et au déploiement physique
des installations de l’entreprise, le pilotage des flux peut agir avec une certaine flexibilité. Partager
les ressources et échanger de la matière et de l’information entre sites régionaux peut engendrer
des gains substantiels et des performances élevées. Cette configuration qui est de nature purement
logique requiert un système d’information performant et des modèles de décisions robustes
permettant au gestionnaire d’agir avec une certaine flexibilité par rapport au mode de gestion
classique.
L’une des problématiques qui préoccupe les chercheurs et les praticiens du domaine de la gestion
des pièces de rechange est la possibilité de transferts et d’échanges de pièces (éventuellement de
l’information) entre les sites de même échelon. Soulignons que lorsque le transport est lent, les
quantités des pièces dans les canaux de transport (𝑁1,𝑗 (𝑡), 𝑁3,𝑗 (𝑡), 𝑁5,𝑗 (𝑡), 𝑁7,𝑗 (𝑡)) augmentent.
L’idée de commander des pièces de rechange à partir des stocks adjacents est motivée par des coûts
104
fixes qui sont très élevés lors de la mobilisation des ressources, des coûts prohibitifs de transport
urgent pour certaines catégories de pièces où l’accessibilité aux sites, la portée et le poids des pièces
sont des facteurs déterminants dans la stratégie de rapprovisionnement à adopter. Cette
problématique de possibilités de transferts latéraux entre stocks de même échelon est le sujet de
notre prochain chapitre.
4.4.Conclusion
Ce chapitre a été consacré au développement mathématique d’un modèle multi-échelon,

particulièrement pour des réseaux logistiques à deux échelons. Nous avons présenté une démarche
structurée pour le développement des modèles de décision en tirant des cas spéciaux intéressants,
qui font référence à quelques contributions dans le domaine. Nous avons proposé une
approximation permettant d’évaluer le modèle. Une étude comparative a été effectuée.
L’approximation que nous avons proposée donne de bons résultats en se calant avec les meilleures
contributions dans le domaine.
105
Chapitre 5

assujettis à des défaillances aléatoires : Modèles multi-échelon avec
des possibilités d’échanges latéraux entre stocks de même échelon
5.1.Introduction
Dans ce chapitre, nous présentons un modèle, qui est désormais, une extension du modèle
précédent, cette fois-ci, les échanges entre stocks régionaux sont permis, et le modèle
mathématique qui décrit l’ensemble des processus du réseau prend en compte cette particularité
avec le processus stochastique sous-jacent qui décrit le temps et le taux de livraison par transfert
latéral ainsi que le coût qui y est attaché. Même si cette pratique existe dans la réalité des
entreprises, malheureusement, elle se limite au niveau opérationnel. Soulever cette problématique
au niveau tactique et dimensionner les stocks en tenant compte des possibilités d’échanges entre
stocks régionaux constitue un défi pour les gestionnaires. Comme nous l’avons précisé auparavant,
ce nouveau mode de gestion nécessite un système d’information performant à partir duquel nous
possédons toutes les informations sur l’emplacement et le déplacement des items en temps réel,
comme stipule la politique de contrôle (S-1, S).
Notons que cette problématique a été largement abordée dans la littérature traitant les modèles de
gestion des stocks dans un contexte multi-échelon. Notre contribution permet de généraliser les
modèles déjà existants dans la littérature : Sherbrooke (2004), Lee (1987), Axsäter (1990,
Alfredsson et Verrijdt (1999), Yang et Dekker (2010) (révisés ensuite par Yang, Dekker, Axsäter
et al. (2012)) et Yang et al. (2013. Ils considèrent que le temps le stock central à capacité finie et
le temps pour transiter une pièce du stock central vers un stock régional est supposé déterministe.
Nous relâchons ces deux hypothèses et nous proposons un modèle permettant de contrôler et
dimensionner les ressources d’un réseau logistique à deux échelons avec un stock central, qui est
supposée cette fois-ci, de capacité finie et de temps de transit suivant une distribution exponentielle
ou quelconque. Des cas particuliers intéressants découlent du modèle proposé, et une comparaison
avec d’autres modèles de la littérature est effectuée.
106
5.2.Modèle
Considérons le même réseau étudié dans le chapitre précédent, mais cette fois-ci avec la possibilité
d’effectuer des transferts latéraux entre les stocks de même échelon, tel que présenté dans la Figure.
5.1
Stock central
Canaux de
S0 N4 N3 réparation
N2
N1,k N1,j N1,2 N1,1

N5,k N5,i N5,2 N5,1
Stock Stock Stock Stock

Si
k j 2 1
N6,k N6,j N6,2 N6,1
N7,k N7j N7,2 N7,1
N0,k N0,j N0,2 N0,1

mk mj m2 m1
Canaux de transport
Figure.5.1. Réseau d’alimentation à deux échelons avec transfert latéraux
Si toutefois le recours à des commandes d’urgence est motivé par un déficit de ressources, opter
pour des commandes en sollicitant des stocks voisins permet de pallier à d’éventuelles pénuries.
Comme nous avons proposé un temps d’attente maximal dans la file avant tout déclenchement
d’urgence, de la même façon, la procédure de commande latérale n’est pas automatique, c’est-à-
dire, une rupture momentanée du stock j ne constitue pas une raison suffisante pour déclencher un
processus de réapprovisionnement latéral, car il y a toujours un certain nombre de pièces en cours
(𝑁5,𝑗 (𝑡)), qui sont dans les canaux de réparation et qui peuvent arriver après un certain temps.
Donc, la décision de déclencher ou non un processus de commande latéral dépend de l’information
sur les pièces qui sont dans les canaux de transport.
𝑙𝑎𝑡
Si on note 𝑡𝑖𝑗 le temps de livraison d’une pièce du stock i vers les stocks j (qui est en rupture),
une procédure de commande latérale serait déclenchée si au moment de la rupture de stock, la pièce
𝑙𝑎𝑡
dans le canal de transport se trouve à une distance de (𝑡5,𝑗 − 𝑡) > 𝑡𝑖𝑗 ou à une distance de (𝑡5,𝑗 −
𝑡) > 𝑇 lorsque le service offert se trouve dans une limite de temps d’attente maximal 𝑊 𝑂𝑏𝑗 = 𝑇.
107
T étant le délai requis pour déclencher une procédure latérale, ce délai T est une variable de
décision, elle constitue une mesure de performance qui doit être déterminée en fonction du niveau
de service rendu (NS).
Donc, pour une région j donnée, nous nous retrouvons avec :
- 𝑁𝑆𝑗0 , la proportion de la demande qui est satisfaite immédiatement par le stock j. Elle peut
être exprimée par la probabilité qu’il y ait un stock en main 𝑂𝐻𝑗 > 0:
𝑁𝑆𝑗0 = 𝑃 (𝑁6,𝑗 > 0) (5.1)
- 𝑁𝑆𝑗𝑡≤𝑇 , la proportion de la demande qui est satisfaite dans l’intervalle ]0, 𝑇] en provenance
du stock central. Elle peut être exprimée par la probabilité que la pièce de rechange soit
mise à disposition avec un maximum temps d’attente T :
𝑁𝑆𝑗𝑡≤𝑇 = 𝑃 (0 < 𝑊𝑗 ≤ 𝑇) (5.2)
- 𝑁𝑆𝑗𝑖𝐿𝑎𝑡 , la proportion de la demande de la région 𝑗 satisfaite par le stock 𝑖 ≠ 𝑗 ∈
{1, 2. . , 𝑘} via transfert latéral:
D’abord, ce processus sera enclenché lorsque la région j est en rupture de stock et les pièces
de rechanges dans le canal de transport se trouvent à une distance (𝑡5,𝑗 − 𝑡) > 𝑇.
Si les deux évènements, stock j’en rupture (𝑁6,𝑗 ≤ 0) et la pièce de rechange se trouve à
une distance excédant T (𝑊𝑗 > 𝑇) sont indépendants, La probabilité conjointe peut être
exprimée par:
𝑃 (𝑁6,𝑗 ≤ 0 𝑜𝑢 𝑊𝑗 > 𝑇 ) = (1 − 𝑃 (𝑁6,𝑗 > 0) − 𝑃 (0 < 𝑊𝑗 ≤ 𝑇)) (5.3)
𝑃 (𝑁6,𝑗 ≤ 0 𝑒𝑡 𝑊𝑗 > 𝑇 ) = (1 − 𝑁𝑆𝑗0 − 𝑁𝑆𝑗𝑡≤𝑇 ) (5.4)
Ensuite, on sollicite un stock parmi l’ensemble des stocks i ≠ 𝑗 ∈ {1, 2. . , 𝑘} selon un ordre
établi. L’ordre peut résulter d’une analyse mono (multi)-critère. Les critères de priorisation
sont souvent : la distance, les coûts (transport, stockage, etc.), l’état du stock, etc. Pour un
ordre donné, les stocks jugés capables de servir la région j (en rupture de stock) via le
transfert latéral construisent un ensemble :
𝐸𝑗𝑜𝑟𝑑 = {𝑖1 , 𝑖2 , 𝑖3 … 𝑖𝑝−1 , 𝑖𝑝 , … 𝑖𝑘−1 }
Dans la réalité du terrain, un stock 𝑖𝑝 est sollicité lorsque son état se trouve en dessus d’un
niveau, 𝑠𝑖𝑟 , jugé requis pour alimenter un autre stock de même échelon et les stocks
prioritaires, 𝑖1 , 𝑖2 , 𝑖3 … 𝑖𝑝−1 , s’y trouvent en dessous. 𝑠𝑖𝑟 peut être considéré comme une
variable de décision qui s’agence au modèle décisionnel. Ce niveau 𝑠𝑖𝑟 doit être suffisant
afin d’éviter un risque d’une rupture stock effectuant le transfert latéral.
Si tous les évènements sont supposés indépendants, la probabilité de choisir le stock 𝑖𝑝 , de

l’ensemble 𝐸𝑗𝑜𝑟𝑑 , sachant que les stocks prioritaires: 𝑖1 , 𝑖2 , 𝑖3 … 𝑖𝑝−1 sont en dessous- de
𝑠𝑖𝑟 , peut être exprimée par le produit des probabilités:
108
𝑃 (𝑁6,𝑖𝑝 ≥ 𝑠𝑖𝑟 /𝑁6,𝑙 < 𝑠𝑖𝑟 ; 𝑙 < 𝑝) =
= 𝑃 (𝑁6,𝑖1 < 𝑠𝑖𝑟 ). 𝑃 (𝑁6,𝑖2 < 𝑠𝑖𝑟 ). 𝑃 (𝑁6,𝑖3 < 𝑠𝑖𝑟 ). . 𝑃 (𝑁6,𝑖𝑝−1
< 𝑠𝑖𝑟 ) . 𝑃 (𝑁6,𝑖𝑝 ≥ 𝑠𝑖𝑟 ) (5.5)
Des équations (5.3) et (5.4), la proportion de la demande de la région 𝑗 satisfaite par le

stock 𝑖 ≠ 𝑗 ∈ {1, 2. . , 𝑘} via transfert latéral: peut être exprimée par l’équation suivante:
𝑁𝑆𝑗𝑖𝐿𝑎𝑡
𝑝
= (1 − 𝑁𝑆𝑗0 − 𝑁𝑆𝑗𝑡≤𝑇 ). 𝑃 (𝑁6,𝑖1 < 𝑠𝑖𝑟 ). 𝑃 (𝑁6,𝑖2 < 𝑠𝑖𝑟 ). 𝑃 (𝑁6,𝑖3 < 𝑠𝑖𝑟 ). . 𝑃 (𝑁6,𝑖𝑝−1
< 𝑠𝑖𝑟 ) . 𝑃 (𝑁6,𝑖𝑝 ≥ 𝑠𝑖𝑟 ) (5.6)
- 𝑁𝑆𝑗𝑡>𝑇 , la proportion de demande qui est satisfaite après un délai T.
Selon le principe de conservation des flux, la somme de toutes les proportions :

𝑖=𝑘
𝑁𝑆𝑗0 + 𝑁𝑆𝑗𝑡≤𝑇 + ∑ 𝑁𝑆𝑗𝑖𝐿𝑎𝑡 + 𝑁𝑆𝑗𝑡>𝑇 = 1 (5.7)

𝑖≠𝑗=1
Nous nous intéressons à une mesure de service NS qui est la probabilité que le client (la
maintenance) soit servi dans un délai situé dans l’intervalle[0, 𝑇].
𝑖=𝑘
𝑁𝑆 = 1 − 𝑁𝑆𝑗𝑡>𝑇 = 𝑁𝑆𝑗0 + 𝑁𝑆𝑗𝑡≤𝑇 + ∑ 𝑁𝑆𝑗𝑖𝐿𝑎𝑡 (5.8)

𝑖≠𝑗=1
Toutefois, nous pouvons nous intéresser à plusieurs taux de services si le réseau est géré par
plusieurs organisations ou, si, tout simplement, le gestionnaire contrôle un portefeuille de pièces
de rechange ayant plusieurs classes, donc plusieurs niveaux de criticités susceptibles d’exiger des
niveaux de services différents.
Si on note :
𝜏𝑗𝑖 : La distribution caractérisant le nombre des pièces demandées par le réseau régional j et qui est
satisfait par le stock régional i ≠ 𝑗 ∈ {1, 2. . , 𝑘} via des transferts latéraux.
𝜏𝑖𝑗 : La distribution caractérisant le nombre des pièces demandées par le réseau régional i ≠ 𝑗 ∈
{1, 2. . , 𝑘} et qui est satisfait par le stock régional j via des transferts latéraux.
Si le processus stochastique décrivant la probabilité de défaillance des équipements suit une loi de
Poisson de paramètre 𝜆𝑗 , et la capacité des canaux de transport est supposée illimitée (indépendance
stochastique, Palm (1938)), la moyenne de la distribution 𝜏𝑗𝑖 (𝜏𝑖𝑗 ) , 𝐸[𝜏𝑗𝑖 ] ( 𝐸 [𝜏𝑖𝑗 ]) peut être
exprimée par la relations suivante:
109
𝑙𝑎𝑡
𝐸[𝜏𝑗𝑖 ] = 𝜆𝑖 . ( 𝑡5,𝑖 + 𝑡𝑖𝑗 ). 𝑁𝑆𝑗𝑖𝐿𝑎𝑡 (5.9)
𝐸[𝜏𝑖𝑗 ] = 𝜆𝑗 . ( 𝑡5,𝑗 + 𝑡𝑗𝑖𝑙𝑎𝑡 ). 𝑁𝑆𝑖𝑗𝐿𝑎𝑡 (5.10)
Le nombre de pièces de rechange en stock j, dépend de 𝑌𝑗 exprimée par l’équation (4.51) (résultant
de la convolution de 𝛼𝑗 𝐵𝑂0 , le nombre de Backorder du stock central, de 𝑁5,𝑗 , le nombre des
pièces de rechange dans les canaux de transport), de ∑𝑖=𝑘 𝑖≠𝑗=1 𝜏𝑗𝑖 , caractérisant la somme de pièces
demandées par le réseau régional j qui est satisfaite par les stocks régionaux i ≠ 𝑗 ∈ {1, 2. . , 𝑘} via
des transferts latéraux, et de ∑𝑖=𝑘
𝑖≠𝑗=1 𝜏𝑖𝑗 caractérisant la somme de pièces demandées par les stocks
régionaux i ≠ 𝑗 = {1, 2. . , 𝑘} via des transferts latéraux qui est satisfaite par le stock régional j.
𝑖=𝑘 𝑖=𝑘
𝑁6,𝑗 + 𝛼𝑗 𝐵𝑂0 + 𝑁5,𝑗 − ∑ 𝜏𝑗𝑖 + ∑ 𝜏𝑖𝑗 = 𝑆𝑗 (5.11)

𝑖≠𝑗=1 𝑖≠𝑗=1
𝑖=𝑘 𝑖=𝑘
𝑁6,𝑗 = 𝑆𝑗 − 𝛼𝑗 𝐵𝑂0 − (𝑁5,𝑗 − ∑ 𝜏𝑗𝑖 + ∑ 𝜏𝑖𝑗 ) (5.12)

𝑖≠𝑗=1 𝑖≠𝑗=1
Posons :
𝑖=𝑘 𝑖=𝑘
∗
𝑁5,𝑗 = 𝑁5,𝑗 − ∑ 𝜏𝑗𝑖 + ∑ 𝜏𝑖𝑗 (5.13)
𝑖≠𝑗=1 𝑖≠𝑗=1
∗
𝑁6,𝑗 = 𝑆𝑗 − 𝛼𝑗 𝐵𝑂0 − 𝑁5,𝑗 (5.14)
Posons :
∗
𝑌𝑗 ∗ = 𝛼𝑗 𝐵𝑂0 + 𝑁5,𝑗 (5.15)
𝑁6,𝑗 = 𝑆𝑗 − 𝑌𝑗 ∗ (5.16)
∗
Trois scénarios sont envisageables pour 𝑁5,𝑗 en fonction de l’état du stock 𝑁6,𝑗 .
∗
𝑁5,𝑗 = 𝑁∗5,𝑗 . 𝑃 (𝑁6,𝑗 ≥ 𝑠𝑗𝑟 ) + 𝑁∗5,𝑗 . 𝑃 (0 < 𝑁6,𝑗 < 𝑠𝑗𝑟 ) + 𝑁∗5,𝑗 . 𝑃 (𝑁6,𝑗 < 0) (5.17)
𝑖=𝑘
∗
𝑁5,𝑗 .𝑃 (𝑁6,𝑗 ≥ 𝑠𝑟𝑗 ) = 𝑁5,𝑗 . 𝑃 (𝑁6,𝑗 ≥ 𝑠𝑟𝑗 ) + ∑ 𝜏𝑖𝑗 ; 𝑠𝑖 𝑁6,𝑗 ≥ 𝑠𝑟𝑗 (5.18)
𝑖≠𝑗=1
∗
𝑁5,𝑗 . 𝑃 (0 < 𝑁6,𝑗 < 𝑠𝑗𝑟 ) = 𝑁5,𝑗 . 𝑃 (0 < 𝑁6,𝑗 < 𝑠𝑗𝑟 ); 𝑠𝑖 0 < 𝑁6,𝑗 < 𝑠𝑗𝑟 (5.19)
110
𝑖=𝑘
∗
𝑁5,𝑗 .𝑃 (𝑁6,𝑗 < 0) = 𝑁5,𝑗 . 𝑃 (𝑁6,𝑗 < 0) − ∑ 𝜏𝑗𝑖 ; 𝑠𝑖 𝑁6,𝑗 ≤ 0 (5.20)
𝑖≠𝑗=1
∗
𝑁5,𝑗 est exprimé :
𝑖=𝑘
1
𝑁5,𝑗 + ∑ 𝜏𝑖𝑗 ; 𝑠𝑖 𝑁6,𝑗 ≥ 𝑠𝑟𝑗
𝑃 (𝑁6,𝑗 ≥ 𝑠𝑟𝑗 ) 𝑖≠𝑗=1
∗
𝑁5,𝑗 = 𝑁5,𝑗 ; 𝑠𝑖 0 < 𝑁6,𝑗 < 𝑠𝑟𝑗 (5.21)
𝑖=𝑘
1
𝑁5,𝑗 − ∑ 𝜏𝑗𝑖 ; 𝑠𝑖 𝑁6,𝑗 ≤ 0
{ 𝑃 (𝑁6,𝑗 < 0) 𝑖≠𝑗=1
Le niveau du stock 𝑁6,𝑗 peut connaître trois (3) états :

é𝑞𝑢𝑖𝑣𝑎𝑙𝑒𝑛𝑡
𝑁6,𝑗 ≥ 𝑠𝑗𝑟 ⇔ ∗
𝑁5,𝑗 ≤ 𝑆𝑗 − 𝑠𝑗𝑟
𝑁6,𝑗 = 0 < 𝑁6,𝑗 < 𝑠𝑗𝑟 ⇔ 𝑆𝑗 − 𝑠𝑗𝑟 < 𝑁5,𝑗
∗
< 𝑆𝑗 (5.22)
∗
{ 𝑁6,𝑗 < 0 ⇔ 𝑁5,𝑗 > 𝑆𝑗
L’équation (5.17) peut être écrite sous la forme suivante :

𝑖=𝑘
1
𝑁5,𝑗 + ∑ 𝜏𝑖𝑗 ; 𝑠𝑖 𝑁∗5,𝑗 ≤ 𝑆𝑗 − 𝑠𝑟𝑗
𝑃 (𝑁6,𝑗 ≥ 𝑠𝑟𝑗 ) 𝑖≠𝑗=1
∗
∗
𝑁5,𝑗 = 𝑁5,𝑗 ; 𝑠𝑖 𝑆𝑗 − 𝑠𝑟𝑗 < 𝑁5,𝑗 < 𝑆𝑗 (5.23)
𝑖=𝑘
1
𝑁5,𝑗 − ∑ 𝜏𝑗𝑖 ; 𝑠𝑖 𝑁∗5,𝑗 ≥ 𝑆𝑗
{ 𝑃 (𝑁6,𝑗 < 0) 𝑖≠𝑗=1
Lors que le réseau j atteint l’équilibre, la demande moyenne tirée par le stock j peut être exprimée
par :
𝑖=𝑘
1 ∗
𝜆𝑗 . 𝑡5,𝑗 + ∑ 𝐸[𝜏𝑖𝑗 ] ; 𝑠𝑖 𝑁5,𝑗 ≤ 𝑆𝑗 − 𝑠𝑗𝑟
𝑃 (𝑁6,𝑗 ≥ 𝑠𝑗𝑟 )
𝑖≠𝑗=1
𝐸[𝑁∗5,𝑗 ]= 𝜆𝑗 . 𝑡5,𝑗 ; 𝑠𝑖 𝑆𝑗 − 𝑠𝑗𝑟 < 𝑁5,𝑗
∗
< 𝑆𝑗 (5.24)
𝑖=𝑘
1 ∗
𝜆𝑗 . 𝑡5,𝑗 − ∑ 𝐸 [𝜏𝑗𝑖 ] ; 𝑠𝑖 𝑁5,𝑗 ≥ 𝑆𝑗
{ 𝑃 (𝑁6,𝑗 < 0)
𝑖≠𝑗=1
111
𝐸[𝑁∗5,𝑗 ] =
𝑖=𝑘
1 𝑙𝑎𝑡
𝜆𝑗 . 𝑡5,𝑗 + ∑ 𝜆𝑖 . ( 𝑡5,𝑗 + 𝑡𝑗𝑖 ). 𝑁𝑆𝑖𝑗𝐿𝑎𝑡 ; 𝑠𝑖 𝑁5,𝑗
∗
≤ 𝑆𝑗 − 𝑠𝑗𝑟
𝑖≠𝑗=1
= 𝜆𝑗 . 𝑡5,𝑗 ; 𝑠𝑖 𝑆𝑗 − 𝑠𝑗𝑟 < 𝑁5,𝑗
∗
< 𝑆𝑗 (5.25)
𝑖=𝑘
1 𝑙𝑎𝑡
𝜆𝑗 . 𝑡5,𝑗 − ∑ 𝜆𝑗 . ( 𝑡5,𝑖 + 𝑡𝑖𝑗 ). 𝑁𝑆𝑗𝑖𝐿𝑎𝑡 ∗
; 𝑠𝑖 𝑁5,𝑗 ≥ 𝑆𝑗
{ 𝑃 (𝑁6,𝑗 < 0)
𝑖≠𝑗=1
Si on met les hypothèses :

𝑙𝑎𝑡
- 𝑡𝑖𝑗 = 𝑡𝑗𝑖𝑙𝑎𝑡 circuit réversible, même technologie et même performance des moyens
de transport.
𝑙𝑎𝑡
- 𝑡𝑖𝑗 ≪ 𝑡5,𝑗 est une forte hypothèse sur en la base qu’on faisait recours aux transferts
latéraux.
L’équation (5.25) peut être écrite:

∗
𝐸[𝑁5,𝑗 ]=
𝑖=𝑘
1
𝜆𝑗 . 𝑡5,𝑗 + ∑ 𝜆𝑖 . 𝑡5,𝑗 . 𝑁𝑆𝑖𝑗𝐿𝑎𝑡 ∗
; 𝑠𝑖 𝑁5,𝑗 ≤ 𝑆𝑗 − 𝑠𝑗𝑟
𝑖≠𝑗=1
= 𝜆𝑗 . 𝑡5,𝑗 ; 𝑠𝑖 𝑆𝑗 − 𝑠𝑗𝑟 < 𝑁5,𝑗
∗
< 𝑆𝑗 (5.26)
𝑖=𝑘
1
𝜆𝑗 . 𝑡5,𝑗 − ∑ 𝜆𝑗 . 𝑡5,𝑖 . 𝑁𝑆𝑗𝑖𝐿𝑎𝑡 ∗
{ 𝑃 (𝑁6,𝑗 < 0)
𝑖≠𝑗=1
La demande moyenne ( 𝑡5,𝑗 = 𝑡5,𝑖 ) tirée par chaque région j peut être exprimé:
𝑖=𝑘
1
(𝜆𝑗 + ∑ 𝜆𝑖 . 𝑁𝑆𝑗𝑖𝐿𝑎𝑡 ) . 𝑡5,𝑗 ∗
; 𝑠𝑖 𝑁5,𝑗 ≤ 𝑆𝑗 − 𝑠𝑗𝑟
𝑖≠𝑗=1
∗
𝐸[𝑁5,𝑗 ]= 𝜆𝑗 . 𝑡5,𝑗 ; 𝑠𝑖 𝑆𝑗 − 𝑠𝑗𝑟 < 𝑁5,𝑗
∗
< 𝑆𝑗 (5.27)
𝑖=𝑘
1
( 𝜆𝑗 − ∑ 𝜆𝑗 . 𝑁𝑆𝑗𝑖𝐿𝑎𝑡 ) . 𝑡5,𝑗 ∗
𝑃 (𝑁6,𝑗 < 0)
{ 𝑖≠𝑗=1
112
∗
Notons que la distribution de probabilité de la variable aléatoire 𝑁5,𝑗 peut être obtenue en utilisant
de diverses approches:
- Une approximation vers une distribution de Poisson à paramètre 𝜆𝑗∗ = 𝐸[𝑁5,𝑗 ∗
] similaire à
l’approche METRIC (Sherbrooke(1968)).
∗
- Une évaluation approximative de 𝑁5,𝑗 en utilisant le Two-Moment Fit similaire à l’approche
Graves (1985)
∗
- Une évaluation approximative de 𝑁5,𝑗 en utilisant une mixture de distributions (Binomiale,
Poisson, Binomiale négative et Géométrique) Adan et al. (1996).
- Une procédure numérique similaire à ce que nous avons effectué dans la section précédente.
La procédure numérique requiert de donner des distributions quelconques aux proportions
𝑖=𝑘
∑𝑖=𝑘
𝑖≠𝑗=1 𝜏𝑗𝑖 et ∑𝑖≠𝑗=1 𝜏𝑖𝑗 , tout d’abord, procéder à une convolution discrète ensuite, et enfin,
prouver la convergence de la distribution résultante dans le domaine étudié.
𝑖=𝑘
Dans la pratique, donner des distributions aux proportions ∑𝑖=𝑘
𝑖≠𝑗=1 𝜏𝑗𝑖 et ∑𝑖≠𝑗=1 𝜏𝑖𝑗 n’est pas évident,
sauf si l’organisation pratiquait déjà les échanges latéraux au niveau opérationnel et possède un
retour d’expérience (REX) permettant d’estimer la moyenne et la variance de la série temporelle.
L’alternative la plus pertinente est de modéliser le système de transport comme étant un système
d’attente M/M/∞ pour estimer la probabilité 𝑃(𝑁∗5,𝑗 = 𝑥) . Notons que l’hypothèse de temps de
traitement markovien demeure forte car il a été démontré par simulation que le système M/G/∞
demeure insensible aux différentes distributions de temps de traitements (déterministes,
exponentiels, ou Log-normales) (Alfredsson et Verrijdt (1999)). Donc M/G/∞ ≈ M/M/∞.
𝑖=𝑘
Si les deux processus, de défaillance ( 𝜆𝑗 ) et des transferts latéraux ( ∑𝑖=𝑘
𝑖≠𝑗=1 𝜏𝑗𝑖 et ∑𝑖≠𝑗=1 𝜏𝑖𝑗 ), sont
supposés markoviens, le processus résultant est un processus markovien à taux 𝜆𝑗∗ :
𝑖=𝑘
1
𝜂𝑗 = 𝜆𝑗 + ∑ 𝜆𝑖 . 𝑁𝑆𝑖𝑗𝐿𝑎𝑡 ; 𝑠𝑖 𝑁5,𝑗
∗
𝑖≠𝑗=1
𝜆𝑗∗ = 𝜆𝑗 ; 𝑠𝑖 𝑆𝑗 − 𝑠𝑗𝑟 < 𝑁5,𝑗
∗
< 𝑆𝑗 (5.28)
𝑖=𝑘
1
𝜎𝑗 = 𝜆𝑗 − ∑ 𝜆𝑗 . 𝑁𝑆𝑗𝑖𝐿𝑎𝑡 ∗
{ 𝑃 (𝑁6,𝑗 < 0)
𝑖≠𝑗=1
113
Et si 𝐸[ 𝑡5,𝑗 ] = 𝑡5,𝑗 est le temps moyen requis pour transporter une pièce du stock central vers le
stock régional j, le diagramme de transition d’un système M/M/∞ est représenté par la Figure.5.2 :
j
j j j j j 𝝀j 𝝀j 𝝀j j j
0 1 2 3 Sj-sjr Sj-sjr+1 Sj-1 Sj K

1/t5j 2/t5j 3/t5j 4/t5j (Sj-sjr)/t5j (Sj-sjr+1)/t5j (Sj-sjr+2)/t5j (Sj-1)/t5j Sj/t5j (Sj+1)/t5j K/t5j
Figure.5.2. diagramme de transition d’un système M/M/∞ pour le système d’attente de capacité de traitement
illimitée (temps de traitement 𝑡5,𝑗 ) et à taux 𝜆𝑗∗ de l’équation (5.28)
Nous avons procédé de la même façon qu’au Chapitre 3 afin de trouver les formules de récurrences
suivantes :
∗
𝑃(𝑁5,𝑗 = 𝑥) =
(𝜂𝑗 . 𝑡5,𝑗 )𝑥 ∗
. 𝑃(𝑁5,𝑗 = 0) ; 𝑥 = 1, … . . 𝑆𝑗 − 𝑠𝑗𝑟
𝑥!
(𝑆 −𝑠𝑟 )
𝜂𝑗 𝑗 𝑗 ( 𝜆𝑗 𝑡5,𝑗 )𝑥 ∗
= (𝜆 ) . 𝑃(𝑁5,𝑗 = 0) ; 𝑥 = 𝑆𝑗 − 𝑠𝑗𝑟 + 1, … . 𝑆𝑗 − 1 ( 5.29)
𝑗 𝑥!
(𝑆𝑗 −1)
(𝑆𝑗 −𝑠𝑗𝑟 )
𝜂𝑗 𝜆𝑗 (𝜎𝑗 𝑡5,𝑗 )𝑥 ∗
( ) ( ) . 𝑃(𝑁5,𝑗 = 0) ; 𝑥 = 𝑆𝑗 , … . . 𝐾
{ 𝜆𝑗 𝜎𝑗 𝑥!
Avec :
∗
𝑃(𝑁5,𝑗 = 0) =
1
= 𝑥 𝑟 𝑥 𝑟 (𝑆𝑗 −1) 𝑥
𝑆𝑗 −𝑠𝑟 (𝜂 . 𝑡 ) 𝑆𝑗 −1𝜂𝑗 (𝑆𝑗 −𝑠𝑗 ) ( 𝜆𝑗 𝑡5,𝑗 ) 𝜂𝑗 (𝑆𝑗 −𝑠𝑗 ) 𝜆𝑗 (𝜎𝑗 𝑡5,𝑗 )
1+ ∑𝑥=1 𝑗 𝑗 5,𝑗 + ∑𝑥= 𝑆 −𝑠𝑟 ( ) + ∑𝐾 ( ) (𝜎 )
𝑥! 𝑗 𝑗 𝜆𝑗 𝑥! 𝑥= 𝑆𝑗 𝜆𝑗 𝑗 𝑥!
(5.30)
Des équations (5.15) et (5.16), le nombre de pièces de rechange dans le stock régional j, 𝑁6,𝑗 , prend
deux formes, soit stock en main 𝑂𝐻, soit en rupture de stock, 𝐵𝑂 .
Comme nous avons procéder dans les sections précédentes, on peut décrire 𝑁6,𝑗 par l’équation
suivante:
+
𝑂𝐻𝑗 = [𝑆𝑗 − 𝑌𝑗 ∗ ]
𝑁6,𝑗 ={ . (5.31)
−
𝐵𝑂𝑗 = [𝑆𝑗 − 𝑌𝑗 ∗ )]
En utilisant le principe d’égalités des stocks en régime permanent, on obtient :

𝑂𝐻𝑗 − 𝐵𝑂𝑗 = 𝑆𝑗 − 𝑌𝑗 ∗ (5.32)
114
La probabilité que le stock en main contienne x pièces de rechange :
𝑃 (𝑌𝑗 ∗ = 𝑆𝑗 − 𝑥) 𝑠𝑖 𝑥 ≤ 𝑆𝑗
P (𝑂𝐻𝑗 = 𝑥) = { 𝑆 +𝑚 . (5.33)
𝑗 𝑗 ∗
∑𝑦=𝑆 𝑃 (𝑌𝑗 = 𝑦) 𝑠𝑖 𝑥 = 0
𝑗
La probabilité de rupture de stock de x pièces de rechange peut être écrite :

𝑃 (𝑌𝑗 ∗ = 𝑆𝑗 + 𝑥) 𝑠𝑖 𝑥 ≤ 𝑚𝑗
P (𝐵𝑂𝑗 = 𝑥) = { . (5.34)
𝑆𝑗 ∗
∑𝑦=0 𝑃 (𝑌𝑗 = 𝑦) 𝑠𝑖 𝑥 = 0
Le nombre moyen de pièces dans le stock j :

𝑆𝑗
𝐸[𝑂𝐻𝑗 (𝑆0 , 𝑆𝑗 ) )] = ∑(𝑆𝑗 − 𝑥) 𝑃 (𝑌𝑗 ∗ = 𝑥) (5.35)

𝑥=0
Le nombre moyen de pièces en souffrance dans le stock j:

𝑆𝑗 +𝑚𝑗
𝐸[𝐵𝑂𝑗 (𝑆0 , 𝑆𝑗 ) ] = ∑ (𝑥 − 𝑆𝑗 )𝑃 (𝑌𝑗 ∗ = 𝑥) (5.36)

𝑥=𝑆𝑗 +1
À partir des équations (4.75) 𝑒𝑡 (4.74) on obtient:
𝐸[𝑂𝐻𝑗 (𝑆0 , 𝑆𝑗 ) )] − 𝐸[𝐵𝑂𝑗 (𝑆0 , 𝑆𝑗 ) ] = 𝑆𝑗 − 𝐸[𝑌𝑗 ∗ ] (5.37)
∗
𝑌𝑗 ∗ résulte de la convolution des deux distributions 𝛼𝑗 𝐵𝑂0 et 𝑁5,𝑗 . Cette distribution peut être
obtenue par les approximations de Sherbrooke (1968), Graves (1985) et Adan et al. (1996) ou en
utilisant notre procédure numérique (équation(4.61)).
𝑧=𝑥
∗
𝑃(𝑌𝑗 ∗ = 𝑥) = ∑ 𝑃(𝐵𝑂𝑗 = 𝑧). 𝑃(𝑁5,𝑗 = 𝑥 − 𝑧) (5.38)
𝑧=0
Des équations (4.57)et (4.93)
115
𝑃(𝑌𝑗 ∗ = 𝑥) =
𝑧 𝑦−𝑧
𝑦 𝜂𝑗 𝜂𝑗
∑ ( )( 𝑘 ) (1 − 𝑘 ) 𝑃 (𝐵𝑂0 (𝑆0 ) = 𝑦).
𝑧 ∑𝑗=1 𝜂𝑗 ∑𝑗=1 𝜂𝑗
𝑦=𝑧
(𝜂𝑗 . 𝑡5,𝑗 )𝑥−𝑧 ∗
. 𝑃(𝑁5,𝑗 = 0) ; 𝑠𝑖 𝑥 = 1, … . . 𝑆𝑗 − 𝑠𝑗𝑟
(𝑥 − 𝑧)!
𝑧 𝑦−𝑧
𝑧=𝑥 ∑ ( )( ) (1 − ) 𝑃 (𝐵𝑂0 (𝑆0 ) = 𝑦).
𝑧 ∑𝑘𝑗=1 𝜆𝑗 ∑𝑘𝑗=1 𝜆𝑗
𝑦=𝑧
=∑ (5.39)
𝑧=0 𝜂𝑗 ( 𝜆𝑗 𝑡5,𝑗 )𝑥−𝑧 ∗
( ) . 𝑃(𝑁5,𝑗 = 0) ; 𝑠𝑖 𝑥 = 𝑆𝑗 − 𝑠𝑗𝑟 + 1, … . 𝑆𝑗 − 1
𝜆𝑗 (𝑥 − 𝑧)!
𝑧 𝑦−𝑧
𝑦 𝜎𝑗 𝜎𝑗
∑ ( )( ) (1 − ) 𝑃 (𝐵𝑂0 (𝑆0 ) = 𝑦).
𝑧 ∑𝑘𝑗=1 𝜎𝑗 ∑𝑘𝑗=1 𝜎𝑗
𝑦=𝑧
(𝑆𝑗 −1)
𝜂𝑗 𝜆𝑗 (𝜎𝑗 𝑡5,𝑗 )𝑥−𝑧 ∗
( ) ( ) . 𝑃(𝑁5,𝑗 = 0) ; 𝑠𝑖 𝑥 = 𝑆𝑗 , … . . 𝐾
{ 𝜆𝑗 𝜎𝑗 (𝑥 − 𝑧)!
𝑁𝑆𝑗0 correspond à la probabilité qu’il ait un stock en main 𝑂𝐻𝑗 . À partir de l’équation (5.1):
𝑆𝑗 −𝑠𝑗𝑟 𝑆𝑗 −1
𝑁𝑆𝑗0 = 𝑃 (𝑁6,𝑗 > 0) = ∑ 𝑃 (𝑌𝑗 ∗ = 𝑥) + ∑ 𝑃 (𝑌𝑗 ∗ = 𝑥) (5.40)

𝑥=0 𝑥=𝑆𝑗 −𝑠𝑗𝑟 +1
Si la règle de priorité est le « premier arrivé premier servi » (FIFO), la proportion de demande
totale qui est satisfaite immédiatement réalise un processus Binomial (voir le chapitre 4). Donc, on
peut exprimer le niveau de service global 𝑁𝑆 0 par l’équation suivante:
𝑘
𝜆𝑗
𝑁𝑆 0 = ∑ 𝑁𝑆𝑗0 (5.41)
∑𝑘 𝜆𝑗
𝑗=1 𝑗=1
Comme nous l’avons exprimé dans l’équation (5.2), 𝑁𝑆𝑗𝑡≤𝑇 est le niveau de service accordé dans
un intervalle ]0, 𝑇], il correspond à la probabilité qu’il y ait une rupture de stocks momentanée, la
maintenance attend l’arrivée des pièces qui sont encore dans les canaux de transports.
Si 𝑊𝑗 est le temps d’attente du client (la maintenance) du site régional j, nous aurons:
𝑁𝑆𝑗𝑡≤𝑇 = 𝑃 (0 < 𝑊𝑗 ≤ 𝑇) (5.42)
L’équation (5.42) peut être exprimée par la probabilité qu’il y ait au moins 𝑆𝑗 pièces de rechange
dans le tronçon ]0, 𝑇] qui possède une distance = 𝑡5,𝑗 − ( 𝑡5,𝑗 − 𝑇).
116
De l’équation (5.15), on peut exprimer la probabilité qu’il y ait au moins 𝑆𝑗 pièces de rechange
dans les deux tronçon de canal du transport respectivement, ]0, 𝑡5,𝑗 ] et ]0, 𝑡5,𝑗 − 𝑇]:
∗
𝑌𝑗 ∗ ( 𝑡5,𝑗 ) = 𝛼𝑗 𝐵𝑂0 + 𝑁5,𝑗 ( 𝑡5,𝑗 ) (5.43)
∗
𝑌𝑗 ∗ ( 𝑡5,𝑗 − 𝑇) = 𝛼𝑗 𝐵𝑂0 + 𝑁5,𝑗 ( 𝑡5,𝑗 − 𝑇) (5.44)
Des deux équations (5.43) et (5.44) on peut exprimer la probabilité qu’au moins une pièce peut
être mise à disposition à après un maximum de temps d’attente T :
𝑆𝑗 +𝑚𝑗 𝑆𝑗 +𝑚𝑗
𝑁𝑆𝑗𝑡≤𝑇 = ∑ 𝑃(𝑌𝑗 ∗ ( 𝑡5,𝑗 ) = 𝑥) − ∑ 𝑃(𝑌𝑗 ∗ ( 𝑡5,𝑗 − 𝑇) = 𝑥) (5.45)

𝑆𝑗 𝑆𝑗
L’équation (5.45) peut-être transformée comme suit :

𝑆𝑗 −1 𝑆𝑗 −1
𝑁𝑆𝑗𝑡≤𝑇 = 1 − ∑ 𝑃(𝑌𝑗 ∗ ( 𝑡5,𝑗 ) = 𝑥) − (1 − ∑ 𝑃(𝑌𝑗 ∗ ( 𝑡5,𝑗 − 𝑇) = 𝑥))

𝑥=0 𝑥=0
𝑆𝑗 −1 𝑆𝑗 −1
𝑁𝑆𝑗𝑡≤𝑇 = ∑ 𝑃(𝑌𝑗 ∗ ( 𝑡5,𝑗 − 𝑇) = 𝑥) − ∑ 𝑃(𝑌𝑗 ∗ ( 𝑡5,𝑗 ) = 𝑥) (5.46)

𝑥=0 𝑥=0
Pour la même discipline « premier arrivé premier servi » (FIFO) :

𝑘
𝜆𝑗
𝑁𝑆 𝑡≤𝑇 = ∑ 𝑁𝑆𝑗𝑡≤𝑇 (5.47)
𝑗=1
En outre, la probabilité que le niveau du stock ne franchit pas le seuil (𝑠𝑗𝑟 ) requis pour effectuer un
transfert latéral :
𝑃 (𝑁6,𝑗 < 𝑠𝑖𝑟 ) = 1 − 𝑃 (𝑁6,𝑗 ≥ 𝑠𝑖𝑟 ) (5.48)
La probabilité que le stock possède une quantité supérieure ou égale à 𝑠𝑗𝑟 :

𝑆𝑗 −𝑠𝑗𝑟
𝑃 (𝑁6,𝑗 ≥ 𝑠𝑖𝑟 ) = ∑ 𝑃 (𝑌𝑗 ∗ = 𝑥) (5.49)

𝑥=0
117
Selon un ordre de priorité établi (𝐸𝑗𝑜𝑟𝑑 = {𝑖1 , 𝑖2 , 𝑖3 … 𝑖𝑝−1 , 𝑖𝑝 , … 𝑖𝑘−1 }), et à partir des équations
(5.40), (5.46), (5.48) 𝑒𝑡 (5.49) on peut calculer la proportion satisfaite via transferts latéraux par
l’équation (5.6):
𝑝
= (1 − 𝑁𝑆𝑗0 − 𝑁𝑆𝑗𝑡≤𝑇 ). 𝑃 (𝑁6,𝑖1 < 𝑠𝑖𝑟 ). 𝑃 (𝑁6,𝑖2 < 𝑠𝑖𝑟 ). 𝑃 (𝑁6,𝑖3 < 𝑠𝑖𝑟 ). . 𝑃 (𝑁6,𝑖𝑝−1
< 𝑠𝑖𝑟 ) . 𝑃 (𝑁6,𝑖𝑝 ≥ 𝑠𝑖𝑟 )
𝑁𝑆𝑗𝑖𝐿𝑎𝑡 peut être calculé par une procédure itérative comme proposée dans Axsäter (1990) et Yang
et al. (2013).
Lors que l’itération atteint la convergence et à partir des équations, (5.29) et (5.30), on calcul le
nombre moyen de pièces dans les canaux de transport :
𝐾
∗ ∗
𝐸[𝑁̃
∗ ̃
5,𝑗 ] = ∑ 𝑥. 𝑃(𝑁5,𝑗 = 𝑥) (5.50)
,
𝑥=1
5.2.1. Problème d’optimisation
Si nous posons 𝐶𝑖𝑗𝐿𝑎𝑡 , le coût des transferts latéraux des stocks i ≠ 𝑗 ∈ {1, 2. . , 𝑘} vers le stock j, le
problème d’optimisation prend la forme de la somme d’équations :
𝑘 𝑘
∗
Min 𝐶(𝑆0 , 𝑆𝑗 ) = 𝐶ℎ . ( 𝐸 [𝑂𝐻0 (𝑆0 ) ] + ∑ 𝐸 [𝑂𝐻𝑗 (𝑆0 , 𝑆𝑗, )]) + 𝐶𝑇 ∑ 𝐸[𝑁5,𝑗 ]+
𝑗=1 𝑗=1
𝑘 𝑘
𝐿𝑎𝑡 𝐿𝑎𝑡
+∑ ∑ 𝐶𝑖𝑗 𝑁𝑆𝑖𝑗 . 𝜆𝑗 + 𝐶𝐾 . K + 𝐶𝑓
𝑗=1 𝑖 ≠𝑗=1
.
𝑖=𝑘
0 𝑡≤𝑇
𝑀𝑎𝑥 (𝑁𝑆 + 𝑁𝑆 + ∑ 𝑁𝑆𝐿𝑎𝑡
𝑗𝑖 )
{ 𝑖≠𝑗=1
Avec :
𝐾 = 1,2, … ⌈ ⌉
𝐶𝐾
𝑆0 = 1,2, … ⌈ ⌉
𝐶ℎ
𝑆𝑗 = 1,2, … ⌈ ⌉
𝐶ℎ
i ≠ 𝑗 ∈ {1, 2. . , 𝑘}
118
5.2.2. Algorithme de résolution
Le problème d’optimisation peut être résolu par l’algorithme de programmation proposé ci-
dessous :
ALGORITHME.4.2.
𝐶𝑓 , 𝐶ℎ , 𝜆𝑗 , µ , 𝑚𝑗 , 𝜆 = ∑𝑘𝑗=1 𝜆𝑗 , 𝑀 = ∑𝑘𝑗=1 𝑚𝑗
𝐵𝑢𝑑𝑔𝑒𝑡−𝐶𝑓
Pour 𝑆0 = 1,2, … ⌈ ⌉;
𝐶ℎ
𝐵𝑢𝑑𝑔𝑒𝑡−𝐶𝑓
Pour 𝑆𝑗 = 1,2, … ⌈ ⌉
𝐶ℎ
Étape 0 : Calculer le nombre moyen des pièces de rechange dans le stock central.
- Pour une distribution de 𝑋 correspondant au processus de défaillance des pièces, calculer 𝐸𝑂𝐻0 (𝑆0 )
par l’équation (4.41):
𝑆0
𝐸𝑂𝐻0 (𝑆0 ) = ∑(𝑆0 − 𝑥) 𝑃 (𝑋 = 𝑥)

𝑥=0
Pour j = 1 à k :
CANDITIONS INITIALES : 𝜂𝑗 =𝜎𝑗 = 𝜆𝑗 (𝑁𝑆𝑖𝑗𝐿𝑎𝑡 = 𝑁𝑆𝑖𝑗𝐿𝑎𝑡 = 0) .
∗
Étape 1 : Calculer 𝑃(𝑁5,𝑗 = 0) par l’équation (5.30)
∗
𝑃(𝑁5,𝑗 = 0) =
1
= 𝑥 𝑥 (𝑆𝑗 −1) 𝑥
𝑆𝑗 −𝑠𝑗𝑟 (𝜂𝑗 . 𝑡5,𝑗 ) 𝜂𝑗 (𝑆𝑗 −𝑠𝑗𝑟 ) ( 𝜆𝑗 𝑡5,𝑗 )
𝑟
𝜂𝑗 (𝑆𝑗 −𝑠𝑗 ) 𝜆𝑗 (𝜎𝑗 𝑡5,𝑗 )
𝑆𝑗 −1
1 + ∑𝑥=1 + ∑𝑥= 𝑆 −𝑠𝑟 ( ) + ∑𝐾 ( ) ( )
𝑥! 𝑗 𝑗 𝜆𝑗 𝑥! 𝑥= 𝑆𝑗 𝜆𝑗 𝜎𝑗 𝑥!
Étape 2 : Déterminer 𝑌𝑗 ∗
∗
- Pour une distribution de 𝑁5,𝑗 donnée par l’équation (5.29)
𝑥
(𝜂𝑗 . 𝑡5,𝑗 ) ∗
. 𝑃(𝑁5,𝑗 = 0) ; 𝑥 = 1, … . . 𝑆𝑗 − 𝑠𝑗𝑟
𝑥!
𝜂𝑗 ( 𝜆𝑗 𝑡5,𝑗 ) 𝑥 ∗
∗
𝑃(𝑁5,𝑗 = 𝑥) = ( 𝜆 ) . 𝑃(𝑁5,𝑗 = 0) ; 𝑥 = 𝑆𝑗 − 𝑠𝑗𝑟 + 1, … . 𝑆𝑗 − 1
𝑗 𝑥!
(𝑆𝑗 −1)
𝜂𝑗 𝜆𝑗 (𝜎𝑗 𝑡5,𝑗 ) 𝑥 ∗
( ) ( ) . 𝑃(𝑁5,𝑗 = 0) ; 𝑥 = 𝑆𝑗 , … . . 𝐾
{ 𝜆𝑗 𝜎𝑗 𝑥!
- Pour une distribution de 𝐵𝑂𝑗 ( 𝛼𝑗 . 𝐵𝑂0 ) donnée par l’équation (4.57):
119
𝑆0 +𝑀+∑𝑘
𝑗=1 𝑠𝑗 𝑥 𝑦−𝑥
𝑃 (𝐵𝑂𝑗 = 𝑥) = ∑ ( )( 𝑘 ) (1 − 𝑘 ) 𝑃 (𝐵𝑂0 = 𝑦)
𝑥 ∑𝑗=1 𝜆𝑗 ∑𝑗=1 𝜆𝑗
𝑦=𝑥
Déterminer 𝑌𝑗 ∗ , la convolution de des deux distributions 𝐵𝑂𝑗 et 𝑁5,𝑗

∗
𝑌𝑗 ∗ = 𝐵𝑂𝑗 + 𝑁5,𝑗
∗
𝑌𝑗 peut être obtenue par procédure numérque (équation (5.39))
ou par des approximations:

(METRIC )(Sherbrouke (1968)), Graves(1985), Adanet al. (1996), etc.
Étape 3 : Calculer 𝑁𝑆𝑗0 , 𝑁𝑆𝑗𝑡≤𝑇 , 𝑃 (𝑁6,𝑗 ≥ 𝑠𝑖𝑟 ), 𝑃 (𝑁6,𝑗 < 𝑠𝑖𝑟 ) et 𝑁𝑆𝑗𝑖𝐿𝑎𝑡
𝑝
- Calculer 𝑁𝑆𝑗0 par l’équation (5.40):

𝑆𝑗 −𝑠𝑗𝑟 𝑆𝑗 −1
𝑁𝑆𝑗0 = 𝑃 (𝑁6,𝑗 > 0) = ∑ 𝑃 (𝑌𝑗 ∗ = 𝑥) + ∑ 𝑃 (𝑌𝑗 ∗ = 𝑥)

𝑥=0 𝑥=𝑆𝑗 −𝑠𝑗𝑟 +1
- Calculer 𝑁𝑆𝑗𝑡≤𝑇 par l’équation (5.46)

𝑆𝑗 −1 𝑆𝑗 −1
𝑁𝑆𝑗𝑡≤𝑇 = ∑ 𝑃(𝑌𝑗 ( 𝑡5,𝑗 − 𝑇) = 𝑥) − ∑ 𝑃(𝑌𝑗 ∗ ( 𝑡5,𝑗 ) = 𝑥)

∗
𝑥=0 𝑥=0
- Calculer 𝑃 (𝑁6,𝑗 ≥ 𝑠𝑖𝑟 )par l’équation (5.49)

𝑆𝑗 −𝑠𝑗𝑟
𝑃 (𝑁6,𝑗 ≥ 𝑠𝑖𝑟 ) = ∑ 𝑃 (𝑌𝑗 ∗ = 𝑥)

𝑥=0
- Calculer 𝑃 (𝑁6,𝑗 < 𝑠𝑖𝑟 ) par l’équation (5.48)
𝑃 (𝑁6,𝑗 < 𝑠𝑖𝑟 ) = 1 − 𝑃 (𝑁6,𝑗 ≥ 𝑠𝑖𝑟 )
- Calculer 𝑃 (𝑁6,𝑗 < 𝑠𝑖𝑟 ) par l’équation (5.6)
𝑝
= (1 − 𝑁𝑆𝑗0 − 𝑁𝑆𝑗𝑡≤𝑇 ). 𝑃 (𝑁6,𝑖1 < 𝑠𝑖𝑟 ). 𝑃 (𝑁6,𝑖2 < 𝑠𝑖𝑟 ). 𝑃 (𝑁6,𝑖3 < 𝑠𝑖𝑟 ). . 𝑃 (𝑁6,𝑖𝑝−1 < 𝑠𝑖𝑟 ) . 𝑃 (𝑁6,𝑖𝑝
≥ 𝑠𝑖𝑟 )
Étape 4: calculer 𝜆𝑗∗ par l’équation (5.28):
120
𝑖=𝑘
1
𝜂 𝑗 = 𝜆𝑗 + ∑ 𝜆𝑖 . 𝑁𝑆𝑖𝑗𝐿𝑎𝑡 ; 𝑠𝑖 𝑁5,𝑗
∗
𝑖≠𝑗=1
𝜆𝑗∗ = 𝜆𝑗 ; 𝑠𝑖 𝑆𝑗 − 𝑠𝑗𝑟 < 𝑁5,𝑗
∗
< 𝑆𝑗
𝑖=𝑘
1
𝜎𝑗 = 𝜆𝑗 − ∑ 𝜆𝑗 . 𝑁𝑆𝑗𝑖𝐿𝑎𝑡 ∗
{ 𝑃 (𝑁6,𝑗 < 0)
𝑖≠𝑗=1
Pour des valeurs de 𝜆𝑗∗ refaire les Étapes : 1 , 2, 3 et 4.
Si 𝜆𝑗∗ converge vers une valeur 𝜆̂𝑗∗ , la boucle itérative s’arrête et on maintien les valeurs de l’état de
convergence : ̂
𝜆∗ , 𝑌
𝑗 𝑗
̃0 , 𝑁𝑆 𝑡≤𝑇 , 𝑃 (𝑁̃ ≥̃
̃∗ , 𝑁̃∗ , 𝑁𝑆 𝑗 𝑗 6,𝑗
̃
𝑠 𝑟 ), 𝑃 (𝑁 < 𝑠 𝑟 ), 𝑁𝑆
𝑗
̃
𝐿𝑎𝑡 , 𝑁𝑆 𝐿𝑎𝑡
6,𝑗 𝑖 𝑗𝑖 𝑖𝑗
5,𝑗
Étape 5 : Calculer 𝐸[𝑂𝐻𝑗 (𝑆0 , 𝑆𝑗, )] 𝐸[𝑁̃∗ 0 𝑡≤𝑇

et ∑𝑖=𝑘 ̃ 𝐿𝑎𝑡
5,𝑗 ] 𝑁𝑆 𝑁𝑆 𝑖≠𝑗=1 𝑁𝑆𝑖𝑗
- Calculer 𝐸[𝑂𝐻𝑗 (𝑆0 , 𝑆𝑗, )] par l’équation (5.37) :

𝑆𝑗
̃
𝐸[𝑂𝐻𝑗 (𝑆0 , 𝑆𝑗, )] = ∑(𝑆𝑗 − 𝑥) 𝑃 (𝑌 ∗
𝑗 = 𝑥)
𝑥=0
- Calculer 𝐸[𝑁̃∗
5,𝑗 ] par l’équation (5.50) :
𝐸[𝑁̃∗ ̃∗ ∗
5,𝑗 ] = ∑ 𝑥. 𝑃(𝑁5,𝑗 = 𝑥) ,
𝑥=1
Étape 6: Déterminer le coût total 𝐶(𝑆0 , 𝑆𝑗 ) et le niveau de service NS

𝑘 𝑘
𝐶(𝑆0 , 𝑆𝑗 ) = 𝐶ℎ . ( 𝐸[𝑂𝐻0 (𝑆0 ) ] + ∑ 𝐸[𝑂𝐻𝑗 (𝑆0 , 𝑆𝑗, )]) + 𝐶𝑇 ∑ 𝐸[𝑁̃∗

5,𝑗 ] +
𝑗=1 𝑗=1
𝑘 𝑘
+∑ ̃
∑ 𝐶𝑖𝑗𝐿𝑎𝑡 𝑁𝑆 𝐿𝑎𝑡
𝑖𝑗 . 𝜆𝑗 + 𝐶𝐾 . K + 𝐶𝑓
𝑗=1 𝑖 ≠𝑗=1
.
.
- Calculer 𝑁𝑆 0 par l’équation (5.41) :
𝑘
𝜆𝑗
𝑁𝑆 = ∑0 ̃𝑗0
𝑁𝑆
𝑘
∑ 𝜆𝑗
𝑗=1 𝑗=1
- Calculer 𝑁𝑆 𝑡≤𝑇 par l’équation (5.47) :

𝑘
𝜆𝑗
𝑁𝑆 𝑡≤𝑇
=∑ ̃
𝑁𝑆𝑗
𝑡≤𝑇
∑ 𝑘
𝜆𝑗
𝑗=1 𝑗=1
𝑖=𝑘
𝑁𝑆 = 𝑁𝑆 + 𝑁𝑆 0 𝑡≤𝑇 ̃
+ ∑ 𝑁𝑆 𝐿𝑎𝑡
𝑖𝑗
𝑖≠𝑗=1
121
Le modèle que nous proposons permet de généraliser les modèles existants dans la littérature, de
dimensionner et contrôler les stocks d’un réseau logistique à deux échelons ayant un stock central
de capacité limitée. Le problème d’optimisation proposé est difficile à résoudre à cause de la
multiplication des convolutions qui sont impossibles à déterminer analytiquement. Toutefois des
procédures de simulation demeurent valables pour certaines distributions des coefficients du
modèle. Plusieurs cas particuliers intéressants peuvent être tirés de ce modèle général :
- Dans le cas du stock central de capacité illimité (𝑆0 → ∞) et 𝑠𝑗𝑟 = 0 , on se retrouve avec
les modèles proposés par Yang et Dekker (2010) ( révisés ensuite par Yang ,Dekker,
Axsäter, et al. (2012)) et Yang et al. (2013) qui proposent un système d’attente avec délai
de transport (transit) déterministe M/D/∞ . Ils ont utilisé des approximations des paramètres
du système d’attente, qui ont été préalablement initiées par (Dekker et al. (2002).
- 𝑌𝑗 ∗ peut être approximée par une loi de Poisson METRIC (Sherbrooke (1968), Sherbrooke
(2004), et Sherbrooke (2006)).
NB : L’hypothèse de stock central illimité peut conduire à des processus similaires au cas
mono-échelon abordé au chapitre 3.
Pour valider l’exactitude de notre modèle on peut se caler sur des résultats déjà obtenus dans la
littérature. Nous avons repris l’exemple de Yang et al (2013). L’exemple reflète la réalité d’une
organisation disposant d’un parc de 𝑚𝑗 = 100 machines mono-composant critique de taux de
panne 𝜆𝑗 = 0.05, 0.1, 0.15, d’un stock central de capacité 𝑆0 = 0,1,2,3,4 𝑒𝑡 𝑖𝑛𝑓𝑖𝑛𝑖, d’un atelier de
réparation (taux de réparation µ = 0.25 et de 3 stocks régionaux (𝑆𝑗 ) (j=3) . Les délais de transfert
(temps de transport) 𝑡𝑖,𝑗 = 1 ; (𝑖 = 1, 3), 𝑡5,𝑗 = 3. Les délais de transfert latéraux sont considérés
négligeables.
L’ordre de priorité des stocks régionaux : 𝐸1𝑜𝑟𝑑 = {2, 3}, 𝐸2𝑜𝑟𝑑 = {3, 1}, 𝐸3𝑜𝑟𝑑 = {1, 2}
Les résultats sont donnés sur le Tableau 4.1
Nous remarquons bien que pour le cas particulier (𝑆0 → ∞) , c’est-à-dire, stock central illimité, et
𝑠𝑗𝑟 = 0 , les résultats de notre modèle coïncident avec ceux obtenus par Yang et Dekker (2010) et
Yang et al (2013). Les déviations constatées sont dues au caractère aléatoire du délai de transit
entre le stock central et le stock régional j ( 𝑡5,𝑗 ) que nous avons pris en considération dans notre
modèle et des approximations des convolutions utilisés pour décrire la combinaison des processus
aléatoires engendrés. Yang et Dekker (2010) et Yang et al (2013) utilisent un 𝑆0 illimité et 𝑡5,𝑗
déterministe. Cette dernière hypothèse demeure valable si les organisations ont la maîtrise sur les
processus de connexion, particulièrement les transports, sinon, elle parait faible dans des contextes
122
industriels où les aléas sont de résonnances beaucoup plus fortes, surtout dans les installations
offshores, des sites à accessibilité difficile pour des raisons climatiques, géographiques ou autre.
lamda(1) lamda(2) lamda(3) S0 s(1) s(2) s(3) nu(1) nu(2) nu(3) sigma(1)sigma(2)sigma(3) NS0(1) NS0(2) NS0(3) NST(1) NST(2) NST(3) NSLat(1,2) NSLat(1,3) NSLat(2,3) NSLat(2,1) NSLat(3,1) NSLat(3,2)
0,04 0,08 0,12 0 1 1 1 0,12316 0,11956 0,16108 0,01623 0,02831 0,03998 0,5889 0,50728 0,38166 0,0597 0,06585 0,10127 0,178257 0,06608075 0,15544215 0,16291983 0,3045054 0,1078312
0,04 0,08 0,12 1 1 1 1 0,09766 0,10423 0,1482 0,01003 0,01898 0,02953 0,70461 0,65246 0,54007 0,03195 0,04079 0,07352 0,1718892 0,0494479 0,09940684 0,1656653 0,2722663 0,0744737
0,04 0,08 0,12 2 1 1 1 0,08644 0,09812 0,14245 0,00731 0,01452 0,02387 0,75967 0,72218 0,6225 0,02093 0,02773 0,05346 0,1584503 0,03794503 0,07172107 0,15568165 0,2461632 0,0562411
0,04 0,08 0,12 3 1 1 1 0,0831 0,09638 0,14072 0,0065 0,01304 0,02178 0,77673 0,74386 0,64903 0,01781 0,02351 0,04627 0,1528365 0,03415684 0,06341669 0,15098149 0,2366681 0,0506052
0,04 0,08 0,12 4 1 1 1 0,08233 0,09599 0,14032 0,00631 0,01268 0,02126 0,78067 0,74887 0,65522 0,01711 0,02252 0,04454 0,1514415 0,03327521 0,06152938 0,14978594 0,234385 0,0493148
0,04 0,08 0,12 5 1 1 1 0,08219 0,09592 0,14025 0,00628 0,01262 0,02116 0,7814 0,74981 0,65638 0,01698 0,02234 0,04421 0,1511781 0,03311113 0,06117989 0,14955907 0,2339569 0,0490755
0,04 0,08 0,12 infini 1 1 1 0,08217 0,09591 0,14023 0,00627 0,0126 0,02114 0,78153 0,74997 0,65659 0,01696 0,02231 0,04415 0,1511305 0,03308159 0,06111706 0,14951809 0,2338798 0,0490325
0,04 0,08 0,12 infini 1 1 1 0,07298 0,09107 0,13541 0,01 0,01912 0,02709 0,81817 0,78052 0,70265 0,03593 0,04289 0,05755 0,11388 0,02250025 0,04295923 0,12407525 0,1961943 0,0340334
Écart Constaté
Écart constatée 0,00919 0,00484 0,00483 0,00373 0,00651 0,00595 0,03664 0,03055 0,04606 0,01898 0,02059 0,0134 0,0372506 0,01058135 0,01815782 0,02544284 0,0376855 0,0149991
0,04 0,08 0,12 0 2 2 2 0,06394 0,08292 0,12828 0,00363 0,00847 0,01714 0,95088 0,88827 0,78532 0,00336 0,01077 0,02965 0,0406467 0,00401495 0,02060916 0,07928383 0,17594 0,0080729
0,04 0,08 0,12 1 2 2 2 0,05149 0,08096 0,12379 0,00189 0,00582 0,01278 0,98053 0,94955 0,89655 0,00082 0,00357 0,01093 0,0177067 0,00084352 0,00475553 0,04203076 0,090721 0,0017105
0,04 0,08 0,12 2 2 2 2 0,04738 0,08052 0,12237 0,00124 0,00413 0,00932 0,9888 0,96894 0,93471 0,00033 0,00158 0,00505 0,0105389 0,00031578 0,0019031 0,02755439 0,0595635 0,0006539
0,04 0,08 0,12 3 2 2 2 0,0463 0,08042 0,12201 0,00105 0,00354 0,00805 0,99079 0,97389 0,94472 0,00023 0,00114 0,00369 0,0087468 0,00022155 0,0013674 0,02358783 0,0511057 0,0004627
0,04 0,08 0,12 4 2 2 2 0,04606 0,0804 0,12193 0,00101 0,00341 0,00775 0,99121 0,97496 0,94692 0,00021 0,00106 0,00342 0,0083598 0,00020327 0,00126175 0,02270775 0,0492297 0,0004254
0,04 0,08 0,12 infini 2 2 2 0,04601 0,08039 0,12191 0,001 0,00338 0,00768 0,99131 0,9752 0,94739 0,00021 0,00104 0,00336 0,0082762 0,00019942 0,00123942 0,02251653 0,0488219 0,0004175
0,04 0,08 0,12 infini 2 2 2 0,04382 0,08023 0,12122 0,01428 0,02824 0,04193 0,99231 0,97654 0,95185 0,00274 0,00827 0,01682 0,0048324 0,00011048 0,00072537 0,01444979 0,0310926 0,0002352
ÉcartÉcart
Constaté
constatée 0,00219 0,00016 0,00069 0,01328 0,02486 0,03425 0,00101 0,00135 0,00445 0,00253 0,00724 0,01346 0,0034437 8,8945E-05 0,00051405 0,00806674 0,0177293 0,0001823
0,05 0,1 0,15 0 1 1 1 0,17219 0,16525 0,21182 0,02649 0,04664 0,06443 0,48842 0,4083 0,2907 0,09709 0,09614 0,12903 0,1692342 0,07129532 0,17168011 0,14405973 0,2834172 0,1212038
0,05 0,1 0,15 1 1 1 1 0,14053 0,14412 0,1959 0,0184 0,03417 0,05046 0,60342 0,54912 0,43245 0,05973 0,06784 0,10892 0,1849696 0,06567951 0,13118029 0,16564423 0,2767491 0,0998749
0,05 0,1 0,15 2 1 1 1 0,12343 0,13353 0,18698 0,01378 0,02675 0,04165 0,67194 0,63433 0,5258 0,04055 0,04847 0,08498 0,1823699 0,05527807 0,10107197 0,16678287 0,2615391 0,0809963
0,05 0,1 0,15 3 1 1 1 0,11713 0,12978 0,18362 0,01203 0,02371 0,03768 0,69866 0,6678 0,5641 0,03374 0,04044 0,07318 0,1787055 0,05014703 0,08885383 0,16458398 0,2534164 0,0729927
0,05 0,1 0,15 4 1 1 1 0,11535 0,12873 0,18267 0,01153 0,0228 0,03643 0,70635 0,67747 0,57535 0,03185 0,03806 0,06949 0,1773676 0,04858227 0,08532512 0,16366735 0,2508644 0,0706563
0,05 0,1 0,15 infini 1 1 1 0,11485 0,12844 0,1824 0,01139 0,02254 0,03606 0,70853 0,68023 0,57857 0,03131 0,03738 0,06842 0,1769637 0,04813069 0,08432131 0,16338326 0,2501217 0,0699901
0,05 0,1 0,15 infini 1 1 1 0,10102 0,1197 0,17451 0,01373 0,02616 0,0365 0,76372 0,72803 0,64381 0,04648 0,0527 0,06815 0,1381779 0,0332322 0,05964775 0,14116615 0,2199819 0,0495475
ÉcartÉcart
Constaté
constatée 0,01384 0,00874 0,00789 0,00234 0,00363 0,00043 0,05519 0,0478 0,06524 0,01517 0,01532 0,00026 0,0387859 0,01489849 0,02467355 0,02221711 0,0301398 0,0204425
0,05 0,1 0,15 0 2 2 2 0,09172 0,10685 0,16499 0,00681 0,01397 0,0266 0,91723 0,83702 0,70087 0,00761 0,01921 0,04967 0,0629041 0,00858476 0,03944665 0,10076537 0,2288087 0,0172813
0,05 0,1 0,15 1 2 2 2 0,07247 0,10253 0,15764 0,00363 0,00981 0,02092 0,96286 0,91738 0,83598 0,00223 0,00765 0,02244 0,032033 0,00241179 0,01184038 0,06267575 0,1363188 0,0048242
0,05 0,1 0,15 2 2 2 2 0,06455 0,10131 0,15478 0,00233 0,00703 0,0157 0,9789 0,94921 0,89546 0,00087 0,00347 0,01084 0,0191944 0,0009197 0,00484308 0,04237688 0,0917277 0,0018764
0,05 0,1 0,15 3 2 2 2 0,06199 0,10098 0,15389 0,00188 0,00582 0,01317 0,98358 0,95912 0,91481 0,00056 0,00233 0,00743 0,0152129 0,00059315 0,00323015 0,0352672 0,076483 0,0012249
0,05 0,1 0,15 4 2 2 2 0,0613 0,1009 0,15365 0,00176 0,00547 0,01241 0,98478 0,96175 0,92001 0,00049 0,00205 0,00657 0,014164 0,00051832 0,00285203 0,03330914 0,0722995 0,0010745
0,05 0,1 0,15 infini 2 2 2 0,06111 0,10088 0,15358 0,00173 0,00537 0,01219 0,98511 0,96247 0,92146 0,00047 0,00197 0,00634 0,0138732 0,00049842 0,00275076 0,03275927 0,0711251 0,0010344
0,05 0,1 0,15 infini 2 2 2 0,05704 0,10049 0,15228 0,01785 0,03516 0,05205 0,98743 0,96509 0,92979 0,00447 0,01226 0,02434 0,0078175 0,00026296 0,00157078 0,0210679 0,0452892 0,0005563
ÉcartÉcart
Constaté
constatée 0,00407 0,00039 0,0013 0,01613 0,02979 0,03986 0,00232 0,00261 0,00834 0,004 0,01028 0,018 0,0060556 0,00023546 0,00117997 0,01169137 0,0258358 0,0004781
0,1 0,2 0,3 0 1 1 1 0,45468 0,44373 0,4777 0,08868 0,16535 0,23261 0,17135 0,1187 0,07186 0,31309 0,21998 0,1551 0,0611941 0,0326482 0,10517743 0,04751952 0,1324647 0,0760346
0,1 0,2 0,3 1 1 1 1 0,41227 0,40927 0,4611 0,08227 0,15339 0,21469 0,22644 0,17822 0,119 0,27676 0,22043 0,19329 0,0885402 0,04858204 0,11996747 0,07155983 0,155726 0,0948105
0,1 0,2 0,3 2 1 1 1 0,37336 0,37864 0,44581 0,0746 0,14016 0,19755 0,28557 0,24603 0,17605 0,23531 0,20555 0,21402 0,1178781 0,06359574 0,12904257 0,09654791 0,174181 0,107209
0,1 0,2 0,3 3 1 1 1 0,34648 0,35814 0,43458 0,06803 0,12926 0,18453 0,33256 0,30199 0,22578 0,2032 0,18714 0,21629 0,1401948 0,07316454 0,13153809 0,11534819 0,1855448 0,112454
0,1 0,2 0,3 4 1 1 1 0,3321 0,34739 0,42821 0,06399 0,12258 0,1767 0,36027 0,33576 0,25706 0,1849 0,17422 0,21196 0,1527137 0,07766265 0,131156 0,12596415 0,1912935 0,1140515
0,1 0,2 0,3 infini 1 1 1 0,32242 0,34023 0,42376 0,06101 0,11763 0,17085 0,38012 0,36035 0,28048 0,1721 0,16409 0,20624 0,1613559 0,08033524 0,13007104 0,13338554 0,1951104 0,1146531
0,1 0,2 0,3 infini 1 1 1 0,29653 0,31095 0,40464 0,04363 0,08334 0,11423 0,51271 0,48548 0,40852 0,09242 0,09288 0,10266 0,1916998 0,08299666 0,12786686 0,17224747 0,2506248 0,1156407
ÉcartÉcart
Constaté
constatée 0,0259 0,02928 0,01911 0,01738 0,03428 0,05662 0,13259 0,12514 0,12804 0,07968 0,07121 0,10358 0,0303439 0,00266142 0,00220418 0,03886193 0,0555144 0,0009876
0,1 0,2 0,3 0 2 2 2 0,30672 0,28734 0,39173 0,04977 0,08438 0,11826 0,61969 0,50513 0,31388 0,09106 0,10779 0,1741 0,1461059 0,04492838 0,16458088 0,12149802 0,3172965 0,0983614
0,1 0,2 0,3 1 2 2 2 0,25276 0,25395 0,36493 0,035 0,06382 0,10008 0,73328 0,6415 0,451 0,05088 0,07252 0,14447 0,138459 0,03489684 0,11512692 0,12897404 0,2966375 0,0692159
0,1 0,2 0,3 3 2 2 2 0,18874 0,22182 0,33406 0,01719 0,03693 0,07079 0,8689 0,81295 0,66747 0,01534 0,02758 0,07208 0,0941101 0,01445318 0,04607471 0,10643885 0,2263035 0,0277589
0,1 0,2 0,3 4 2 2 2 0,17708 0,21713 0,32871 0,01408 0,03101 0,06201 0,89241 0,84399 0,71372 0,01082 0,02 0,0553 0,0816679 0,01077452 0,03474827 0,09707591 0,2061269 0,0209729
0,1 0,2 0,3 5 2 2 2 0,17213 0,21528 0,32649 0,01278 0,02835 0,05769 0,90212 0,85692 0,7338 0,00913 0,01699 0,04813 0,076052 0,00931787 0,03027813 0,09252074 0,1967198 0,0182909
0,1 0,2 0,3 infini 2 2 2 0,16948 0,21432 0,32531 0,0121 0,02689 0,05522 0,90722 0,86376 0,74462 0,00829 0,01546 0,04434 0,072976 0,00857104 0,02798471 0,08993796 0,1914632 0,0169122
0,1 0,2 0,3 infini 2 2 2 0,14364 0,20666 0,31533 0,03656 0,07011 0,10165 0,93692 0,88699 0,79668 0,02212 0,03866 0,06792 0,0363306 0,00368768 0,01416308 0,05923318 0,1268544 0,0075753
ÉcartÉcart
Constaté
constatée 0,02584 0,00766 0,00998 0,02445 0,04321 0,04642 0,0297 0,02323 0,05207 0,01383 0,0232 0,02358 0,0366454 0,00488337 0,01382163 0,03070477 0,0646088 0,0093368
123
Tableau 5.1 : Résultats des applications numériques (5.1) par Projet.Transferts.Lateraux.VB Modèle à deux
échelons avec transfert latéraux dont les stocks d’approvisionnement en amont sont considérés de capacité finie.
Comparaison avec le modèle Yang et Dekker (2010), Yang, Dekker, Axsäter, et al. (2012) et Yang et al (2013) (en
gris)
5.4.Conclusion
Ce chapitre a été consacré au développement mathématique d’un modèle multi-échelon ayant une
certaine flexibilité et adapté au contexte où les transferts latéraux entre stocks de même échelon
sont permis. En plus de ce que la littérature fournie, notre modèle considère les stocks en amont (à
un échelon supérieur) de capacité limitée. À cet effet, des procédures numériques et plusieurs
approximations ont été proposées pour décrire la convolution engendrant les processus de
défaillance, de transit et de réparation à des échelons supérieurs.
Tout comme les sections précédentes, nous avons remarqué que, pour de grands nombres de
références de pièces de rechange, ce genre de problème est classé NP-Hard, ce qui requiert des
méthodes heuristiques bien élaborées. Élaborer des méthodes heuristiques pour la résolution de ce
genre de problème avec criticité inégale (gamme de pièces multi-classe) constitue notre perspective
de recherche dans ce volet.
124
Conclusion générale
L’objectif général du mémoire était de développer une série de modèles décisionnels pour la
gestion des pièces de rechange dans des réseaux logistiques mono ou multi-échelon flexibles.
C’est-à-dire, développer un système qui permet d’effectuer des demandes en urgence à un échelon
supérieur et d’échanger des ressources et de la matière entre sites de même échelon. Ce système
permet également de gérer une gamme de pièces de rechange pour des réseaux d’équipements
multi-composant, de grandes tailles, avec différentes mesures de performance.
Plusieurs problématiques ont été abordées auxquelles nous avons apporté des contributions et des
solutions qui se résument comme suit :
Nous avons abordé la planification et contrôle des inventaires des pièces de rechange pour des
réseaux d’équipements assujettis à des défaillances aléatoires et sujets à une stratégie de
maintenance corrective. La maintenance à la panne est motivée par le caractère aléatoire des
défaillances, des besoins qui sont difficiles à estimer et de l’influence des arrêts accidentels sur la
performance globale du réseau.
Nous avons débuté notre étude par une introduction au système de gestion des pièces de rechange.
Il nous parait nécessaire de connaître les particularités des composants de rechanges et situer les
tendances actuelles qui façonnent le contexte de leur gestion. Un bref examen des processus
physiques et de pilotage des réseaux logistiques des pièces de rechange a été présenté. Selon une
certaine suite méthodologique permettant de gérer une gamme des pièces de rechange dans une
entreprise, une revue de littérature détaillée a été exposée en mettant l’accent sur les grands axes
de recherche dans le domaine. Une attention particulière a été mise sur les modèles de gestion des
pièces réparables, adaptés, ensuite, aux consommables et aux deux ensembles, dans un contexte
mono-stock, mono-échelon et multi-échelon avec des possibilités d’effectuer des
réapprovisionnements en urgence à des échelons supérieurs et des échanges latéraux entre sites de
même échelon. Notre intérêt à l’étude des pièces réparables répond à des impératifs techniques,
économiques et de gestion. Contrairement aux consommables, les pièces réparables sont coûteuses,
difficile à gérer, leur processus de défaillance et de réparation engendre un phénomène d’attente,
qui est provoqué par les capacités des stations de réparation.
Nous avons développé une série de modèles permettant de gérer une gamme de pièces réparables
assujettis à des défaillances aléatoires. Dans le cas général, nous avons présenté un modèle
générique permettant de décrire le processus de défaillance et de réparation d’une pièce dans un
réseau adapté à des organisations constituées de parcs équipements, d’entrepôts de pièces de
rechange et de stations de réparation. Des cas particuliers intéressants ont été tirés du modèle
125
générique faisant référence à des travaux de recherche déjà réalisés dans le domaine et qui
constituent des courants de recherche importants jusqu’à date. Ces cas ne cessent d’être améliorés
par les chercheurs, notamment, les modèles à capacité de réparation illimitée versus limitée. Nous
avons relaxé plusieurs contraintes afin de nous conformer, le mieux possible, avec les réalités des
organisations industrielles, plus particulièrement, l’hypothèse de la capacité illimitée de canaux de
transport et de réparation, de population infinie, et l’estimation de la proportion pour des
traitements en urgence.
Pour ces mêmes raisons pratiques, et afin de mieux s’aligner aux modes de gestion des
organisations, nous avons généralisé les modèles pour traiter des cas où on est face à des mesures
de performance différentes et d’équipements multi-composants en évaluant le problème
d’optimisation dans sa globalité au lieu de se limiter à un ensemble d’optimisations partielles (cas
d’équipements mono-composant). Une contrainte budgétaire a été imposée à chaque modèle.
Ensuite, nous avons vu que la capacité des ateliers de réparation engendre, dans certaines mesures,
des immobilisations longues des pièces dans la file. Pour pallier à cette contrainte, des procédures
d’urgence ont été permises avec un coût élevé et un temps de réapprovisionnement court en
comparaison avec la procédure ordinaire. La plupart des modèles publiés dans la littérature donne
des approximations à la proportion de perte engendrée par la probabilité de rejet d’Erlang-B. Pour
enrichir ces modèles (publiés), nous avons proposé un modèle avec un délai d’attente maximal
dans la file jugé requis avant tout déclenchement d’urgence. Les résultats numériques montrent
clairement une amélioration de la disponibilité du réseau. Nous avons aussi constaté des gains
économiques remarquables. Bien évidemment, les résultats obtenus dans le chapitre 3 sont basés
sur l’hypothèse que toutes les variables aléatoires caractérisant les processus de défaillance, de
réparation et d’attente des pièces dans la file sont de distributions exponentielles. La littérature
scientifique est riche de contributions traitants le système de files d’attente avec un délai de service
et de délai d’attente de distribution générale. Il nous paraît pratique de considérer un temps d’attente
déterministe permettant au gestionnaire de prendre une décision éclairée quant au recours à
l’urgence. Le caractère déterministe du temps d’attente maximal rendra le modèle difficile à
résoudre, mais une initiative de recherche a été amorcée pour trouver une estimation précise dans
le cas de notre modèle de décision.
Tout au long des chapitres 2 et 3, Nous avons supposé que la capacité des sources
d’approvisionnement, qui se situent schématiquement dans des échelons élevés, est illimitée. Cette
hypothèse parait limitative, car il arrive souvent que les délais de livraison s’échelonnent pour des
raisons de manque de pièces de rechange dans des entrepôts centraux. Le dimensionnement des
stocks à des échelons supérieurs nous conduit à faire une extension de nos modèles. La prise en
compte des stocks dans des échelons supérieurs dans les modèles de décision permet de bénéficier
de plusieurs pratiques intéressantes telles que les échanges entre magasins de mêmes échelons.
Cette problématique a été abordée aux chapitres 4 et 5 qui traitent les problèmes de gestion des
pièces de rechange des systèmes de stocks multi-échelon.
126
Dans le chapitre 4, nous avons proposé une extension du modèle mono-échelon développé au
chapitre 2, en considérant un système de réapprovisionnement à deux échelons. Nous avons
remarqué que l’étude d’un tel système tend à se compliquer à chaque fois que nous étendons le
modèle à un échelon supérieur. Cette complexité est due à la multiplication des convolutions des
processus stochastiques dans le réseau (processus de transport, de défaillance et de réparation).
Pour cela, nous avons développé un modèle générique permettant de montrer cette complexité.
Nous avons remarqué aussi que la résolution de problèmes du genre est très difficile, voire
impossible sans délimiter le système et imposer des hypothèses. Le modèle METRIC demeure le
plus populaire, il permet de bénéficier des particularités des systèmes d’attente à capacité illimitée,
pour étendre, au maximum, la propriété markovienne. Cette propriété permet de décrire
l’empilement des processus stochastiques sous-jacents via le théorème de Palm (1938). Pour
confiner les résultats déjà obtenus dans la littérature, nous avons proposé une procédure numérique
basée sur la convolution discrète des processus stochastiques sous-jacents avec des distributions
générales. Une étude comparative avec les meilleures parutions jusqu’à date a été effectuée.
Nous avons ensuite présenté, dans le chapitre 5, un modèle permettant les échanges entre stocks de
même échelon. Cette particularité est aussi intéressante dans le contexte où les demandes en
urgence ne sont pas possibles pour des raisons économiques, géographiques ou climatiques. Le
modèle proposé a permis de généraliser les modèles déjà existants dans la littérature. Pour se caler
avec la réalité des organisations, nous avons présenté le fondement mathématique d’un modèle de
configuration multi-échelon dont la capacité des sources d’approvisionnement en amont est
considérée finie, et le temps pour transiter une pièce d’un échelon supérieur vers un échelon
inférieur est une distribution exponentielle, Log-normale ou quelconque.
Soulignons que les hypothèses de capacité de sources d’approvisionnement illimitées et de temps
de transit constant, évoquées dans la littérature, demeurent limitatives dans des contextes où
l’acheminement des pièces de grandes portées est une problématique, surtout quand le réseau opère
dans des endroits d’accessibilité difficile ou limitée, comme c’est le cas des sites pétroliers, minier,
des chantiers offshores, etc. Nous réitérons que le pilotage de flux dans un tel réseau, requiert un
système d’information performant et une base de données très bien élaborée afin de pallier et
minimiser, au maximum, d’éventuels aléas, surtout, en ce qui concerne la traçabilité des pièces
dans les canaux de transport.
Par ailleurs, les modèles que nous avons étudiés tout au long de ce mémoire supposent que la règle
de priorité pour le service est « premier arrivé premier servi, FIFO- First In, First Out ». Cette
hypothèse est jugée valable si nous considérons que tous les composants sont de criticité égale.
Or, la réalité est tout à fait différente, les composants d’un équipement sont classés selon leurs
impacts. Comme nous avons vu dans la revue de la littérature, les impacts se voient comme des
critères de classification. Prioriser un composant d’une classe par rapport à un autre de classe
inférieure aura sans doute des retombées économiques et de performance pour l’organisation. Par
exemple, le gestionnaire peut favoriser les pièces qui sont encore sous garanties durant la période
accordée ou consentie à cet effet. De même, on peut effectuer de la cannibalisation si les délais de
127
pose, de dépose et de remplacement sont largement inférieurs à la durée d’attente dans la file. Si
toutefois les organisations se limitent seulement à les pratiquer au niveau opérationnel, ces
problématiques constituent des pistes pour nos contributions postérieures afin de proposer des
modèles de planification et de contrôle au niveau tactique tenant compte de ces particularités.
Une autre particularité dans les modèles étudiés concerne le fait que les pièces sont considérées
toutes réparables. Comme nous l’avons signalé, notre intérêt pour cette catégorie de pièces est
motivé par des raisons économiques, techniques et de gestion. Cela, n’exclue pas, qu’avec peu de
changement, on peut adapter ces modèles pour gérer des consommables et réparables ou les deux
ensembles, car il arrive que certaines pièces défectueuses soient parfois irréparables, comme elles
peuvent aussi être réparables uniquement pour un nombre limité de fois parce que sa performance
diminue graduellement au fur et à mesure des cycles de défaillance et de réparation. Dans ce cas-
là, les pièces doivent être remplacées par des neuves. On note le délai de livraison d’une pièce est
égal à 𝑟 𝑡𝑟é𝑝𝑎𝑟𝑎𝑡𝑖𝑜𝑛 + (1 − 𝑟)𝑡𝑎𝑝𝑝𝑟𝑜𝑣𝑖𝑠𝑖𝑜𝑛𝑛𝑒𝑚𝑒𝑛𝑡 La valeur de 𝑟, qui est la probabilité que la pièce
défaillante soit réparable, n’est pas toujours facile à estimer, notamment pour les pièces à faible
rotation. L’incorporation de la nouvelle formulation de temps de livraison composé dans les
modèles est difficile, de même, dans bien de cas déjà étudiés dans la littérature, les résultats pour
un taux élevé de (1 − 𝑟) rend l’estimation des besoins en pièces de rechange un peu biaisée. Par
exemple, Sherbrooke (2006) constate que le modèle VARI-METRIC sera toujours précis si le taux
de rejet (pièces irréparables) est de 5% ou moins.
Ce dernier constat découle du projet, déjà réalisé dans le cadre d’une action de consultation, visant
à déterminer la taille d’une première dotation en pièces de rechange pour la maintenance d’un
réseau de télécommunication du Gouvernement du Québec (Ait-Kadi et Bouzenad (2014)).
Ce travail a permis d’identifier plusieurs opportunités de recherche futures, dont :
- La localisation optimale des lieux d’entrepôts et des stations de réparation ;
- Le développement des modèles de décisions pour gérer une gamme de composants à
criticité inégale ;
- Le développement des modèles de décisions avec possibilité de cannibalisation ;
- La prise en compte de la désuétude dans le modèle de gestion des stocks des pièces de
rechange ;
- Le développement des modèles d’estimation de besoin en pièces de rechange pour soutenir
les stratégies d’inspection ;
- L’élaboration d’un modèle de prévision de la demande utilisant la théorie de la fiabilité et
la théorie de renouvellement.
128
Bibliographie
ACHARYA, D., NAGABHUSHANAM, G., et ALAM, S. S. Jointly optimal block-replacement

and spare provisioning policy. IEEE Transactions on Reliability, 1986, vol. 35, no 4, p. 447-451.
ADAN, Ivo, VAN EENIGE, Michel, et RESING, Jacques. Fitting discrete distributions on the first
two moments. Probability in the Engineering and Informational Sciences, 1995, vol. 9, no 04, p.
623-632.
AIT-KADI D, et BOUZENAD A., Optimisation de la capacité et de la disponibilité réseau
RENIR, Nº 347431963, Centre de services partagés du Québec, Gouvernement du Québec, 2014.
ALBRIGHT, S. Christian et GUPTA, Amit. Steady‐state approximation of a multiechelon multi‐
indentured repairable‐item inventory system with a single repair facility. Naval Research Logistics
(NRL), 1993, vol. 40, no 4, p. 479-493.
ALBRIGHT, S. Christian et SONI, A. Markovian multiechelon repairable inventory system. Naval
Research Logistics (NRL), 1988, vol. 35, no 1, p. 49-61.
ALBRIGHT, S. Christian. An approximation to the stationary distribution of a multiechelon
repairable‐item inventory system with finite sources and repair channels. Naval Research Logistics
(NRL), 1989, vol. 36, no 2, p. 179-195.
ALFREDSSON, Patrik et VERRIJDT, Jos. Modeling emergency supply flexibility in a two-
echelon inventory system. Management science, 1999, vol. 45, no 10, p. 1416-1431.
ARMSTRONG, Michael J. et ATKINS, Derek R. Joint optimization of maintenance and inventory
policies for a simple system. IIE transactions, 1996, vol. 28, no 5, p. 415-424.
AXSÄTER, Sven, HOWARD, Christian, et MARKLUND, Johan. A distribution inventory model
with transshipments from a support warehouse. IIE Transactions, 2013, vol. 45, no 3, p. 309-322.
AXSÄTER, Sven, Inventory Control, 2nd edn. Springer, New York (2006).
AXSÄTER, Sven. Inventory control. Springer Science & Business Media, 2015.
AXSÄTER, Sven. Modelling emergency lateral transshipments in inventory systems. Management
Science, 1990, vol. 36, no 11, p. 1329-1338.
AYDIN KESKIN, Gulsen et OZKAN, Coskun. Multiple criteria ABC analysis with FCM
clustering. Journal of Industrial Engineering, 2012, vol. 2013.
129
BABAI, Mohamed Zied. Politiques de pilotage de flux dans les chaînes logistiques : impact de
l'utilisation des prévisions sur la gestion de stocks. 2005. Thèse de doctorat. Ecole Centrale Paris.
BAGLIN, Gérard, BRUEL, Olivier, GARREAU, Alain, et al. Management industriel et logistique.
HAL, 2001.
BARLOW, Richard E. et PROSCHAN, Frank. Statistical theory of reliability and life testing:
probability models. Florida State Univ Tallahassee, 1975.
BAS PAS 55 (2008), Asset Management: PAS 55-1, Part 1: Specification for the optimized
management of physical assets | PAS 55-2, Part 2: Guidelines for the application of PAS 55-1.
British StandardsUK.
BELLMAN, Richard. The theory of dynamic programming. RAND CORP SANTA MONICA CA,
1954.
BHATTACHARYA, Arijit, SARKAR, Bijan, et MUKHERJEE, Sanat K. Distance-based
consensus method for ABC analysis. International Journal of Production Research, 2007, vol. 45,
no 15, p. 3405-3420.
BIRNBAUM, Zygmund William. On the importance of different components in a multicomponent
system. Washington Univ Seattle Lab of Statistical Research, 1968.
BOCTOR, Fayez, F. Analyse et conception des heuristiques, MQT-8000 (NRC : 15506) : Analyse
empirique et performance moyenne d'une heuristique. Documents de formation, FSA-Université
Laval, H-2015.
BOONE, Christopher A., CRAIGHEAD, Christopher W., et HANNA, Joe B. Critical challenges
of inventory management in service parts supply: A Delphi study. Operations Management
Research, 2008, vol. 1, no 1, p. 31-39.
BOŠNJAKOVIĆ, Mladen. Multicriteria inventory model for spare parts. Tehnički vjesnik, 2010,
vol. 17, no 4, p. 499-504.
BOXMA, Onno, PERRY, David, et STADJE, Wolfgang. The M/G/1+ G queue revisited. Queueing
Systems, 2011, vol. 67, no 3, p. 207-220.
BOYLAN, J. E., SYNTETOS, Aris A., et KARAKOSTAS, G. C. Classification for forecasting
and stock control: a case study. Journal of the operational research society, 2008, vol. 59, no 4, p.
473-481.
BOYLAN, John E. et SYNTETOS, Aris A. Forecasting for inventory management of service parts.
In : Complex System Maintenance Handbook. Springer London, 2008. p. 479-506.
BRADLEY, J., SUWINSKI, J., THOMAS, J., et al. What has not changed in supply chains because
of e-business. Achieving Supply Chain Excellence Through Technology, Montgomery Research,
San Francisco, CA,(3), 2001, p. 75-78.
130
BROWN, Phillip A. et GIBSON, David F. A quantified model for facility site selection-application
to a multiplant location problem. AIIE transactions, 1972, vol. 4, no 1, p. 1-10.
BROWN, R. G. Materials management Systems, Wiley-Interscience, New York, NY. 1977.
BTS- Maintenance Industrielle, Documents de formation, Stratégies de maintenance, la
maintenance corrective. Académie Rouen, France.
BTS- Maintenance Industrielle, Documents de formation, Stratégies de maintenance, la Gestion
des pièces de rechange. Académie Rouen, France.
BUZACOTT, John A. et SHANTHIKUMAR, J. George. Stochastic models of manufacturing
systems. Englewood Cliffs, NJ : Prentice Hall, 1993.
CAGGIANO, Kathryn E., JACKSON, Peter L., MUCKSTADT, John A., et al. Optimizing service
parts inventory in a multiechelon, multi-item supply chain with time-based customer service-level
agreements. Operations Research, 2007, vol. 55, no 2, p. 303-318.
CAKIR, Ozan et CANBOLAT, Mustafa S. A web-based decision support system for multi-criteria
inventory classification using fuzzy AHP methodology. Expert Systems with Applications, 2008,
vol. 35, no 3, p. 1367-1378.
CALLEGARO, Andrea. Forecasting Methods for Spare Parts Demand. 2010.
CAVALIERI, S., GARETTI, M., MACCHI, M., et al. A decision-making framework for managing
maintenance spare parts. Production Planning & Control, 2008, vol. 19, no 4, p. 379-396.
CHELBI, A. Strategies optimales d’inspection et de remplacement d’équipements sujets à des
défaillances aléatoires, Doctoral Thesis; Department of Mechanical Engineering; LAVAL
University, 1996.
CHOI, Bong Dae, KIM, Bara, et CHUNG, Jinmin. M/M/1 queue with impatient customers of
higher priority. Queueing Systems, 2001, vol. 38, no 1, p. 49-66.
CHU, Ching-Wu, LIANG, Gin-Shuh, et LIAO, Chien-Tseng. Controlling inventory by combining
ABC analysis and fuzzy classification. Computers & Industrial Engineering, 2008, vol. 55, no 4,
p. 841-851.
CLARK, Andrew J. et SCARF, Herbert. Optimal policies for a multi-echelon inventory problem.
Management science, 1960, vol. 6, no 4, p. 475-490.
CLEROUX, Robert et MCCONALOGUE, Denis J. A numerical algorithm for recursively-defined
convolution integrals involving distribution functions.Management Science, 1976, vol. 22, no 10,
p. 1138-1146.
COHEN, Morris A. et LEE, Hau L. Manufacturing strategy. In : The management of productivity
and technology in manufacturing. Springer US, 1985. p. 153-188.
COHEN, Morris A. et ERNST, Ricardo. Multi-item classification and generic inventory stock
control policies. Production and Inventory Management Journal, 1988, vol. 29, no 3, p. 6-8.
131
COSTANTINO, Francesco, DI GRAVIO, Giulio, et TRONCI, Massimo. Multi-echelon, multi-
indenture spare parts inventory control subject to system availability and budget constraints.
Reliability Engineering & System Safety, 2013, vol. 119, p. 95-101.
CRABILL, Thomas B., GROSS, Donald, et MAGAZINE, Michael J. A classified bibliography of
research on optimal design and control of queues. Operations Research, 1977, vol. 25, no 2, p. 219-
232.
CROSTON, J. Do. Forecasting and stock control for intermittent demands. Journal of the
Operational Research Society, 1972, vol. 23, no 3, p. 289-303.
DADA, Maqbool. A two-echelon inventory system with priority shipments. Management science,
1992, vol. 38, no 8, p. 1140-1153.
DAGANZO, Carlos F. et NEWELL, Gordon F. Configuration of physical distribution networks.
Networks, 1986, vol. 16, no 2, p. 113-132.
DEKKER, Rommert, HILL, R. M., KLEIJN, M. J., et al. On the (S− 1, S) lost sales inventory
model with priority demand classes. Naval Research Logistics (NRL), 2002, vol. 49, no 6, p. 593-
610.
DHILLON, B. Life cycle costing: techniques, models and applications. Routledge, 2013.
DIALLO, Claver, AIT-KADI, Daoud, et CHELBI, Anis. (s, Q) spare parts provisioning strategy
for periodically replaced systems. IEEE Transactions on Reliability, 2008, vol. 57, no 1, p. 134-
139.
DIALLO, Claver. Développement d'un modèle d'identification et de gestion des pièces de
rechange. 2006. Thèse de doctorat. Université Laval.
DIAZ, Angel et FU, Michael C. Models for multi-echelon repairable item inventory systems with
limited repair capacity. European Journal of Operational Research, 1997, vol. 97, no 3, p. 480-492.
DIAZ, Angel et FU, Michael C. Multi-echelon models for repairable items: A review. 2005.
DINESH KUMAR, U. New trends in aircraft reliability and maintenance measures. Journal of
Quality in Maintenance Engineering, 1999, vol. 5, no 4, p. 287-295.
DOHI, Tadashi, KAIO, Naoto, et OSAKI, Shunji. Optimal ordering policies with time-dependent
delay structure. Journal of Quality in Maintenance Engineering, 1996, vol. 2, no 1, p. 50-62.
DUTUIT, Y., LEMAIRE, O., et RAUZY, A. New insight on measures of importance of
components and systems in fault tree analysis. FRONTIERS SCIENCE SERIES, 2000, vol. 2, p.
729-734.
EAVES, Andrew HC et KINGSMAN, Brian G. Forecasting for the ordering and stock-holding of
spare parts. Journal of the Operational Research Society, 2004, vol. 55, no 4, p. 431-437.
EBELING, Charles E. “An Introduction to Reliability and Maintainability Engineering 2,
EDITION 2005, pp-238-239.
132
EBELING, CHARLES E. Optimal stock levels and service channel allocations in a multi-item
repairable asset inventory system. IIE TRANSACTIONS, 1991, vol. 23, no 2, p. 115-120.
ERNST, Ricardo et COHEN, Morris A. Operations related groups (ORGs): a clustering procedure
for production/inventory systems. Journal of Operations Management, 1990, vol. 9, no 4, p. 574-
598.
FLINT, P. Too much of a good thing, better inventory management could save the industry millions
while improving reliability, Air Transport World, 1995, vol.32, 103–107.
FLORES, B. E., OLSON, D. L., et PEARCE, S. L. Use of cost and accuracy measures in
forecasting method selection: a physical distribution example. The International Journal of
Production Research, 1993, vol. 31, no 1, p. 139-160.
FOX, Bennett. Discrete optimization via marginal analysis. Management science, 1966, vol. 13,
no 3, p. 210-216.
GAJPAL, Prem Prakash, GANESH, L. S., et RAJENDRAN, Chandrasekharan. Criticality analysis
of spare parts using the analytic hierarchy process. International Journal of Production Economics,
1994, vol. 35, no 1, p. 293-297.
GEARY, S. Ready for combat. DC Velocity, 2006, vol. 4, no 7, p. 75-80.
GELDERS, Ludo F. et VAN LOOY, Paul M. An inventory policy for slow and fast movers in a
petrochemical plant: a case study. Journal of the Operational Research Society, 1978, p. 867-874.
GHOBBAR, Adel A. et FRIEND, Chris H. Evaluation of forecasting methods for intermittent parts
demand in the field of aviation: a predictive model. Computers & Operations Research, 2003, vol.
30, no 14, p. 2097-2114.
GOLDEN, Bruce L. et ASSAD, Arjang A. A decision-theoretic framework for comparing
heuristics. European journal of operational research, 1984, vol. 18, no 2, p. 167-171.
GOYAL, S. K. et GIRI, Bibhas Chandra. Recent trends in modeling of deteriorating inventory.
European Journal of operational research, 2001, vol. 134, no 1, p. 1-16.
GRAVES, Stephen C. A multi-echelon inventory model for a repairable item with one-for-one
replenishment. Management science, 1985, vol. 31, no 10, p. 1247-1256.
GROSS, D., et H. D. Kahn, On the Machine Repair Problem with Spares under Unequal Failure
Rates, Technical Memorandum Serial TUM-66451, Program in Logistics, Institute for
Management Science and Engineering, The George Washington University, Washington, D.C.
(1976).
GROSS, Donald et HARRIS, Carl M. Continuous-Review (s, S) Inventory Models with State-
Dependent Leadtimes. Management Science, 1973, vol. 19, no 5, p. 567-574.
133
GROSS, Donald, GU, Bingchang, et SOLAND, Richard M. Iterative solution methods for
obtaining the steady-state probability distributions of Markovian multi-echelon repairable item
inventory systems. Computers & operations research, 1993, vol. 20, no 8, p. 817-828.
GROSS, Donald, KAHN, Henry D., et MARSH, Joseph D. Queueing models for spares
provisioning. Naval Research Logistics Quarterly, 1977, vol. 24, no 4, p. 521-536.
GROSS, Donald, KIOUSSIS, Leonidas C., et MILLER, Douglas R. A network decomposition
approach for approximating the steady-state behavior of Markovian multi-echelon reparable item
inventory systems. Management Science, 1987, vol. 33, no 11, p. 1453-1468.
GROSS, Donald, MILLER, Douglas R., et SOLAND, Richard M. A closed queueing network
model for multi-echelon repairable item provisioning. AIIE Transactions, 1983, vol. 15, no 4, p.
344-352.
GROSS, Donald. Centralized inventory control in multilocation supply systems. Multistage
inventory models and techniques, 1963, vol. 1, p. 47.
GROSS, Donald. Sensitivity of queueing models to the assumption of exponentially. Naval
Research Logistics Quarterly, 1975, vol. 22, no 2, p. 271-287.
GUVENIR, H. Altay et EREL, Erdal. Multicriteria inventory classification using a genetic
algorithm. European journal of operational research, 1998, vol. 105, no 1, p. 29-37.
HADI-VENCHEH, A. An improvement to multiple criteria ABC inventory classification.
European Journal of Operational Research, 2010, vol. 201, no 3, p. 962-965.
HADLEY, G. et WHITIN, T.M., Analysis of inventory systems, Prentice-Hall, Englewood Cliffs,
NJ. 1963
HAGEDORN, Kaspar. Failure Mode and Effects Analysis (FMEA). 2010.
HARTEN, Aart et SLEPTCHENKO, Andrei. On multi-class multi-server queueing and spare parts
management. 2000.
HATEFI, Seyed Morteza et TORABI, Seyed Ali. A common weight linear optimization approach
for multicriteria ABC inventory classification. Advances in Decision Sciences, 2015, vol. 2015.
IGLEHART, Donald L. The dynamic inventory problem with unknown demand distribution.
Management Science, 1964, vol. 10, no 3, p. 429-440.
IRAVANI, Foad et BALCIOG̃ LU, Barış. On priority queues with impatient customers. Queueing
Systems, 2008, vol. 58, no 4, p. 239-260.
JOHNSTON, F. R. et BOYLAN, John E. Forecasting for items with intermittent demand. Journal
of the Operational Research Society, 1996, vol. 47, no 1, p. 113-121.
KABIR, A. B. M., Zohrul et AL-OLAYAN, Ahmed S. Joint optimization of age replacement and
continuous review spare provisioning policy. International Journal of Operations & Production
Management, 1994, vol. 14, no 7, p. 53-69.
134
KABIR, ABM Zohrul et AL-OLAYAN, Ahmed S. A stocking policy for spare part provisioning
under age based preventive replacement. European Journal of Operational Research, 1996, vol. 90,
no 1, p. 171-181.
KALCHSCHMIDT, Matteo, ZOTTERI, Giulio, et VERGANTI, Roberto. Inventory management
in a multi-echelon spare parts supply chain. International journal of production economics, 2003,
vol. 81, p. 397-413.
KANNAN, Soundararajan, LI, Yanzhen, AHMED, Naveed, et al. Developing a maintenance value
stream map. In: Institute of Industrial Engineers, Technical Societies and Divisions Lean
Conference Proceedings. 2007.
KARLIN, Samuel. Dynamic inventory policy with varying stochastic demands. Management
Science, 1960, vol. 6, no 3, p. 231-258.
KARUSH, William. A queuing model for an inventory problem. Operations research, 1957, vol.
5, no 5, p. 693-703.
KELLY, A. et HARRIS, M. J. Management of Industrial Maintenance, Newnes. 1997.
KIM, Sang-Hyun, COHEN, Morris A., et NETESSINE, Serguei. Reliability or inventory?
Contracting strategies for after-sales product support. In: Proceedings of 2007 International
Conference on Manufacturing & Service Operations Management. 2007.
KRANENBURG, Abraham Adrianus. Spare parts inventory control under system availability
constraints. Dissertation Abstracts International, 2006, vol. 68, no 02.
KRISHNAN, K. S. et RAO, V. R. K. Inventory control in N warehouses. Journal of Industrial
Engineering, 1965, vol. 16, no 3, p. 212-&.
KUTANOGLU, Erhan et MAHAJAN, Mohit. An inventory sharing and allocation method for a
multi-location service parts logistics network with time-based service levels. European Journal of
Operational Research, 2009, vol. 194, no 3, p. 728-742.
LANGEVIN, André et RIOPEL, Diane (ed.). Logistics systems: design and optimization. Springer
Science & Business Media, 2005.
LATINO, Charles J. Hidden treasure: eliminating chronic failures can cut maintenance costs up to
60%. Report, Reliability Center, Hopewell, Virginia, 1999, vol. 199, p. 115-121.
LEE, Jhong Sam et MILLER, Leonard E. CDMA systems engineering handbook. Artech House,
Inc., 1998.
LEE, Hau L. A multi-echelon inventory model for repairable items with emergency lateral
transshipments. Management science, 1987, vol. 33, no 10, p. 1302-1316.
LEE, Hau L. et MOINZADEH, Kamran. Operating characteristics of a two‐echelon inventory
system for repairable and consumable items under batch ordering and shipment policy. Naval
Research Logistics (NRL), 1987, vol. 34, no 3, p. 365-380.
135
LI, Hongtao et TIANFENG, Feng. The research and application of spare parts coding system. In:
Advanced Research and Technology in Industry Applications (WARTIA), 2014 IEEE Workshop
on. IEEE, 2014. p. 1287-1289.
MABINI, Marilyn C., PINTELON, Liliane M., et GELDERS, Ludo F. EOQ type formulations for
controlling repairable inventories. International Journal of Production Economics, 1992, vol. 28,
no 1, p. 21-33.
MAKRIDAKIS, Spyros, ANDERSEN, A., CARBONE, Robert, et al. The accuracy of
extrapolation (time series) methods: Results of a forecasting competition. Journal of forecasting,
1982, vol. 1, no 2, p. 111-153.
MARIER, Philippe. Prévision de la demande. Consortium de Recherche FOR@C, 2016.
MARTEL, Alain et KLIBI, Walid. A reengineering methodology for supply chain networks
operating under disruptions. In : Supply Chain Disruptions. Springer London, 2012. p. 241-273.
MARTEL, Alain et KLIBI, Walid. Apport des technologies de l’information et de la
communication (TIC), Document de formation, Ciirelt.2007.
MARTEL, Alain. et M. ORAL(éditeurs), Les défis de la compétitivité : Vision et stratégies, Publi-
Relais, 1995.
MARTEL, Alain. La conception des réseaux logistique. Document de formation, Ciirelt.2007.
MARTEL, Alain. Techniques et applications de la recherche opérationnelle. G. Morin, 1978.
MEHREZ, A. et STULMAN, A. Age replacement in the presence of inventory constraints.
European Journal of Operational Research, 1983, vol. 12, no 2, p. 183-189.
MITCHELL, G. H. Problems of controlling slow-moving engineering spares. OR, 1962, vol. 13,
no 1, p. 23-39.
MONTREUIL, B. Facilities network design: a recursive modular protomodel based approach.
Progress in material handling research. Material Handling Industry of America (MHIA), 2006, p.
287-315.
MUCKSTADT, John A. A model for a multi-item, multi-echelon, multi-indenture inventory
system. Management science, 1973, vol. 20, no 4-part-i, p. 472-481.
NAHMIASJ, STEVEN et RIVERA, Henry. A deterministic model for a repairable item inventory
system with a finite repair rate†. International Journal of Production Research, 1979, vol. 17, no 3,
p. 215-221.
NEEDHAM, Paul M. et EVERS, Philip T. The influence of individual cost factors on the use of
emergency transshipments. Transportation Research Part E: Logistics and Transportation Review,
1998, vol. 34, no 2, p. 149-160.
NG, Wan Lung. A simple classifier for multiple criteria ABC analysis. European Journal of
Operational Research, 2007, vol. 177, no 1, p. 344-353.
136
ÖNER, Kurtulus B., KIESMÜLLER, Gudrun P., et VAN HOUTUM, Geert-Jan. Optimization of
component reliability in the design phase of capital goods. European Journal of Operational
Research, 2010, vol. 205, no 3, p. 615-624.
PADMANABHAN, G. et VRAT, Prem. EOQ models for perishable items under stock dependent
selling rate. European Journal of Operational Research, 1995, vol. 86, no 2, p. 281-292.
PARK, Jaehun, BAE, Hyerim, et BAE, Joonsoo. Cross-evaluation-based weighted linear
optimization for multi-criteria ABC inventory classification. Computers & Industrial Engineering,
2014, vol. 76, p. 40-48.
PARTOVI, Fariborz Y. et HOPTON, Walter E. The analytic hierarchy process as applied to two
types of inventory problems. Production and Inventory Management Journal, 1994, vol. 35, no 1,
p. 13.
PARTOVI, Fariborz Y. et ANANDARAJAN, Murugan. Classifying inventory using an artificial
neural network approach. Computers & Industrial Engineering, 2002, vol. 41, no 4, p. 389-404.
PERSSON, Fredrik et SACCANI, Nicola. Managing the After Sales Logistic Network—A
Simulation Study of a Spare Parts Supply Chain. In: Advances in Production Management
Systems. Springer US, 2007. p. 313-320.
PETERSON, Rein et SILVER, Edward Allen. Decision systems for inventory management and
production planning. New York: Wiley, 1979.
PORRAS, Eric et DEKKER, Rommert. An inventory control system for spare parts at a refinery:
An empirical comparison of different re-order point methods. European Journal of Operational
Research, 2008, vol. 184, no 1, p. 101-132.
RAMANATHAN, Ramakrishnan. ABC inventory classification with multiple-criteria using
weighted linear optimization. Computers & Operations Research, 2006, vol. 33, no 3, p. 695-700.
RAUSCH, Mitchell et LIAO, Haitao. Joint production and spare part inventory control strategy
driven by condition based maintenance. IEEE Transactions on Reliability, 2010, vol. 59, no 3, p.
507-516.
REBAIAIA M-L , D. AIT-KADI, DJAMALI M.A, and MASCLE C. Modified Periodic
Replacement with used items at stochastic failure: Focusing sustainability and profit advantages,
European Safety and Reliability Conference (ESREL), 2015. Book published by CRC Press /
Balkema (Taylor and Francis group). ISBN 978-1-138-02879-1.
REBAIAIA M-L , D. AIT-KADI, A. JAMSHIDI Some application results for components
importance measures of binary coherent systems, Intern. Conf. Modelization Oprimization &
Simulation (MOSIM), 22-24 Aug., 2016, Montreal, Canada.
REBAIAIA M-L , D. AIT-KADI, A. JAMSHIDI, S. A. RAHIMI, A combination of reliability
calculus and importance measures for probability risk analysis, Proc. Control, Engineering &
Information Technology (CEIT), 2015 3rd International Conference on, IEEE Xplore.
137
REBAIAIA, Mohamed-Larbi, AIT-KADI, Daoud, RAHIMI, Samira Abbasgholizadeh, et al.
Numerical comparative analysis between age and block maintenance strategies in the presence of
probability distributions with increasing failure rate. IFAC-PapersOnLine, 2016, vol. 49, no 12, p.
1904-1909.
RITZMAN, Larry P., RENART, Jacky, KRAJEWSKI, Lee J., et al. Management des opérations:
principes et applications. Pearson Education France, 2010.
RUSTENBURG, W. D., HOUTUM, van GJ, et ZIJM, Willem Hendrik Maria. Spare parts
management at the Royal Netherlands Navy: vari-metric and beyond. 1998.
RUSTENBURG, W. D., VAN HOUTUM, G. J., et ZIJM, Willem Hendrik Maria. Spare parts
management for technical systems: resupply of spare parts under limited budgets. IIE Transactions,
2000, vol. 32, no 10, p. 1013-1026.
SAATY, Thomas L. What is the analytic hierarchy process? in: Mathematical models for decision
support. Springer Berlin Heidelberg, 1988. p. 109-121.
SCARF, Herbert. Bayes solutions of the statistical inventory problem. The Annals of Mathematical
Statistics, 1959, vol. 30, no 2, p. 490-508.
SCHAEFER, M. K. Replenishment policies for inventories of recoverable items with attrition.
Omega, 1989, vol. 17, no 3, p. 281-287.
SCHMIDT, Charles P. et NAHMIAS, Steven. (S − 1, S) policies for perishable inventory.
Management Science, 1985, vol. 31, no 6, p. 719-728.
SHERBROOKE, Craig C. METRIC: A multi-echelon technique for recoverable item control.
Operations Research, 1968, vol. 16, no 1, p. 122-141.
SHERBROOKE, Craig C. Multiechelon inventory systems with lateral supply. Naval Research
Logistics (NRL), 1992, vol. 39, no 1, p. 29-40.
SHERBROOKE, Craig C. Optimal inventory modeling of systems: multi-echelon techniques.
Springer Science & Business Media, 2006.
SILVER, Edward A. Operations research in inventory management: A review and critique.
Operations Research, 1981, vol. 29, no 4, p. 628-645.
SIMPSON, Vincent P. An ordering model for recoverable stock items. AIIE Transactions, 1970,
vol. 2, no 4, p. 315-320.
SLAY, F. M. vari-metric: An approach to modelling multi-echelon resupply when the demand
process is poisson with a gamma prior. Report AF301-3, Logistic Management Institute,
Washington, DC, 1984, vol. 232.
SMITH, Ricky et HAWKINS, Bruce. Lean maintenance: reduce costs, improve quality, and
increase market share. Butterworth-Heinemann, 2004.
138
STADTLER, Hartmut et KILGER, Christoph. Supply chain management and advanced planning.
2002.
STENIUS, Olof, KARAARSLAN, Gönül, MARKLUND, Johan, et al. Exact analysis of divergent
inventory systems with time-based shipment consolidation and compound Poisson demand.
Working paper, Division of Production Management, Lund University, 2011.
STIDHAM JR, Shaler. Technical Note- A Last Word on L= λ W. Operations Research, 1974, vol.
22, no 2, p. 417-421.
SYNTETOS, A. A., BOYLAN, J. E., et CROSTON, J. D. On the categorization of demand
patterns. Journal of the Operational Research Society, 2005, vol. 56, no 5, p. 495-503.
SYNTETOS, Aris A. et BOYLAN, John E. On the bias of intermittent demand estimates.
International journal of production economics, 2001, vol. 71, no 1, p. 457-466.
SYNTETOS, Aris A. et BOYLAN, John E. The accuracy of intermittent demand estimates.
International Journal of forecasting, 2005, vol. 21, no 2, p. 303-314.
SYNTETOS, Aris A., KEYES, M., et BABAI, M. Z. Demand categorisation in a European spare
parts logistics network. International journal of operations & production management, 2009, vol.
29, no 3, p. 292-316.
Tagaras, G., & Cohen, M. A. (1992). Pooling in two-location inventory systems with non-
negligible replenishment lead times. Management science, 38(8), 1067-1083.
TAYLOR, J. et JACKSON, R. R. P. An application of the birth and death process to the provision
of spare machines. OR, 1954, vol. 5, no 4, p. 95-108.
TSAI, Chi-Yang et YEH, Szu-Wei. A multiple objective particle swarm optimization approach for
inventory classification. International Journal of Production Economics, 2008, vol. 114, no 2, p.
656-666.
VALLIN, Philippe. La logistique : modèles et méthodes du pilotage des flux. Economica, 1999.
VAN HOUTUM, Geert-Jan et KRANENBURG, Bram. Spare parts inventory control under system
availability constraints. Springer, 2015.
VAN JAARSVELD, Willem et DEKKER, Rommert. Spare parts stock control for redundant
systems using reliability centered maintenance data. Reliability Engineering & System Safety,
2011, vol. 96, no 11, p. 1576-1586.
VON NEUMANN, John et MORGENSTERN, Oskar. Theory of games and economic behavior.
Princeton university press, 2007.
WAGNER, Harvey M. et WHITIN, Thomson M. Dynamic version of the economic lot size model.
Management science, 1958, vol. 5, no 1, p. 89-96.
WHITT, Ward. Approximations for the GI/G/m queue. Production and Operations Management,
1993, vol. 2, no 2, p. 114-161.
139
WHITT, Ward. The queueing network analyzer. Bell System Technical Journal, 1983, vol. 62, no
9, p. 2779-2815.
WILLEMAIN, Thomas R., SMART, Charles N., SHOCKOR, Joseph H., et al. Forecasting
intermittent demand in manufacturing: a comparative evaluation of Croston's method. International
Journal of forecasting, 1994, vol. 10, no 4, p. 529-538.
WILLIAMS, T. M. Stock control with sporadic and slow-moving demand. Journal of the
Operational Research Society, 1984, p. 939-948.
WILSON R.H., A scientific routine for stock control. Harvard business review, 1934. 13(1), p.116–
129.
WINTERS, Richard. Party control and policy change. American Journal of Political Science, 1976,
p. 597-636.
WOLFF, Ronald W. Poisson arrivals see time averages. Operations Research, 1982, vol. 30, no 2,
p. 223-231.
WOMACK, James P. et JONES, Daniel T. Lean thinking: Banish waste and create wealth in your
organisation. Simon and Shuster, New York, NY, 1996, vol. 397.
WOMACK, James P., JONES, Daniel T., et ROOS, Daniel. Machine that changed the world.
Simon and Schuster, 1990.
WONG, Hartanto, KRANENBURG, Bram, VAN HOUTUM, Geert-Jan, et al. Efficient heuristics
for two-echelon spare parts inventory systems with an aggregate mean waiting time constraint per
local warehouse. OR spectrum, 2007, vol. 29, no 4, p. 699-722.
WOODWARD, David G. Life cycle costing—theory, information acquisition and application.
International journal of project management, 1997, vol. 15, no 6, p. 335-344.
YAMASHINA, H. The service parts control problem. Engineering costs and production
economics, 1989, vol. 16, no 3, p. 195-208.
YANAGI, Shigeru, HASEGAWA, Kazunari, et YUGE, Tetsushi. An approximation to the steady
state probabilities of a multi-echelon repair model for a series system. Computers & industrial
engineering, 1997, vol. 33, no 3, p. 745-748.
YANG, Guangyuan, DEKKER, Rommert, GABOR, Adriana F., et al. Service parts inventory
control with lateral transshipment and pipeline stockflexibility. International Journal of Production
Economics, 2013, vol. 142, no 2, p. 278-289.
YANG, Guangyuan et DEKKER, Rommert. Service parts inventory control with lateral
transshipment that takes time. 2010.
ZHOU, Peng et FAN, Liwei. A note on multi-criteria ABC inventory classification using weighted
linear optimization. European journal of operational research, 2007, vol. 182, no 3, p. 1488-1491.
140
ZOHRUL KABIR, A. B. M. et AL-OLAYAN, Ahmed S. Joint optimization of age replacement
and continuous review spare provisioning policy. International Journal of Operations & Production
Management, 1994, vol. 14, no 7, p. 53.
Annexe A
Résultat des applications 2.1 et 2.4
N k λ µ s Dispo,M.Approx Dispo.M.Exacte Écart

100 1 0,0002 0,01 1 0,315569401 1,63032E-10 0,3156
100 1 0,0002 0,01 2 0,422143772 2,44548E-10 0,4221
100 1 0,0002 0,01 3 0,463883761 2,85306E-10 0,4639
100 1 0,0002 0,01 4 0,482571367 3,05685E-10 0,4826
100 1 0,0002 0,01 5 0,49143496 3,15874E-10 0,4914
100 1 0,0002 0,01 6 0,495753858 3,20969E-10 0,4958
100 1 0,0002 0,01 7 0,497885912 3,23517E-10 0,4979
100 1 0,0002 0,01 8 0,498945181 3,2479E-10 0,4989
100 1 0,0002 0,01 9 0,499473136 3,25427E-10 0,4995
100 1 0,0002 0,01 10 0,499736697 3,25745E-10 0,4997
100 2 0,0002 0,01 1 0,315569401 0,036469832 0,2791

100 2 0,0002 0,01 2 0,603217319 0,101971708 0,5012
100 2 0,0002 0,01 3 0,715930939 0,159134697 0,5568
100 2 0,0002 0,01 4 0,778774351 0,209455924 0,5693
100 2 0,0002 0,01 5 0,818849452 0,254094293 0,5648
100 2 0,0002 0,01 6 0,84663213 0,293961085 0,5527
100 2 0,0002 0,01 7 0,867026135 0,329782516 0,5372
100 2 0,0002 0,01 8 0,882632855 0,362144653 0,5205
100 2 0,0002 0,01 9 0,894960973 0,391525418 0,5034
100 2 0,0002 0,01 10 0,904945437 0,418318687 0,4866
100 3 0,0002 0,01 1 0,315569401 0,115124479 0,2004

100 3 0,0002 0,01 2 0,603217319 0,341264561 0,262
100 3 0,0002 0,01 3 0,793064043 0,564298742 0,2288
100 3 0,0002 0,01 4 0,878767535 0,711048231 0,1677
100 3 0,0002 0,01 5 0,925222039 0,808033384 0,1172
100 3 0,0002 0,01 6 0,952515244 0,87231753 0,0802
100 3 0,0002 0,01 7 0,969314914 0,915008865 0,0543
100 3 0,0002 0,01 8 0,979953345 0,943397131 0,0366
100 3 0,0002 0,01 9 0,986811779 0,962290576 0,0245
100 3 0,0002 0,01 10 0,991284503 0,97487183 0,0164
100 3 0,0002 0,01 11 0,994223237 0,983252957 0,011
141
100 3 0,0002 0,01 12 0,99616358 0,98883759 0,0073
100 3 0,0002 0,01 13 0,9974489 0,992559343 0,0049
100 3 0,0002 0,01 14 0,998302179 0,995040216 0,0033
100 3 0,0002 0,01 15 0,998869383 0,996693598 0,0022
100 3 0,0002 0,01 16 0,999246849 0,997795825 0,0015
100 3 0,0002 0,01 17 0,999498162 0,998530661 0,001
100 3 0,0002 0,01 18 0,999665563 0,999020284 0,0006
100 3 0,0002 0,01 19 0,999777094 0,999346959 0,0004
100 3 0,0002 0,01 20 0,999851374 0,999564663 0,0003
100 3 0,0002 0,01 21 0,999900922 0,999709929 0,0002
100 4 0,0002 0,01 1 0,315569401 0,132188767 0,1834

100 4 0,0002 0,01 2 0,603217319 0,393917754 0,2093
100 4 0,0002 0,01 3 0,793064043 0,654344559 0,1387
100 4 0,0002 0,01 4 0,906817377 0,827459335 0,0794
100 4 0,0002 0,01 5 0,955482811 0,91380138 0,0417
100 4 0,0002 0,01 6 0,978226095 0,956918508 0,0213
100 4 0,0002 0,01 7 0,989230305 0,978463814 0,0108
100 4 0,0002 0,01 8 0,99464395 0,989232916 0,0054
100 4 0,0002 0,01 9 0,997329098 0,994616792 0,0027
100 4 0,0002 0,01 10 0,9986663 0,997308451 0,0014
100 4 0,0002 0,01 11 0,999333651 0,998654303 0,0007
100 4 0,0002 0,01 12 0,999666943 0,999327152 0,0003
100 4 0,0002 0,01 13 0,999833497 0,999663514 0,0002
100 4 0,0002 0,01 14 0,999916725 0,999831742 8E-05
100 4 0,0002 0,01 15 0,999958344 0,999915976 4E-05
80 1 0,0002 0,01 1 0,365617335 2,18553E-05 0,3656

80 1 0,0002 0,01 2 0,496274889 3,55146E-05 0,4962
80 1 0,0002 0,01 3 0,553722046 4,40515E-05 0,5537
80 1 0,0002 0,01 4 0,583415356 4,9387E-05 0,5834
80 1 0,0002 0,01 5 0,600047279 5,27217E-05 0,6
80 1 0,0002 0,01 6 0,609784219 5,48059E-05 0,6097
80 1 0,0002 0,01 7 0,61563265 5,61085E-05 0,6156
80 1 0,0002 0,01 8 0,61919973 5,69226E-05 0,6191
80 1 0,0002 0,01 9 0,621395735 5,74315E-05 0,6213
80 1 0,0002 0,01 10 0,62275543 5,77495E-05 0,6227
80 2 0,0002 0,01 1 0,365617335 0,125441328 0,2402

80 2 0,0002 0,01 2 0,67215924 0,317946233 0,3542
80 2 0,0002 0,01 3 0,792221859 0,465116985 0,3271
142
80 2 0,0002 0,01 4 0,857469305 0,578739427 0,2787
80 2 0,0002 0,01 5 0,897646263 0,667127438 0,2305
80 2 0,0002 0,01 6 0,92431435 0,736290984 0,188
80 2 0,0002 0,01 7 0,942908317 0,790661018 0,1522
80 2 0,0002 0,01 8 0,95632159 0,833556529 0,1228
80 2 0,0002 0,01 9 0,966237057 0,867495727 0,0987
80 2 0,0002 0,01 10 0,973700028 0,894409217 0,0793
80 3 0,0002 0,01 1 0,365617335 0,189944535 0,1757

80 3 0,0002 0,01 2 0,67215924 0,490457714 0,1817
80 3 0,0002 0,01 3 0,852896109 0,729237854 0,1237
80 3 0,0002 0,01 4 0,927252039 0,855874553 0,0714
80 3 0,0002 0,01 5 0,962650284 0,923213065 0,0394
80 3 0,0002 0,01 6 0,980469145 0,959069617 0,0214
80 3 0,0002 0,01 7 0,989690978 0,978176968 0,0115
80 3 0,0002 0,01 8 0,994531939 0,988362833 0,0062
80 3 0,0002 0,01 9 0,997092197 0,993794198 0,0033
80 3 0,0002 0,01 10 0,998451583 0,996690273 0,0018
80 3 0,0002 0,01 11 0,999174875 0,998234877 0,0009
80 3 0,0002 0,01 12 0,999560136 0,99905868 0,0005
80 3 0,0002 0,01 13 0,999765455 0,999498027 0,0003
80 3 0,0002 0,01 14 0,999874904 0,999732434 0,0001
80 3 0,0002 0,01 15 0,999933281 0,999857337 8E-05
80 3 0,0002 0,01 16 0,999964454 0,999923963 4E-05
80 3 0,0002 0,01 17 0,999981007 0,99995951 2E-05
80 3 0,0002 0,01 18 0,999989855 0,999978504 1E-05
80 3 0,0002 0,01 19 0,999994588 0,999988626 6E-06
80 3 0,0002 0,01 20 0,999997139 0,999994102 3E-06
80 3 0,0002 0,01 21 0,999998458 0,999996851 2E-06
80 4 0,0002 0,01 1 0,365617335 0,200822487 0,1648

80 4 0,0002 0,01 2 0,67215924 0,519742727 0,1524
80 4 0,0002 0,01 3 0,852896109 0,77419509 0,0787
80 4 0,0002 0,01 4 0,944788769 0,909744233 0,035
80 4 0,0002 0,01 5 0,978392642 0,963908028 0,0145
80 4 0,0002 0,01 6 0,991431126 0,985564835 0,0059
80 4 0,0002 0,01 7 0,996584116 0,994226257 0,0024
80 4 0,0002 0,01 8 0,998635517 0,997690562 0,0009
80 4 0,0002 0,01 9 0,999454511 0,999076164 0,0004
80 4 0,0002 0,01 10 0,999781904 0,999630362 0,0002
80 4 0,0002 0,01 11 0,999912745 0,999852286 6E-05
80 4 0,0002 0,01 12 0,999965117 0,999941017 2E-05
143
80 4 0,0002 0,01 13 0,99998608 0,999976291 1E-05
80 4 0,0002 0,01 14 0,999994402 0,999990557 4E-06
80 4 0,0002 0,01 15 0,999997714 0,999996199 2E-06
Annexe B
Résultat de calcul des déviation
Intance N k λ µ s Dispo.Exact Dispo.Approx Écart Déviation

1 404 2 2E-06 0,002 5 Complexité 0,9995 - -
2 90 1 2E-06 0,0028 1 0,9394 0,9383 0,0011 0,001134
3 145 1 2E-06 0,0012 2 0,9529 0,9603 0,0074 0,007743
4 57 1 2E-06 0,0014 2 0,9943 0,9943 0,0000 2,01E-05
5 116 2 1E-05 0,0014 3 0,8442 0,9131 0,0689 0,081673
6 213 2 1E-05 0,0024 4 Complexité 0,9555 - -
7 20 1 6E-06 0,0031 2 0,9987 0,9986 5,6E-05 5,6E-05
8 268 3 7E-06 0,0015 1 Complexité 0,4436 - -
9 380 2 5E-06 0,0048 2 Complexité 0,9489 - -
10 24 1 7E-06 0,0032 2 0,9976 0,9975 6,5E-05 6,56E-05
11 24 1 5E-06 0,0016 1 0,9263 0,9260 3,3E-04 0,000352
12 762 3 4E-06 0,0011 5 Complexité 0,8069 - -
13 113 1 2E-06 0,0016 2 0,9720 0,9749 0,0029 0,00303
14 113 2 7E-06 0,0017 1 0,6384 0,6761 0,0378 0,059164
15 111 1 1E-05 0,0013 2 0,3537 0,7206 0,3669 1,037174
16 113 3 2E-06 0,0018 1 0,8598 0,8592 0,0006 0,000642
17 113 6 6E-05 0,0015 12 0,9528 0,9856 0,0328 0,034476
18 2 1 4E-05 0,0043 1 0,9813 0,9801 0,0012 0,001251
19 5 1 3E-05 0,0016 1 0,8947 0,8973 0,0026 0,002892
20 1 1 1E-05 0,001 1 0,9902 0,9894 0,0007 0,00074
21 7 1 5E-06 0,0015 1 0,9758 0,9744 0,0014 0,001408
22 1 1 5E-06 0,0018 1 0,9975 0,9973 0,0002 0,000203
23 635 3 7E-06 0,0023 3 Complexité 0,8185 - -
24 44 1 6E-06 0,0015 1 0,8362 0,8491 0,0129 0,015395
25 143 2 3E-08 0,0015 2 1,0000 1,0000 0,0000 1,52E-07
26 508 2 4E-06 0,0014 3 Complexité 0,8220 - -
27 134 1 3E-06 0,001 1 0,6628 0,7320 0,0692 0,104378
28 146 2 3E-06 0,0027 1 0,8442 0,8451 0,0009 0,001112
29 274 3 3E-06 0,0022 2 Complexité 0,9493 - -
30 140 1 3E-06 0,0012 3 0,9551 0,9690 0,0139 0,014511
31 15 1 7E-06 0,0025 3 0,9999 0,9999 0,0000 2,47E-06
144
32 15 1 7E-06 0,0022 2 0,9979 0,9979 0,0001 6,5E-05
Annexe C
Résultat des applications 2.2
s k EBO L L_syst λbar Beta W A CT

1 1 5,0455 4,9545 6,0364 0,0099 0,0091 509,19 0,4954 6000
2 1 5,0227 4,9773 7,0045 0,01 0,0136 504,55 0,4977 10000
3 1 5,0113 4,9887 7,9864 0,01 0,0158 502,27 0,4989 14000
4 1 5,0056 4,9944 8,9763 0,01 0,0169 501,13 0,4994 18000
5 1 5,0028 4,9972 9,9706 0,01 0,0175 500,56 0,4997 22000
6 1 5,0014 4,9986 10,968 0,01 0,0178 500,28 0,4999 26000
7 1 5,0007 4,9993 11,966 0,01 0,0179 500,14 0,4999 30000
8 1 5,0004 4,9996 12,965 0,01 0,018 500,07 0,5 34000
9 1 5,0002 4,9998 13,964 0,01 0,018 500,04 0,5 38000
10 1 5,0001 4,9999 14,964 0,01 0,018 500,02 0,5 42000
1 2 1,9379 8,0621 2,841 0,0161 0,0969 120,19 0,8062 8000
2 2 1,6233 8,3767 3,2987 0,0168 0,2435 96,895 0,8377 12000
3 2 1,3966 8,6034 3,7681 0,0172 0,3492 81,166 0,8603 16000
4 2 1,2255 8,7745 4,2451 0,0175 0,4289 69,83 0,8775 20000
5 2 1,0917 8,9083 4,7271 0,0178 0,4913 61,273 0,8908 24000
6 2 0,9842 9,0158 5,2126 0,018 0,5413 54,584 0,9016 28000
1 3 1,1551 8,8449 2,0183 0,0177 0,1368 65,298 0,8845 10000
2 3 0,715 9,285 2,207 0,0186 0,381 38,504 0,9285 14000
3 3 0,455 9,545 2,364 0,0191 0,6061 23,834 0,9545 18000
4 3 0,2944 9,7056 2,4904 0,0194 0,7451 15,166 0,9706 22000
5 3 0,1925 9,8075 2,5898 0,0196 0,8334 9,8131 0,9808 26000
7 3 0,0838 9,9162 2,7253 0,0198 0,9275 4,2233 0,9916 34000
145
Annexe D
s1 s2 s3 k1 k2 k3 EBO1 EBO2 EBO3 A1 A2 A3 A CT

1 1 1 1 1 1 5,05 5,05 5,046 0,495 0,495 0,495 0,121 1E+05
1 1 2 1 1 1 5,046 5,046 5,023 0,495 0,495 0,498 0,122 2E+05
1 1 3 1 1 1 5,046 5,046 5,01 0,495 0,495 0,499 0,122 2E+05
1 2 1 1 1 1 5,046 5,023 5,046 0,495 0,498 0,495 0,122 1E+05
1 2 2 1 1 1 5,046 5,023 5,023 0,495 0,498 0,498 0,123 2E+05
1 2 3 1 1 1 5,046 5,023 5,01 0,495 0,498 0,499 0,123 2E+05
1 3 1 1 1 1 5,046 5,011 5,046 0,495 0,499 0,495 0,122 2E+05
1 3 2 1 1 1 5,046 5,011 5,023 0,495 0,499 0,498 0,123 2E+05
1 3 3 1 1 1 5,046 5,011 5,01 0,495 0,499 0,499 0,123 2E+05
2 1 1 1 1 1 5,023 5,046 5,046 0,498 0,495 0,495 0,122 2E+05
2 1 2 1 1 1 5,023 5,046 5,023 0,498 0,495 0,498 0,123 2E+05
2 1 3 1 1 1 5,023 5,046 5,01 0,498 0,495 0,499 0,123 2E+05
2 2 1 1 1 1 5,023 5,023 5,046 0,498 0,498 0,495 0,123 2E+05
2 2 2 1 1 1 5,023 5,023 5,023 0,498 0,498 0,498 0,123 2E+05
2 2 3 1 1 1 5,023 5,023 5,01 0,498 0,498 0,499 0,124 2E+05
2 3 1 1 1 1 5,023 5,011 5,046 0,498 0,499 0,495 0,123 2E+05
2 3 2 1 1 1 5,023 5,011 5,023 0,498 0,499 0,498 0,124 2E+05
2 3 3 1 1 1 5,023 5,011 5,01 0,498 0,499 0,499 0,124 3E+05
3 1 1 1 1 1 5,011 5,046 5,046 0,499 0,495 0,495 0,122 2E+05
3 1 2 1 1 1 5,011 5,046 5,023 0,499 0,495 0,498 0,123 2E+05
3 1 3 1 1 1 5,011 5,046 5,01 0,499 0,495 0,499 0,123 3E+05
3 2 1 1 1 1 5,011 5,023 5,046 0,499 0,498 0,495 0,123 2E+05
3 2 2 1 1 1 5,011 5,023 5,023 0,499 0,498 0,498 0,124 3E+05
3 2 3 1 1 1 5,011 5,023 5,01 0,499 0,498 0,499 0,124 3E+05
3 3 1 1 1 1 5,011 5,011 5,046 0,499 0,499 0,495 0,123 2E+05
3 3 2 1 1 1 5,011 5,011 5,023 0,499 0,499 0,498 0,124 3E+05
3 3 3 1 1 1 5,011 5,011 5,01 0,499 0,499 0,499 0,124 3E+05
1 1 1 2 1 1 1,938 5,046 5,046 0,806 0,495 0,495 0,198 1E+05
1 1 2 2 1 1 1,938 5,046 5,023 0,806 0,495 0,498 0,199 2E+05
1 3 3 4 3 4 0,992 0,455 0,252 0,901 0,955 0,975 0,838 3E+05

2 1 1 4 3 4 0,516 1,155 0,992 0,948 0,884 0,901 0,756 2E+05
146
2 1 2 4 3 4 0,516 1,155 0,516 0,948 0,884 0,948 0,796 3E+05
2 1 3 4 3 4 0,516 1,155 0,252 0,948 0,884 0,975 0,818 3E+05
2 2 1 4 3 4 0,516 0,715 0,992 0,948 0,928 0,901 0,793 3E+05
2 2 2 4 3 4 0,516 0,715 0,516 0,948 0,928 0,948 0,835 3E+05
2 2 3 4 3 4 0,516 0,715 0,252 0,948 0,928 0,975 0,858 3E+05
2 3 1 4 3 4 0,516 0,455 0,992 0,948 0,955 0,901 0,815 3E+05
2 3 2 4 3 4 0,516 0,455 0,516 0,948 0,955 0,948 0,858 3E+05
2 3 3 4 3 4 0,516 0,455 0,252 0,948 0,955 0,975 0,882 3E+05
3 1 1 4 3 4 0,252 1,155 0,992 0,975 0,884 0,901 0,777 3E+05
3 1 2 4 3 4 0,252 1,155 0,516 0,975 0,884 0,948 0,818 3E+05
3 1 3 4 3 4 0,252 1,155 0,252 0,975 0,884 0,975 0,841 3E+05
3 2 1 4 3 4 0,252 0,715 0,992 0,975 0,928 0,901 0,815 3E+05
3 2 2 4 3 4 0,252 0,715 0,516 0,975 0,928 0,948 0,858 3E+05
3 2 3 4 3 4 0,252 0,715 0,252 0,975 0,928 0,975 0,882 4E+05
3 3 1 4 3 4 0,252 0,455 0,992 0,975 0,955 0,901 0,838 3E+05
3 3 2 4 3 4 0,252 0,455 0,516 0,975 0,955 0,948 0,882 4E+05
3 3 3 4 3 4 0,252 0,455 0,252 0,975 0,955 0,975 0,907 4E+05
1 1 1 3 4 4 1,155 0,992 0,992 0,884 0,901 0,901 0,718 2E+05
1 1 2 3 4 4 1,155 0,992 0,516 0,884 0,901 0,948 0,756 2E+05
1 1 3 3 4 4 1,155 0,992 0,252 0,884 0,901 0,975 0,777 3E+05
1 2 1 3 4 4 1,155 0,516 0,992 0,884 0,948 0,901 0,756 2E+05
1 2 2 3 4 4 1,155 0,516 0,516 0,884 0,948 0,948 0,796 3E+05
1 2 3 3 4 4 1,155 0,516 0,252 0,884 0,948 0,975 0,818 3E+05
1 3 1 3 4 4 1,155 0,252 0,992 0,884 0,975 0,901 0,777 2E+05
1 3 2 3 4 4 1,155 0,252 0,516 0,884 0,975 0,948 0,818 3E+05
1 3 3 3 4 4 1,155 0,252 0,252 0,884 0,975 0,975 0,841 3E+05
2 1 1 3 4 4 0,715 0,992 0,992 0,928 0,901 0,901 0,753 2E+05
2 1 2 3 4 4 0,715 0,992 0,516 0,928 0,901 0,948 0,793 3E+05
2 1 3 3 4 4 0,715 0,992 0,252 0,928 0,901 0,975 0,815 3E+05
2 2 1 3 4 4 0,715 0,516 0,992 0,928 0,948 0,901 0,793 3E+05
2 2 2 3 4 4 0,715 0,516 0,516 0,928 0,948 0,948 0,835 3E+05
2 2 3 3 4 4 0,715 0,516 0,252 0,928 0,948 0,975 0,858 3E+05
2 3 1 3 4 4 0,715 0,252 0,992 0,928 0,975 0,901 0,815 3E+05
2 3 2 3 4 4 0,715 0,252 0,516 0,928 0,975 0,948 0,858 3E+05
2 3 3 3 4 4 0,715 0,252 0,252 0,928 0,975 0,975 0,882 3E+05
3 1 1 3 4 4 0,455 0,992 0,992 0,955 0,901 0,901 0,774 3E+05
3 1 2 3 4 4 0,455 0,992 0,516 0,955 0,901 0,948 0,815 3E+05
3 1 3 3 4 4 0,455 0,992 0,252 0,955 0,901 0,975 0,838 3E+05
3 2 1 3 4 4 0,455 0,516 0,992 0,955 0,948 0,901 0,815 3E+05
3 2 2 3 4 4 0,455 0,516 0,516 0,955 0,948 0,948 0,858 3E+05
3 2 3 3 4 4 0,455 0,516 0,252 0,955 0,948 0,975 0,882 4E+05
3 3 1 3 4 4 0,455 0,252 0,992 0,955 0,975 0,901 0,838 3E+05
3 3 2 3 4 4 0,455 0,252 0,516 0,955 0,975 0,948 0,882 4E+05
147
3 3 3 3 4 4 0,455 0,252 0,252 0,955 0,975 0,975 0,907 4E+05
1 1 1 4 4 4 0,992 0,992 0,992 0,901 0,901 0,901 0,731 2E+05
1 1 2 4 4 4 0,992 0,992 0,516 0,901 0,901 0,948 0,77 2E+05
1 1 3 4 4 4 0,992 0,992 0,252 0,901 0,901 0,975 0,791 3E+05
1 2 1 4 4 4 0,992 0,516 0,992 0,901 0,948 0,901 0,77 2E+05
1 2 2 4 4 4 0,992 0,516 0,516 0,901 0,948 0,948 0,81 3E+05
1 2 3 4 4 4 0,992 0,516 0,252 0,901 0,948 0,975 0,833 3E+05
1 3 1 4 4 4 0,992 0,252 0,992 0,901 0,975 0,901 0,791 3E+05
1 3 2 4 4 4 0,992 0,252 0,516 0,901 0,975 0,948 0,833 3E+05
1 3 3 4 4 4 0,992 0,252 0,252 0,901 0,975 0,975 0,856 3E+05
2 1 1 4 4 4 0,516 0,992 0,992 0,948 0,901 0,901 0,77 3E+05
2 1 2 4 4 4 0,516 0,992 0,516 0,948 0,901 0,948 0,81 3E+05
2 1 3 4 4 4 0,516 0,992 0,252 0,948 0,901 0,975 0,833 3E+05
2 2 1 4 4 4 0,516 0,516 0,992 0,948 0,948 0,901 0,81 3E+05
2 2 2 4 4 4 0,516 0,516 0,516 0,948 0,948 0,948 0,853 3E+05
2 2 3 4 4 4 0,516 0,516 0,252 0,948 0,948 0,975 0,877 3E+05
2 3 1 4 4 4 0,516 0,252 0,992 0,948 0,975 0,901 0,833 3E+05
2 3 2 4 4 4 0,516 0,252 0,516 0,948 0,975 0,948 0,877 3E+05
2 3 3 4 4 4 0,516 0,252 0,252 0,948 0,975 0,975 0,901 4E+05
3 1 1 4 4 4 0,252 0,992 0,992 0,975 0,901 0,901 0,791 3E+05
3 1 2 4 4 4 0,252 0,992 0,516 0,975 0,901 0,948 0,833 3E+05
3 1 3 4 4 4 0,252 0,992 0,252 0,975 0,901 0,975 0,856 4E+05
3 2 1 4 4 4 0,252 0,516 0,992 0,975 0,948 0,901 0,833 3E+05
3 2 2 4 4 4 0,252 0,516 0,516 0,975 0,948 0,948 0,877 3E+05
3 2 3 4 4 4 0,252 0,516 0,252 0,975 0,948 0,975 0,901 4E+05
3 3 1 4 4 4 0,252 0,252 0,992 0,975 0,975 0,901 0,856 3E+05
3 3 2 4 4 4 0,252 0,252 0,516 0,975 0,975 0,948 0,901 4E+05
3 3 3 4 4 4 0,252 0,252 0,252 0,975 0,975 0,975 0,926 4E+05
148
Annexe E
s k tem nu EBO L Lsyst Lamdabar Perte W A CT A.METRIC

1 1 5 0 5,1741 4,8259 6,1732 0,0097 0 536,07 1 6000 0,99762979
2 1 5 0 1,25 8,75 3,25 0,0175 0 71,428 1 10000 0,99687044
3 1 5 0 1,25 8,75 4,25 0,0175 0 71,428 1 14000 0,99848956
4 1 5 0 1,25 8,75 5,25 0,0175 0 71,428 1 18000 0,99938558
1 2 5 0 3,3579 6,6421 4,3562 0,0133 0 252,78 1 8000 0,99621053
2 2 5 0 2,718 7,282 4,7139 0,0146 0 186,63 1 12000 0,99780409
3 2 5 0 1,25 8,75 4,25 0,0175 0 71,428 1 16000 0,99848956
4 2 5 0 1,1111 8,8889 5,1111 0,0178 0 62,499 1 20000 0,99935217
1 3 5 0 3,3579 6,6421 4,3562 0,0133 0 252,78 1 10000 0,99621053
2 3 5 0 2,718 7,282 4,7139 0,0146 0 186,63 1 14000 0,99780409
3 3 5 0 1,1111 8,8889 4,1111 0,0178 0 62,499 1 18000 0,9984278
4 3 5 0 1,1111 8,8889 5,1111 0,0178 0 62,499 1 22000 0,99935217
1 1 5 0,01 1,5876 8,4124 2,5655 0,0168 0,0093 94,357 0,9953 6001 0,99472361
2 1 5 0,01 1,0515 8,9485 3,0515 0,0179 0,01 58,754 0,995 10001 0,99673642
3 1 5 0,01 1,0411 8,9589 4,0411 0,0179 0,01 58,102 0,995 14001 0,99839624
4 1 5 0,01 1,0341 8,9659 5,034 0,0179 0,01 57,669 0,995 18001 0,9993332
1 2 5 0,01 2,4094 7,5906 3,4046 0,0152 0,0098 158,71 0,9951 8001 0,99542378
2 2 5 0,01 1,5037 8,4963 3,49 0,017 0,0098 88,492 0,9951 12001 0,99703924
3 2 5 0,01 1,0411 8,9589 4,0411 0,0179 0,01 58,103 0,995 16001 0,99839624
4 2 5 0,01 1,0341 8,9659 5,0341 0,0179 0,01 57,67 0,995 20001 0,99933321
1 3 5 0,01 3,2869 6,7131 4,2854 0,0134 0,0099 244,81 0,995 10001 0,99615255
2 3 5 0,01 2,3532 7,6468 4,3497 0,0153 0,0099 153,87 0,995 14001 0,9975823
3 3 5 0,01 1,416 8,584 4,4107 0,0172 0,01 82,48 0,995 18001 0,99856188
4 3 5 0,01 1,0341 8,9659 5,0341 0,0179 0,01 57,67 0,995 22001 0,99933321
5 3 5 0,01 1,0292 8,9708 6,0291 0,0179 0,01 57,361 0,995 26001 0,99103055
6 3 5 0,01 1,0254 8,9746 7,0252 0,0179 0,01 57,129 0,995 30001 0,99993057
1 1 10 0,01 1,5876 8,4124 2,5655 0,0168 0,0093 94,357 0,9907 6001 0,98944722
2 1 10 0,01 1,0515 8,9485 3,0515 0,0179 0,01 58,754 0,99 10001 0,99347283
3 1 10 0,01 1,0411 8,9589 4,0411 0,0179 0,01 58,102 0,99 14001 0,99679248
4 1 10 0,01 1,0341 8,9659 5,034 0,0179 0,01 57,669 0,99 18001 0,9986664
1 2 10 0,01 2,4094 7,5906 3,4046 0,0152 0,0098 158,71 0,9902 8001 0,99084757
2 2 10 0,01 1,5037 8,4963 3,49 0,017 0,0098 88,492 0,9902 12001 0,99407847
149
3 2 10 0,01 1,0411 8,9589 4,0411 0,0179 0,01 58,103 0,99 16001 0,99679248
4 2 10 0,01 1,0341 8,9659 5,0341 0,0179 0,01 57,67 0,99 20001 0,99866641
5 2 10 0,01 1,0291 8,9709 6,0291 0,0179 0,01 57,36 0,99 24001 0,99953305
6 2 10 0,01 1,0254 8,9746 7,025 0,0179 0,01 57,126 0,99 28001 0,99986114
1 3 10 0,01 3,2869 6,7131 4,2854 0,0134 0,0099 244,81 0,9901 10001 0,99230509
2 3 10 0,01 2,3532 7,6468 4,3497 0,0153 0,0099 153,87 0,9901 14001 0,9951646
3 3 10 0,01 1,416 8,584 4,4107 0,0172 0,01 82,48 0,99 18001 0,99712376
4 3 10 0,01 1,0341 8,9659 5,0341 0,0179 0,01 57,67 0,99 22001 0,99866641
5 3 10 0,01 1,0292 8,9708 6,0291 0,0179 0,01 57,361 0,99 26001 0,99953306
6 3 10 0,01 1,0254 8,9746 7,0252 0,0179 0,01 57,129 0,99 30001 0,99986115
1 1 5 0,05 0,8684 9,1316 1,7827 0,0183 0,0371 47,55 0,9814 6005 0,99409933
2 1 5 0,05 1,0126 8,9874 3,0125 0,018 0,05 56,332 0,975 10007 0,99670991
3 1 5 0,05 1,0094 8,9906 4,0093 0,018 0,05 56,139 0,975 14007 0,99838189
4 1 5 0,05 1,0067 8,9933 5,0044 0,018 0,05 55,97 0,975 18007 0,99932638
1 2 5 0,05 2,0128 7,9872 2,9985 0,016 0,0464 126 0,9768 8006 0,99508781
2 2 5 0,05 1,0932 8,9068 3,0502 0,0178 0,0473 61,371 0,9763 12007 0,99676473
3 2 5 0,05 1,0119 8,9881 4,012 0,018 0,05 56,29 0,975 16007 0,998383
4 2 5 0,05 1,0092 8,9908 5,0094 0,018 0,05 56,123 0,975 20007 0,99932699
1 3 5 0,05 3,0554 6,9446 4,0517 0,0139 0,0489 219,99 0,9756 10005 0,99596243
2 3 5 0,05 2,1002 7,8998 4,0914 0,0158 0,0493 132,93 0,9753 14006 0,99742431
3 3 5 0,05 1,1328 8,8672 4,1193 0,0177 0,0495 63,875 0,9752 18007 0,99843752
4 3 5 0,05 1,0115 8,9885 5,0122 0,018 0,05 56,264 0,975 22007 0,99932756
5 3 5 0,05 1,0083 8,9917 6,007 0,018 0,05 56,07 0,975 26007 0,99976422
6 3 5 0,05 1,0064 8,9936 7,0029 0,018 0,05 55,948 0,975 30007 0,9999298
7 3 5 0,05 1,0021 8,9979 7,9815 0,018 0,0498 55,683 0,9751 34007 0,99998194
8 3 5 0,05 0,9752 9,0248 8,7917 0,018 0,0486 54,029 0,9757 38007 0,99999585
9 3 5 0,05 0,7612 9,2388 8,0325 0,0185 0,0385 41,195 0,9808 42006 0,99999899
1 1 10 0,05 0,8684 9,1316 1,7827 0,0183 0,0371 47,55 0,9629 6005 0,98819866
2 1 10 0,05 1,0126 8,9874 3,0125 0,018 0,05 56,332 0,95 10007 0,99341982
3 1 10 0,05 1,0094 8,9906 4,0093 0,018 0,05 56,139 0,95 14007 0,99676378
4 1 10 0,05 1,0067 8,9933 5,0044 0,018 0,05 55,97 0,95 18007 0,99865275
5 1 10 0,05 0,9964 9,0036 5,964 0,018 0,0498 55,334 0,9502 22007 0,99952577
6 1 10 0,05 0,8925 9,1075 6,4155 0,0182 0,048 48,998 0,952 26007 0,9998501
7 1 10 0,05 0,3448 9,6552 3,902 0,0193 0,0386 17,857 0,9614 30006 0,99994433
8 1 10 0,05 0,0289 9,9711 1,9668 0,0199 0,0331 1,4468 0,9669 34005 0,99998315
9 1 10 0,05 0,0015 9,9985 1,7707 0,02 0,0326 0,0734 0,9674 38005 0,99999619
10 1 10 0,05 6E-05 9,9999 1,7592 0,02 0,0326 0,0032 0,9674 42005 0,99999924
1 2 10 0,05 2,0128 7,9872 2,9985 0,016 0,0464 126 0,9536 8006 0,99017563
2 2 10 0,05 1,0932 8,9068 3,0502 0,0178 0,0473 61,371 0,9527 12007 0,99352946
3 2 10 0,05 1,0119 8,9881 4,012 0,018 0,05 56,29 0,95 16007 0,996766
4 2 10 0,05 1,0092 8,9908 5,0094 0,018 0,05 56,123 0,95 20007 0,99865399
5 2 10 0,05 1,0076 8,9924 6,0088 0,018 0,05 56,025 0,95 24007 0,99952827
6 2 10 0,05 1,0074 8,9926 7,0173 0,018 0,0501 56,012 0,9499 28007 0,99985969
150
6 2 10 0,05 1,0074 8,9926 7,0173 0,018 0,0501 56,012 0,9499 28007 0,99985969
1 3 10 0,05 3,0554 6,9446 4,0517 0,0139 0,0489 219,99 0,9511 10005 0,99192486
2 3 10 0,05 2,1002 7,8998 4,0914 0,0158 0,0493 132,93 0,9507 14006 0,99484863
3 3 10 0,05 1,1328 8,8672 4,1193 0,0177 0,0495 63,875 0,9505 18007 0,99687504
4 3 10 0,05 1,0115 8,9885 5,0122 0,018 0,05 56,264 0,95 22007 0,99865513
5 3 10 0,05 1,0083 8,9917 6,007 0,018 0,05 56,07 0,95 26007 0,99952843
6 3 10 0,05 1,0064 8,9936 7,0029 0,018 0,05 55,948 0,95 30007 0,9998596
7 3 10 0,05 1,0021 8,9979 7,9815 0,018 0,0498 55,683 0,9502 34007 0,99996389
8 3 10 0,05 0,9752 9,0248 8,7917 0,018 0,0486 54,029 0,9514 38007 0,9999917
9 3 10 0,05 0,7612 9,2388 8,0325 0,0185 0,0385 41,195 0,9615 42006 0,99999799
10 3 10 0,05 0,1944 9,8056 3,6362 0,0196 0,0117 9,9143 0,9883 46002 0,99999936
151
Annexe F
152

Gestion Optimale Des Pièces de Rechange Dans Un Réseau Logistique Multi-Échelon Flexible

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Gestion Optimale Des Pièces de Rechange Dans Un Réseau Logistique Multi-Échelon Flexible

Transféré par

Droits d'auteur :

Formats disponibles

Gestion optimale des pièces de rechange dans un réseau

logistique multi-échelon flexible

Maîtrise en génie mécanique

© Ahmed Bouzenad, 2017

Ce mémoire aborde la problématique de planification et contrôle des inventaires des pièces de

Résumé .............................................................................................................. ………………..iii

Chapitre 1: Introduction générale ........................................................................................ …..1

Conclusion générale .................................................................................................................125

Figure.1.1. Exemple de réseau logistique pour le réapprovisionnement en pièces de rechange……………7

Tableau.1.1. Classification des pièces de rechange pour des applications industrielles………………….18

Au début, je voudrais exprimer ma plus profonde gratitude à Madame Claire Deschênes,

1.2.1. Contexte et tendances actuelles de gestion des pièces de rechange

1.2.2. Système de gestion des pièces de rechange

Réseau d’équipement (clients)

Figure.1.1. Exemple de réseau logistique pour le réapprovisionnement en pièces de rechange

Figure.1.2. Sous-réseau d’un centre de réparation

La problématique de déploiement et de retrait des centres (stocks, ateliers) dans un réseau

1.2.2.2.Pilotage des flux

SUR – STOCK RUPTURE DE STOCK

Système informatique et télématique s client

Système de Système Système

1.2.2.3.Mission du système de gestion des pièces de rechange

𝑅𝐶𝐹 = (∑ 𝑑𝑒𝑠 𝑅𝑒𝑣𝑒𝑛𝑢𝑠 − ∑ 𝑑𝑒𝑠 𝐷é𝑝𝑒𝑚𝑠𝑒𝑠 𝑑′𝑒𝑥𝑝𝑙𝑜𝑖𝑡𝑎𝑡𝑖𝑜𝑛) (1 − 𝑡𝑎𝑢𝑥 𝑑′𝑖𝑚𝑝ô𝑡)

− ∑ 𝑑𝑒𝑠 𝐼𝑛𝑣𝑒𝑠𝑡𝑖𝑠𝑠𝑒𝑚𝑒𝑛𝑡𝑠 (1.1)

1.3.1. Contributions scientifiques & Applications industrielles

1.3.3. Littérature sur la classification des pièces de rechange

Référence Critères utilisés Outils Industrie

Tableau.1.1. Classification des pièces de rechange pour des applications industrielles

1.3.4. Littérature sur la prévision de la demande des pièces de rechanges

1.3.4.1.Prévision basée sur les séries temporelles

1.3.4.2.Prévision basée sur la fiabilité

1.3.5. Littérature sur les stratégies de maintenance

1.3.5.1. Stratégie de remplacement à la panne

1.3.5.2.Stratégie de remplacement périodique

- Stratégie de type âge : Cette stratégie consiste à effectuer des remplacements à la

La problématique de planification et contrôle des pièces de rechange a fait l’objet de plusieurs

1.3.6.1.Politiques de pilotage et contrôle des inventaires des pièces de rechange

1.3.6.1.1. Modèles classiques

1.3.6.1.3. Modèles basées sur la théorie les files d’attente

1.3.6.1.4. Modèle de gestion des réapprovisionnements des pièces de rechange avec

1.4. Objectifs de la maîtrise

1.4.2. Modèles avec d’autres mesures de performance

1.4.4. Évaluation approximative du modèle multi-échelon et étude comparative

Gestion des pièces de rechange pour un réseau d’équipements

Réseau de N0 machines en opération

Figure.2.1. Processus de défaillance et de réparation.

𝐸[𝑂𝐻(𝑆, 𝑡)] = ∑(𝑆 − 𝑥) 𝑃 (𝑋(𝑡) = 𝑥) (2.10)

Le nombre moyen de pièces en souffrance :

𝐸[𝐵𝑂 (𝑆, 𝑡) ] = ∑ (𝑥 − 𝑆)𝑃 (𝑋(𝑡) = 𝑥) (2.11)

𝐸[𝐵𝑂 (𝑆, 𝑡) ] = ∑ (𝑥 − 𝑆)𝑃 (𝑋(𝑡) = 𝑥) (2.11. bis. 1)

𝐸[𝐵𝑂 (𝑆, 𝑡) ] = ∑ (𝑥 − 𝑆)𝑃 (𝑋(𝑡) = 𝑥) (2.11. bis. 2)

À partir de l’équation (2.10) 𝑒𝑡 (2.11) on obtient :

𝐸[𝑂𝐻(𝑆, 𝑡)] − 𝐸[𝐵𝑂 (𝑆, 𝑡) ] = 𝑆 − 𝑋(𝑡) (2.12)

𝑁0 (𝑡) = 𝑚 − 𝐵𝑂(𝑡) − 𝑁5 (𝑡)

𝑁0 (𝑡) 𝐵𝑂 (𝑡) − 𝑁5 (𝑡)

𝐸[𝐵𝑂 (𝑆, 𝑡) ] − 𝐸[𝑁5 (𝑡)]

Le modèle décisionnel que nous proposons est un problème d’optimisation multi-objectif, le

𝐸[𝐵𝑂 (𝑆, 𝑡) ] − 𝐸[𝑁5 (𝑡)]

2.4.Hypothèses et analyse du modèle

1. La désignation « composante, composant, pièce, système, équipement » est générique, le

9. Si la livraison des pièces de rechange est quasi-immédiate, 𝑁5 (𝑡) → 0. La disponibilité

2.4.1.1.Modèle METRIC- Multi-Echelon Technique for Recoverable Item Control

La courbe d’efficience est obtenue en résolvant le problème bi-objectif suivant :