Académique Documents
Professionnel Documents
Culture Documents
L'objectif de ce cours
Objectifs :
Fonction de défaillance
0,07
0,06
0,05
0,04
f(t) (%)
0,03
0,02
0,01
0
0 500 1000 1500 2000 2500 3000 3500
heures
Fonction de défaillance cumulée F(t)
1
0,9
0,8
0,7
0,6
F(t)
0,5
0,4
0,3
0,2
0,1
0
0 500 1000 1500 2000 2500 3000 3500
Heures
Fonction de fiabilité R(t) (probabilité de survie)
Loi de fiabilité
0,8
0,6
R(t)
0,4
0,2
0
0 500 1000 1500 2000 2500 3000
heures
La loi de distribution R(t) représente la proportion de survivants
N(t) par rapport au nombre initial No à chaque instant.
R(t) = N(t)/No
R(t) = 1 - F(t)
Elle doit être établie:
soit empiriquement à partir d'échantillons (laboratoires ou
conditions d'utilisation) ou bien
Semi-analytiquement à partir d'hypothèses sur le profil de
vie, basées sur l'historique (par exemple, la durée de vie
suit une loi exponentielle; les mesures d'inspection suivent
une loi normale,etc.)
Taux de défaillance
C'est la probabilité, par unités de temps ou d'usage, de voir le système
tomber en panne dans les instants qui suivent ∆t. C’est une prédiction faite
à l’instant t.
Il dépend par conséquent du temps t où on se trouve.
Il s'exprime comme le quotient du nombre d'unités défaillantes n(∆t) par
unités de temps ∆t par le nombre de survivants au temps t considéré N(t)
λ(t)= n(∆t)/(∆t x N(t)).
Le taux de défaillance moyen est utilisé comme une mesure de la fiabilité
d'un produit.
Défaillances catalectiques
• complètes et soudaines
• rupture brusque
• Difficile d’observer la dégradation
• impossible d’utiliser une maintenance conditionnelle.
Défaillances par dérives
• On voit progresser la dégradation
• usure, frottement
• adaptées aux techniques de surveillance en maintenance
conditionnelle (prédictive).
Taux de défaillance décroissant
On retrouve ce type de défaillance sur des équipements qui vont durer
après avoir réglé tous les problèmes, comme, par exemple, les logiciels
(dont on règle les problèmes au fur et à mesure), les structures (dont la
conception est révisée jusqu’à ce que la résistance soit mise au point), etc.
Taux de défaillance
Temps
Taux de défaillance croissant
On retrouve ce type de défaillance dans les pièces d’usure, les freins, les
amortisseurs d’impact, les caoutchoucs et toute pièce sujette à la
dégradation.
défaillance
Taux de
Temps
Taux de défaillance
Courbe en baignoire
Temps
Période de jeunesse
Date de
Temps maintenance
TEMPS MOYEN AVANT (OU ENTRE)
DÉFAILLANCES (MTTF OU MTBF)
MTTF= moyenne de durée de vie (pour les produits non
réparables).
Pour les produits réparables, on utilise MTBF (temps
moyen entre les défaillances ou espérance
mathématiques des défaillances)
MTBF = Somme (ti x ni) / No
MTBF représente la surface totale sous la courbe de
R(T).
Égal à la réciproque du taux de défaillance (lorsque
celui-ci est constant).
TEMPS MOYEN ENTRE LES DÉFAILLANCES
(MTBF)
Notion essentielle quand le durée de vie est exponentielle.
Notion insuffisante pour les autres profils de vie.
Définitions lorsque le matériel est réparable
MTTR: temps moyen pour réparer
MDT: temps d’arrêt total
MUT: Temps de fonctionnement
MTBF = MDT+MUT
Très souvent, on supposera que MTBF = MUT
CHAPITRE 2
ESTIMATION DE LA FIABILITÉ
Objectif : Estimer la fiabilité à partir de modèle mathématiques de la
distribution de vie.
Plan de la présentation
Fonction de défaillance exponentielle
Types de données
Estimation des paramètres pour une distribution exponentielle.
22/10/2019 24
LOI EXPONENTIELLE
22/10/2019 25
LOI EXPONENTIELLE
Correspond à un dispositif possédant un grand
nombre de composants et de modes de défaillances.
L o i d e f ia b ilit é
1
0 ,9
0 ,8
0 ,7
0 ,6
R(t)
0 ,5
0 ,4
0 ,3
0 ,2
0 ,1
0
0 5 0 0 1 0 0 0 1 5 0 0 2 0 0 0 2 5 0 0 3 0 0 0
h e u r e s
22/10/2019 26
LOI DE FIABILITÉ EXPONENTIELLE R(T)
t
− λ (t )dt
R (t) = e 0 = e−λ t
22/10/2019 27
FONCTION DE DÉFAILLANCE EXPONENTIELLE f(T)
t
− λ (t ) dt
f (t ) = λ(t ) R(t ) = λ(t ) e 0
= λ × e−λt
On constate que le taux de défaillance λ s’exprime comme la
fonction de défaillance à l’instant initial
L’espérance mathématique E(t) de cette fonction de densité f(t)
représente le temps moyen de bon fonctionnement MTTF :
E(t) = 1 / = MTTF
22/10/2019 28
FONCTION DE DÉFAILLANCE EXPONENTIELLE F(T)
0,006
0,004
0
Temps
22/10/2019 29
FONCTION CUMULÉE DE DÉFAILLANCE
EXPONENTIELLE F(T)
t
− λ(t )dt
t
F(t) = f (t) dt =1− R(t) =1−e 0 =1−e−λt
0
La probabilité pour qu’un système tombe en panne entre deux
instants t1 et t2 se calcule comme la surface sous la courbe de la
fonction de densité de probabilité entre ces 2 instants F(t2)-F(t1)
La fonction LOI.EXPONENTIELLE dans EXCEL permet de calculer les
fonctions de densité et cumulées de défaillance.
22/10/2019 30
TEMPS MOYEN DE BON FONCTIONNEMENT
MTBF
Le temps moyen de bon fonctionnement peut s’exprimer comme la
surface sous la courbe de fiabilité. C’est l’inverse du taux de
défaillance
∞ ∞
R (t ) dt = e
−λt 1
MTBF = dt =
0 0
λ
22/10/2019 31
RÉSUMÉ SUR LA LOI EXPONENTIELLE
L'aire sous la courbe de la fonction de défaillance f(t), à partir d'un
instant t, représente la proportion des composants qui survivront
après cet instant. C'est la fiabilité R(t) à l'instant t.
Le taux de défaillance est constant dans la période de maturité.
La fonction de défaillance est exponentielle durant cette période.
Le taux de défaillance est égal à la fonction de défaillance f(t) divisé
par la fiabilité R(t).
La durée de vie moyenne MTTF (ou MTBF) est la réciproque du taux
de défaillance dans la période de maturité.
Le taux de défaillance suffit à déterminer tous les autres paramètres.
La fiabilité estimée à l'instant de la durée de vie moyenne R(MTTF)
est de 36.7%. C'est une constante.
22/10/2019 32
RÉSUMÉ SUR LA LOI EXPONENTIELLE
22/10/2019 33
OBSERVATIONS EN EXPLOITATION
Les données expérimentales disponibles pour estimer les durées de vie
consistent dans la connaissance plus ou moins complètes des instants
de défaillance.
Le suivi en exploitation aura deux objectifs:
Collecter les données événementielles afin de trier les défaillances
souhaitées (en fonctionnement, à l ’arrêt, par mode, par
conséquence)
mesurer le paramètre d ’observation correspondant aux
défaillances choisies.
22/10/2019 34
TYPES DE DONNÉES
Données complètes:
tous les échantillons sous test ont été observés (contrôle de qualité) et
ont subi une défaillance.
Données incomplètes: (essais de durée de vie)
Au moment de l’analyse, certaines unités sont encore en fonctionnement.
Elles ont le même age.
Type 1( données tronquées dans le temps): Les survivants sont retirés du
test en même temps.
Type 2 (données tronquées à partir d'un nombre de défaillances pré-
déterminées): On attribue aux survivants le taux de défaillance du
dernier échantillon défectueux.
Composants réparables: On continue les essais après avoir réparé.
Intervalle de temps: on inspecte les échantillons à des temps spécifiés et
on note leur condition.
22/10/2019 35
DONNÉES COMPLÈTES
n
λ = n
i = 1
ti
22/10/2019 36
ESSAI TRONQUÉ EN TEMPS T
Le taux de défaillance est estimé comme étant le quotient du nombre r
d ’éléments défectueux par la somme des temps de défaillance ti et du
produit du nombre de survivants (n-r) par le temps T:
r
λˆ = r
t i + (n − r ) T
i =1
22/10/2019 37
INTERVALLE DE CONFIANCE (RAPPEL)
Si, pour avoir un estimé µ d’un lot N, on choisit une valeur X d ’après
un échantillon n du lot, alors
Prob(X−k <μ<X+k) = 1−α
1- α est le coefficient de confiance de µ.
X-k, X+k est l ’intervalle de confiance.
La valeur de k est déterminée selon la loi de probabilité.
22/10/2019 38
INTERVALLE DE CONFIANCE DONNÉE À
L’ESTIMÉ
Après avoir déterminé un estimé du taux de défaillance, il est nécessaire
d’établir l’intervalle de confiance à l'intérieur duquel se situe l’estimé afin de
pouvoir porter un jugement sur la variabilité du résultat obtenu, car l’estimé
obtenu à partir d’un ensemble d’échantillons peut être différent d’un autre
ensemble d’échantillons extrait de la même population.
L’intervalle de confiance permet de définir la probabilité pour que l’estimé
soit compris entre des bornes. Ce pourcentage de chance est représenté par
la surface sous la courbe du khi-deux.
On peut définir des bornes inférieures, supérieures ou extrêmes. L’intervalle
de confiance est obtenu à l’aide d’un test de χ2 .
L’intervalle de confiance dépend du type de données (tronquée en temps, en
défaillances).
22/10/2019 39
INTERVALLE DE CONFIANCE POUR DES DONNÉES
TRONQUÉES EN TEMPS
χ 2 (2n, 1 − α 2 ) χ 2 (2n + 2, α 2 )
22/10/2019 40
CALCUL DU KHI-DEUX ( 2)
22/10/2019 41
DONNÉES TRONQUÉES EN NOMBRE DE
DÉFAILLANCES r
On attribue le temps tr à la dernière défaillance.
Le taux de défaillance est estimé comme étant le quotient du nombre r
d ’éléments défectueux par la somme des temps de défaillance ti et du produit
du nombre de survivants (n-r) par le temps tr:
r
λ =
ˆ
r
t i + (n − r ) tr
i =1
Dans le cas d’un taux de défaillance estimé à partir d’une troncation en nombre
de défaillances, les bornes de l’estimé, sont établies avec un intervalle de
confiance de 100 ( 1-α) % par :
# #
,!" ,
∈ ,
22/10/2019 42
ˆ χ 2 (2 r ,1−α 2 ) χ 2 (2 r ,α 2 )
λ × 2r
< λ < λˆ ×
2r
22/10/2019 43
TAUX DE DÉFAILLANCE MAXIMAL
Parfois, il suffira de déterminer la valeur maximale du taux de défaillance
( ou minimale du MTTF), avec un intervalle de confiance de (1- α) %
χ 2 (2 r ,α )
λ ≤ λˆ ×
2r
22/10/2019 44
COMPOSANTS RÉPARABLES
Si les échantillons sont réparables, réparés , puis remis sous test, le taux de
défaillance est estimé comme le rapport du nombre de réparations par le
temps total des essais.
nombre de réparations
λˆ =
nombre d ' heures totales d ' essais
22/10/2019 45
DONNÉES OBTENUES PAR INTERVALLES DE
TEMPS ∆T
Le taux de défaillance à chaque intervalle de temps est estimé comme le
quotient du nombre de défectueux dans l ’intervalle ∆t divisé par le
produit de ∆t et du nombre de survivants à l ’instant d’avant Ni.
Il est recommandé de regrouper les données pour avoir au moins 5
défaillances par classes
Le taux de défaillance moyen est estimé d’après la moyenne de ces
résultats.
λ (t )=
( N (t )− N (t + ∆ t )) ∆ t
N (t )
22/10/2019 46
DÉFAILLANCE NULLE
Ce cas arrive quand:
le matériel est très fiable
les événements attendus sont rares
les durées d ’essai sont insuffisantes
les populations de matériels sont réduites.
On peut déterminer un taux de défaillance maximal avec une confiance (1-
α)% où N0 représente le nombre de composants testés et t le temps de
l’essai.
,%
<
&' (
22/10/2019 47
TAUX DE DÉFAILLANCE λ(T) LINÉAIREMENT
CONSTANT
Un taux de défaillance linéaire se retrouve dans certains
phénomènes d’usure en mécanique en fin de période de
maturité.
(T) = aT + b
1 21
" ./3
) * =+ " ,' -(./ 0(
=+
at 2
+ ∞ − + bt
2
MTBF = e dt
0
22/10/2019 48
FIABILITÉ SUIVANT UN MODÈLE LOG-
NORMAL
On retrouve le modèle log-normal dans des phénomènes de
fatigue ou d’usure en mécanique (période de vieillesse).
! 3 ! "8 9: ; <=
) * =1− , + > ?
5 6 7 (
@A ( "B
= C la variable centrée réduite
5
F(t) = LOI.NORMALE.STANDARD(U)
σ 2
m +
2
MTBF = e
22/10/2019 49
LOI DE WEIBULL
formulation adaptable à de nombreuses distributions empiriques
grâce à trois paramètres:
Couvre la presque totalité des comportements de matériel.
E<G I
"
D E =F H
22/10/2019 51
LOI DE WEIBULL
La formulation se trouve simplifiée lorsque le paramètre de
position est nul (début des observations au temps zéro).
Si le paramètre de forme = 1, on obtient une loi exponentielle.
Si le paramètre de forme = 3.25, le paramètre d ’échelle égal à 1
et le paramètre de position nul, on obtient une loi normale.
La moyenne (temps de bon fonctionnement) est fonction d ’une
loi Gamma.
22/10/2019 52
MODÈLE DE WEIBULL
22/10/2019 53
MODÈLE DE WEIBULL
Modèle le plus souvent rencontré comme distribution
alternative à la loi exponentielle.
Le taux de défaillance est fonction du temps.
Si le taux de défaillance est décroissant dans le temps, β est
inférieur à 1 (période infantile).
β −1
f(t) β t − γ
λ(t) = =
R(t) θ θ
22/10/2019 54
TAUX DE DÉFAILLANCE EN FONCTION DE LA
PÉRIODE DE VIE
22/10/2019 55
CALCUL DE WEIBULL AVEC EXCEL
22/10/2019 56
FIABILITÉ MINIMALE ESTIMÉE À PARTIR
D’UNE LOI BINOMIALE
Lorsque les temps de défaillance de chaque échantillon ne
sont pas connus, mais qu’on connaît la proportion de
composants f qui ont failli dans un intervalle de temps, on
peut appliquer une loi binomiale pour déterminer la limite
inférieure de la fiabilité en admettant un pourcentage de
chances donné.
22/10/2019 57
Si f(t) est le nombre d’unités ayant failli après un temps t et
n le nombre total d’échantillons, la limite inférieure de la
fiabilité RL peut être déterminée avec un intervalle de
confiance α, en utilisant la formule suivante :
n − f −1
RL ≥
n + Zα n ( f + 1) ( n − f − 2 )
59
PLAN : ÉTUDE DES MODÈLES DE FIABILITÉ.
60
TEST D'ADÉQUATION
Les modèles établis sont issus d’un échantillon, puis à partir d’une
hypothèse qu’ils suivent une loi particulière.
Objectif: vérifiez l'hypothèse que la loi choisie pour traiter les
données est valide.
On définit la probabilité de se tromper, en utilisant une loi, par le
niveau de signification Alpha (risque d’erreur faible).
61
TEST D'ADÉQUATION
Une hypothèse Ho (appelée hypothèse nulle) est proposée sur la
valeur d’un paramètre ou sur la relation entre les paramètres de
plusieurs populations.
En se basant sur des échantillons extraits de la population, on vérifie
si l ’hypothèse Ho est vraie.
Si l ’hypothèse Ho ne s ’avère pas vraie, on acceptera une hypothèse
alternative H1.
62
PROCÉDURE DU TEST
D'ADÉQUATION
Formuler Ho et H1
Sélectionner un test statistique approprié
Choisir un niveau de signification (ou risque d’erreur)
Spécifier la région critique à éviter
Calculer les valeurs du test statistique à partir d’un échantillon.
Rejeter Ho si les valeurs tombent dans la région critique.
63
TEST SUR LA MOYENNE, ÉCART- TYPE CONNU
On suppose que la population suit la loi normale N(0,1) avec un écart
type connu σ.
On fait le changement de variable :
X −m
Z=
σ n
64
TEST SUR LA MOYENNE, ÉCART- TYPE CONNU
L’hypothèse Ho est formulée afin de vérifier que la moyenne des
observations est égale à une valeur hypothétique de la moyenne m.
L’hypothèse H1 peut être formulée de différentes façons. Les différents cas
sont les suivants :
la moyenne observée est inférieure à la valeur prédéterminée m
On rejette alors Ho si Zobservation < -Zα , α étant le niveau de signification et Zα
étant défini par P(Z< Zα) = α.
65
TEST SUR LA MOYENNE, ÉCART-TYPE
INCONNU.
La moyenne X et l’écart type sont calculés à partir des observations.
L’hypothèse H0 est définie pour vérifier que la moyenne des
observations est égale à la valeur hypothétique de m.
On applique la loi de Student avec le changement de variable :
X −m
t =
o b s e r v a tio n
σ n
66
TEST SUR LA MOYENNE, ÉCART-TYPE
INCONNU.
L’hypothèse H1 peut être choisie de différentes façons :
la moyenne observée est inférieure à la valeur prédéterminée m
On rejette alors Ho si tobservation<-tα , α étant le niveau de signification et tα étant
défini par P( tn-1> tα) = α.
67
TEST DU KHI-DEUX
Ce test est basé sur l'écart E au sens des moindres carrés entre les valeurs
observées des défaillances et celles du modèle théorique.
LM − 7 NM LM − JM
J=K == K
7 NM JM
MO! MO!
r le nombre de classe
LM le nombre observé de défaillances par classe
7 le nombre d’individues totale de l’échantillon
NM la probabilité de se trouver dans la classe
JM le nombre théorique de défaillances dans la classe.
E suit une loi khideux à ν ddl : ν = ρ− γ−1
(γ =1 loi exp, γ =2 loi norm et γ =3 loi Weibull)
Si E > χ2(α,ν ), on rejette l'hypothèse que le modèle théorique est bon, en
considérant un risque de se tromper (α).
Le nombre d'échantillons doit être supérieur à 50 : n > 50
68
TEST DU KHI-DEUX
On définit des classes i (le nombre d'observations doit être Ai > 5 par
classe).
Le χ2(α,ν ) est défini par son niveau de signification α et par ses
degrés de liberté.
Le nombre de degrés de liberté ν du test est (r étant le nombre de
classes):
pour une loi exponentielle ν = r-2
pour une loi normale ν = r-3
pour une loi de Weibull ν = r-4
69
APPLICATION DU TEST KHI-DEUX À UNE
LOI EXPONENTIELLE
1. On estime le taux de défaillance d'après les données (chapitre 2).
2. On rassemble les données (nombre de défaillances) par classe (Ai >5)
3. On calcule le nombre de défaillances théorique Ei par classe:
J = ()( ) − )( + 1))
4. On calcule l'écart par classe = (L − J )2 /J
5. On calcule E= somme des écarts par classe
6. On calcule le χ2(α,ν ), correspondant au niveau de signification α
considéré et au degré de liberté (ν = r-2)
Si E > χ2(α,ν ), on rejette l’hypothèse H0
70
DÉTERMINATION DE LA LOI DU MODÈLE MÉTHODES GRAPHIQUES.
Calcul du
pourcentage cumulatif de défaillances (fonction de répartition) ou
de la fonction cumulative de hasard (évolution du taux de défaillance)
L'application de l'une de ces fonctions sur des papiers graphiques à échelle
fonctionnelle, appropriés à chaque loi donne une droite si la loi est la bonne.
71
TRACÉ DE HASARD D'UNE LOI EXPONENTIELLE
72
TRACÉ DE HASARD D'UNE LOI EXPONENTIELLE
73
TRACÉ DE HASARD D'UNE LOI EXPONENTIELLE
Si une droite ne peut être interpolée sur le graphe exponentiel à partir
des données. Alors. Il faut considérer une autre loi.
1600
1400 Taux de défaillance
croissant
1200
Hasard cumulatif
1000 Taux de
800 défaillance
constant ( loi
600 exponentielle)
400
Taux de défaillance
200 décroissant
0
0 200 400 600 800 1000
Durée
74
TRACÉ DE HASARD D'UNE LOI DE WEIBULL (CAS DU FACTEUR DE FORME
NUL)
75
; <Q
On a : R(t)=1−F(t)= + P
1 ( Q V
→ ln = ln + T =
)( ) U
1
→W W =X W −W U
)( )
À Y= 0 W =W U =U
!
On a également : Y = W W =0⇒` = 0,632
](()
79
MÉTHODE DES RANGS MOYENS ET
MÉDIANS.
- Méthode des rangs médians :
− 0.3
` M = 100
( + 0.4)
où n est le nombre d ’échantillons considérés et i le rang considéré.
- Méthode des rangs moyens :
M
` M = 100
(c.!)
80
Détermination des valeurs des paramètres β, θ et γ
F(t)
1
99,9 lnt
0,2 0,3 1 10
63,21 t
θ=5
1 D’
2
D
3 β=3
4
5 γ=0
ESTIMÉ DU PARAMÈTRE DE POSITION (G) DE LA LOI DE WEIBULL
d représente l’instant initial pour lequel F(t) = 0.
Si d est différent de 0, les données ne se linéarisent plus dans les graphiques
de Weibull.
Lorsque d est positif, on identifie facilement celui-ci d ’après l ’asymptote.
0 1 2 3 4 5
% défaillances
10
0.01 0.1 1 20 30 40 50 60 70
90 99
Durée
22/10/2019 82
ESTIMÉ DU PARAMÈTRE DE POSITION (d POSITIF)
Lorsque on a identifié ν, on fait le changement de variable, pour
linéariser:
’ = −d
Le temps de bon fonctionnement doit être révisé
J( ) = d + (f*[`) +g hé
On peut répéter l ’opération 2 à 3 fois.
Si cela ne fonctionne pas, cela signifie que la loi ne répond pas à
Weibull, ou bien qu’on a un mélange de lois.
22/10/2019 83
ESTIMÉ DU PARAMÈTRE DE POSITION (d NÉGATIF)
22/10/2019 84
EXEMPLE
On a mis en fonctionnement un mécanisme et obtenu les temps de bon
fonctionnement suivants (heures): 200, 900, 1500, 1800, 1900, 2000,
2100, 2200, 2300, 2400,2500, 2600, 2800 et 3000
Calculez les paramètres du modèle.
85
10000
Itération 0
TBF
1000
Itération 1
Itération 2
Itération 3
100
1,00 10,00 100,00 1000,00
Hasard cumulatif
Lorsque les données couvrent une période très longue, il peut arriver
que les lois soient mélangées.
Plusieurs lois sont nécessaires pour couvrir plusieurs périodes
(jeunesse, maturité, vieillesse).
22/10/2019 87
DONNÉES PROVENANT DE LA PÉRIODE
MATURITÉ ET DE VIEILLESSE.
On fait l ’hypothèse que la loi observée dans la période de maturité
et continue d ’exister dans la période de vieillesse.
22/10/2019 88
tf I
a%
tMVt(f) Loi MV
Loi M (vieillesse)
t(MV) Loi MV
(maturité)
Durée
Loi M
1 % de défaillances F(t) 10
22/10/2019 89
et MV(t) avec j + k = 1.
On détermine alors les pourcentages a% et b% des deux lois M(t)
22/10/2019 90
TBF i F(ti)
200 1 5
Pour l’étude des lois mélangées, il est conseillé d ’utiliser la 400 2 10
méthode des rangs médians, si le nombre d ’échantillons par 550 3 15
loi est restreint. 650 4 20
710 5 25
740 6 30
770 7 35
Exercice : Données provenant de la période maturité et 820 8 40
de vieillesse 850 9 45
880 10 50
On a les TBF suivants: 900 11 55
950 12 60
200, 400, 550, 650, 710, 740, 770, 820, 850, 880, 900, 970 13 65
950, 970, 1000, 1020, 1040, 1060, 1080, 1100 h. 1000 14 70
1020 15 75
Déterminez les paramètres de la loi. 1040 16 80
1060 17 85
1080 18 90
1100 19 95
22/10/2019 91
PÉRIODE DE REMPLACEMENT DES PIÈCES
22/10/2019 92
FIABILITÉ DURANT LA PÉRIODE DE VIEILLESSE: LOI
NORMALE
Le temps TR correspondant à la transition est d’un grand intérêt pour
planifier les maintenances.
Détection
souhaitée
Période de vieillesse :
Loi normale ou Loi de
Weibull (β > 3)
Te m ps
TU
TR
22/10/2019 93
TEMPS DE REMPLACEMENT DES PIÈCES
Le temps de remplacement des pièces est calculé d’après la
moyenne et l’écart type des temps d’usure selon un intervalle de
confiance donné (1 - α ) et une probabilité de dépassement
donnée.
TU et σU sont respectivement des estimés de la moyenne et de
l’écart type des temps d’usure obtenus d’un échantillonnage n
TR est le temps de début d’usure et donc de remplacement.
Un estimé de la moyenne et de l’écart type du temps d’usure TU
est nécessaire pour déterminer le temps de remplacement TR.
22/10/2019 94
TEMPS MINIMAL MOYEN D’USURE
TUm = TU − Kα σU ( n )
Kα est défini par P(Z < Kα) = 1 - α
Loi normale
Kα×σU/ n
TUm
TU
22/10/2019 95
DÉTERMINATION DU TEMPS DE
REMPLACEMENT DES PIÈCES
le temps d’usure minimal TUm répond à une loi
normale avec le même écart type σU, alors
TR = TUm - Kν σU
où Kν est tel que moins de ν % de la
population sera usée avant TR. Kν est défini par P
(Z < Kν) = 1 - ν et peut être extrait de la
courbe standard normale ou avec
loi.normale.standard .inverse de Excel.
22/10/2019 96
DÉTERMINATION DU TEMPS DE
REMPLACEMENT DES PIÈCES
Loi normale
Kν ×σ U
TR TUm
22/10/2019 97
CHAPITRE 4 : AMÉLIORATION DE LA FIABILITÉ
PAR LES REDONDANCES
PLAN
Systèmes en série
Systèmes parallèles
Systèmes en attente
Redondance majoritaire
Systèmes complexes.
Amélioration de la fiabilité
R1 R2 R3 Rn
Rs
Redondance active, systèmes en série
m = K o
Redondance active, système parallèle
Dans un système monté en parallèle, le R1
système faillit lorsque toutes les
composantes tombent en panne. R2
Si les défaillances sont indépendantes entre
elles, la fiabilité du système est égale à:
Dm p 4 ∑roOp to
Ri
où `M 1 4 )M est la fonction de Rn
défaillance cumulative du système i.
La fiabilité du système est plus grande que la plus grande des
fiabilités des composants.
l'étude de l'agencement des systèmes permet d'améliorer leur
fiabilité.
Redondance passive (système en attente)
Un seul élément fonctionne, les autres sont en attente.
a l'avantage de supprimer le vieillissement des éléments qui
ne travaillent pas.
a l'inconvénient de nécessiter un organe de détection de
panne et de commutation.
La variable temps doit intervenir.
Le taux de défaillance de chaque composant doit être connu.
R1
R2
Redondance passive (système en attente)
r " p
x
uE
D E F "uE
w
x!
x O z
Système r/n (défaillance partielle ou redondance
majoritaire) R1
R2
% cumulatif du nombre
20 50 100
de pannes
ANALYSE ABC
Zone A (zone de priorité)
20% des pannes représentent 80% des coûts.
On organise pour ces machines une maintenance préventive
systématique ou conditionnelle avec une surveillance permanente des
points clefs.
On améliore la fiabilité de ces machines
On prévoit des stocks de pièces de rechange.
Zone B
les 30% de pannes suivantes coûtent 15% supplémentaires
On sera moins exigeant sur les méthodes de prévention.
Zone C
Les 50% de pannes restantes ne reviennent qu ’à 5% des coûts.
Ces machines n ’exigent pas (ou peu) de maintenance préventive.
ÉTAPE 2 : DÉCOMPOSITION FONCTIONNELLE
Cette analyse est faite par la personne qui connaît la machine, puis validée avec
l ’équipe.
Le but de l ’analyse fonctionnelle est de déterminer:
les fonctions principales pour lesquelles le système a été conçu.
les fonctions contraintes qui répondent aux interrelations avec le milieu extérieur
les fonctions élémentaires des différents composants élémentaires du système.
On doit définir les besoins à satisfaire:
décrire le besoin,
la façon dont il est satisfait et
comment il pourrait ne pas l ’être.
On doit définir les fonctions qui correspondent au besoin
Définir à quoi ça sert? La réponse doit contenir un sujet et un verbe: (ex: un
rasoir rase)
Déterminer la défaillance potentielle (ex: le rasoir ne rase pas)
On doit établir l ’arbre fonctionnel:
Bloc-diagramme définissant les sous-fonctions ou l ’ensemble des fonctions
élémentaires .
BLOCS FONCTIONNELS
Machine Mi
Sous-ensemble Seijk
Organes
Composants élémentaire
ARBRE FONCTIONNEL
COMPRESSEUR FICHE
TUYAUTERIE FICHE
MOTEUR FICHE
FILTRE FICHE
Aller à la distributrice
Placer un verre
Insérer la monnaie
Prendre le verre
Consommer le café
ÉTAPE 3 : ÉTUDE QUALITATIVE
Cette étape consiste:
à identifier toutes les défaillances possibles
à déterminer les modes de défaillance
à identifier leurs effets
à en trouver les causes.
À partir des fonctions définies lors de l ’analyse fonctionnelle, on
définit les modes de défaillance possibles.
Ensuite on en définit les effets et les causes.
MODES DE DÉFAILLANCE
Un mode de défaillance est la façon dont un produit, un composant, un
ensemble, un processus, une organisation s ’écarte des spécifications.
Un mode de défaillance s ’exprime par la manière dont un équipement vient
à ne plus remplir sa fonction:
Perte de fonction
Rupture, blocage, grippage, coincement, composant défectueux,
obstruction de circuit hydraulique, flambage.
Fonctionnement intempestif
coup de bélier
Refus d ’arrêter au moment prévu
Refus de démarrer au moment prévu
Absence de jeu, fuite, circuit hydraulique bouché, court-circuit, connexion
desserrée, rupture, blocage, grippage, composant défectueux, absence
de jeu.
Fonctionnement dégradé
Mauvaise portée, jeu, désolidarisation, déformation, vibration,
desserrage, corrosion, perte de performance, perte d’étanchéité,
usure.
On doit spécifier:
l ’impact sur la sécurité, la production et la qualité
la fréquence
La difficulté de détection de la défaillance
les effets induits (sur la sécurité, le coût)
TABLEAU AMDEC: MODES DE DÉFAILLANCES.
Le tableau AMDEC est constitué de plusieurs colonnes.
Les premières colonnes décrivent l ’organe considéré et sa fonction
Une colonne décrit les modes de défaillance potentielles (rupture, fatigue,
desserrage, corrosion).
Une colonne indique l ’effet de la défaillance sur le système.
L ’effet d ’une défaillance est la concrétisation de la conséquence de cette
défaillance sur le client de l ’équipement étudié (client satisfait ou non).
Cet effet permet d ’évaluer la gravité de la défaillance de l ’équipement
et donc sa criticité.
EFFET D ’UNE DÉFAILLANCE
L ’effet peut avoir un impact sur:
la sécurité
sans influence, influence mineure sans blessure, influence moyenne avec
blessure, influence importante avec risque de mort
la fiabilité
mineures, significatives, critiques, catastrophiques.
la disponibilité
en fonction du temps d’arrêt de fonctionnement
la maintenabilité.
En fonction du temps de réparation.
L ’effet peut se manifester sous la forme de:
dégradation, perte de performance, panne, arrêt, ralentissement, non
conformité, rebut, coût de maintenance, accident, pollution.
CAUSES DE DÉFAILLANCES.
La cause est l ’anomalie susceptible de conduire au mode de défaillance. Elle
s ’exprime en termes d ’écart par rapport à une norme fixée d ’avance.
Une colonne indique les causes possibles de défaillance.
On définit et décrit les causes de chaque mode de défaillance pour pouvoir en
estimer la probabilité, en déceler les effets et prévoir les actions correctives.
Les causes possibles sont par exemple de nature
Techniques ( matériel) : contraintes, fatigue, états de surface, vieillissement,
colmatage, fuite, sous-dimensionnement, matière.
Humaines (et outils) : conception, montage, réglage, contrôle, outils, utilisation,
défaut de graissage, manque d’énergie, fabrication.
Organisation
Environnement : température, eau, huile, poussières, copeaux, échauffement, chocs,
vibrations.
Documentation
ANALYSE DES MODES DE DÉFAILLANCE, DE LEURS EFFETS ET DE LEURS CRITICITÉ
INSTALATION DÉFECTUEUSE
MAUVAIS DESIGN
JEU MÉCANIQUE DES BOULONS DE
MONTAGE, ROULEMENTS OU ACCOUPLEMENT
MISALIGNEMENT DES ACCOUPLEMENTS
OU DES ROULEMENTS
USURE EXCESSIVE DES
ACCOUPLEMENTS OU DES ROULEMENTS
MISALIGNEMENT OU MAUVAIS BALANCEMENT DU
MOTEUR
ARBRE TORDU DU A UN IMPACT OU UNE MAUVAISE
MANIPULATION
ACCUMULATION DE MATERIEL SUR LE ROUE
USURE EXCESSIVE DE LA ROUE
PRESSION EXCESSIVE DU SYSTÈME OU RESTRICTION
DU DÉBIT D'AIR DÛ A DES VOLETS FERMÉS
SUPPORT STRUCTURAUX INADÉQUAT
VIBRATIONS EXTERNE TRANSMISE PAR LE SOL
AUBES SALES
Indiquer le Lister toutes Lister tous les Lister toutes Pour chaque Trouver
composant les fonctions modes de les causes cause, lister pour chaque
devant être défaillance pour pour chaque les effets les effet, les
assurée par le chaque fonction mode plus graves moyens de
composant Estimer le détection
considéré temps possibles
d’intervention
Exemple d’application : Déterminez les modes de défaillance , les effets et
les causes de la fonction: La distributrice de café remplit le verre.
9 30 %
7 10 %
5 2%
4 1%
2 0.2 %