Modélisation de L Efficacité de La Maintenance Des. Systèmes Réparables - Synthèse Bibliographique

Institut National Polytechnique de Grenoble
Laboratoire de Modélisation et Calcul
Modélisation de l’efficacité de la maintenance des
systèmes réparables - Synthèse bibliographique
Laurent Doyen - Olivier Gaudoin
Rapport du contrat T50L47/F00555/0 entre EDF et le LMC
Version expurgée des éléments confidentiels de l’analyse des données

2
TABLE DES MATIÈRES 3
Table des matières
Glossaire 5
1 Problématique 7
1.1 Le besoin d’évaluation de l’efficacité des maintenances . . . . . . . . . . . . . . . 7
1.2 Caractère “aléatoire” des maintenances . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 But et structure du rapport . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2 Modélisation des effets des maintenances correctives seules 11

2.1 Le processus des défaillances et réparations d’un système réparable . . . . . . . . 11
2.2 Les modèles de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.1 Le modèle de maintenance minimale . . . . . . . . . . . . . . . . . . . . . 13
2.2.2 Le modèle de maintenance parfaite . . . . . . . . . . . . . . . . . . . . . . 14
2.2.3 Nécessité des modèles de maintenance imparfaite . . . . . . . . . . . . . . 15
2.3 Les modèles de Brown-Proschan et Block-Borges-Savits . . . . . . . . . . . . . . 15
2.4 Les modèles d’âge virtuel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4.1 Construction des modèles d’âge virtuel . . . . . . . . . . . . . . . . . . . . 17
2.4.2 Les modèles de Kijima . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4.3 Les modèles à réduction arithmétique de l’âge . . . . . . . . . . . . . . . . 20
2.4.4 Analyse statistique et application des modèles d’âge virtuel . . . . . . . . 21
2.5 Les modèles à réduction de l’intensité . . . . . . . . . . . . . . . . . . . . . . . . 22
2.6 Les modèles de quasi-renouvellement . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.7 Le modèle de Dorado-Hollander-Sethuraman . . . . . . . . . . . . . . . . . . . . 25
2.8 Les modèles de tendance-renouvellement . . . . . . . . . . . . . . . . . . . . . . . 26
3 Modélisation conjointe des effets des maintenances préventives et correctives 27

3.1 Instants de maintenance préventive déterministes . . . . . . . . . . . . . . . . . 27
3.1.1 Maintenances correctives minimales . . . . . . . . . . . . . . . . . . . . . 28
3.1.2 Effet quelconque des maintenances correctives . . . . . . . . . . . . . . . 29
3.1.3 Estimation et application . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2 Construction de modèles avec des instants de maintenance préventive aléatoires . 32
3.2.1 Hypothèses et modèles de base . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2.2 Maintenances préventives à âge ou intensité fixés . . . . . . . . . . . . . . 33
3.3 Les modèles de risques concurrents . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.4 Le modèle de Langseth-Lindqvist . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.5 Le modèle avec PM de Last-Szekli . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.6 Modélisation par un processus de comptage bivarié ou coloré . . . . . . . . . . . 38
4 Conclusion de la synthèse bibliographique 43

4 TABLE DES MATIÈRES
5 Etude d’un jeu de données EDF 45

5.1 Les données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.2 Analyse des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.2.1 Prise en compte de l’échantillon complet . . . . . . . . . . . . . . . . . . . 47
5.2.2 Suppression de la période de jeunesse . . . . . . . . . . . . . . . . . . . . 49
5.3 Conclusion de l’analyse des données . . . . . . . . . . . . . . . . . . . . . . . . . 53
Annexe : Tableaux récapitulatifs 55

A.1 Tableau récapitulatif par modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
A.2 Tableau récapitulatif par article . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
Bibliographie 63
TABLE DES MATIÈRES 5
Glossaire
ABAO Aussi Mauvais Que Vieux (As Bad As Old)

AGAN Aussi Bon Que Neuf (As Good As New)
ARAm Réduction Arithmétique de l’Age (Arithmetic Reduction of Age) de mémoire m
ARIm Réduction Arithmétique de l’Intensité (Arithmetic Reduction of Intensity) de mémoire m
BBS Block-Borges-Savits
BMS Brown-Mahoney-Sivazlian
BP Brown-Proschan
CM Maintenance Corrective (Corrective Maintenance)
CR Risques Concurrents (Competing Risks)
CS Chan-Shaw
DHS Dorado-Hollander-Sethuraman
EM Expectation-Maximisation
HPP Processus de Poisson Homogène (Homogeneous Poisson Process)
KMS Kijima-Morimura-Suzuki
LL Langseth-Lindqvist
LS Last-Szekli
NHPP Processus de Poisson Non Homogène (Non Homogeneous Poisson Process)
OMF Optimisation de la Maintenance par la Fiabilité
PAR Réduction Proportionnelle de l’Age (Proportional Age Reduction)
PLP Power-Law Process
PM Maintenance Préventive (Preventive Maintenance)
QR Quasi-Renouvellement (Quasi-Renewal)
RP Processus de Renouvellement (Renewal Process)
6 TABLE DES MATIÈRES
Problématique 7
Chapitre 1
Problématique
1.1 Le besoin d’évaluation de l’efficacité des maintenances

Tout au long de leur vie opérationnelle, les systèmes industriels complexes (centrales nucléai-
res, avions, trains, ...) sont soumis à des opérations de maintenance préventive et corrective afin
de les conserver en état de marche, tout en justifiant d’un certain nombre de contraintes de
sûreté de fonctionnement.
• Une maintenance corrective (CM : Corrective Maintenance) est l’ensemble des actions
exécutées aprés détection d’une panne et destinées à remettre un bien dans un état dans
lequel il peut accomplir une fonction requise [1].
• Une maintenance préventive (PM : Preventive Maintenance) est l’ensemble des actions
exécutées à des intervalles de temps prédéterminés ou selon des critères prescrits et des-
tinées à réduire la probabilité de défaillance ou la dégradation du fonctionnement d’un
bien [1].
La sûreté de fonctionnement de ces systèmes dépend naturellement étroitement de l’effica-

cité de ces opérations de maintenance. Classiquement, on suppose soit que la maintenance est
inefficace, soit qu’elle remet les matériels à neuf. La première hypothèse est certainement trop
pessimiste. La deuxième hypothèse est valide pour les composants défaillants remplacés par des
neufs, mais ce n’est plus le cas pour les systèmes constitués de plusieurs composants : le rem-
placement d’un composant entraı̂ne un rajeunissement du système global mais pas une remise
à neuf.
Une gestion efficace des politiques de maintenance nécessite une modélisation réaliste de leurs
effets. Il est donc important de construire des modèles des effets des maintenances des systèmes
réparables complexes et de développer des méthodes permettant d’évaluer leur efficacité.
1.2 Caractère “aléatoire” des maintenances

Les maintenances présentent un caractère aléatoire de deux points de vue : celui de leurs
instants et celui de leurs effets. Par aléatoire on entend : qui n’était pas prévisible avec certitude
à l’avance. Autant le caractère aléatoire des instants des maintenances correctives semble naturel,
autant cela peut surprendre voire choquer quand on parle de maintenances préventives aléatoires.
Il est donc important de préciser ce que recouvre cette notion.
Mathématiquement, les dates de maintenance d’un système réparable sont des variables
aléatoires. En effet, les défaillances se produisent évidemment à des instants qu’il n’a pas été
possible de prévoir parfaitement à l’avance, autrement dit à des instants aléatoires. Les mainte-
nances correctives qui en découlent s’effectuent donc elles aussi à des instants aléatoires.
8 Problématique
En revanche, les dates des maintenances préventives sont au départ généralement fixées
à l’avance, et sont donc déterministes. Mais il peut arriver que les instants auxquels elles
se produisent n’aient pas été complètement planifiés. C’est le cas par exemple de la mainte-
nance préventive conditionnelle. Celle-ci a lieu si, suite à une surveillance du fonctionnement du
système, un état de dégradation avancé est détecté. La dégradation n’étant pas parfaitement
prévisible, la maintenance préventive résultante se fera à un instant qui n’avait pas été prévu
au départ. Cela peut être aussi le cas des maintenances préventives systématiques. En général,
le programme de maintenance préventive initial prévoit des maintenances selon une certaine
période. Une réactualisation de l’optimisation de la maintenance par la fiabilité (OMF) peut
amener à réduire la périodicité des maintenances. Dans ce cas, même si les nouveaux instants
de maintenance préventive sont toujours déterministes et périodiques, on peut les considérer
comme aléatoires dans la mesure où cette réduction de périodicité n’avait pas été prévue au
départ. Enfin, si on profite de l’arrêt d’un premier système pour maintenir préventivement un
deuxième système, alors la maintenance préventive effectuée sur ce deuxième système est faite à
un instant qu’il faut considérer comme aléatoire, car cet instant n’avait pas été prévu à la mise
en route de ce système.
Par ailleurs, les effets des deux types de maintenance ne sont pas forcément connus. On
pourra selon les cas les considérer comme déterministes ou aléatoires.
Par conséquent, la modélisation de l’occurrence et des effets des maintenances s’effectue à
l’aide d’outils probabilistes, et l’évaluation de leur efficacité nécessite des méthodes statistiques.
Les exemples ci-dessus mettent également en évidence la dépendance entre les instants des
maintenances préventives et correctives. Dans le cas des maintenances conditionnelles, la PM
dépend de l’état de dégradation du système. Les défaillances, et donc les instants de CM,
dépendent bien sûr également de cette dégradation. Par conséquent, maintenances préventives
et correctives sont dépendantes à travers leur lien avec le processus de dégradation. Dans le cas
des maintenances systématiques, il est possible que le changement de périodicité soit le résultat
de l’occurrence de défaillances trop nombreuses, auquel cas cela implique encore une dépendance
des instants des maintenances préventives et correctives.
1.3 But et structure du rapport

Le but de ce rapport est d’effectuer une étude bibliographique la plus exhaustive possible des
modélisations probabilistes des effets des maintenances des systèmes réparables. Les hypothèses
de chaque modèle seront mises en évidence, de façon à identifier les plus représentatifs de la
réalité industrielle. Dans la mesure où le but ultime est l’estimation des effets des maintenances,
on signalera particulièrement les travaux de nature statistique allant dans ce sens.
Nous ne nous intéresserons qu’à des systèmes monolithiques ou pouvant être considérés
comme tels. Autrement dit, la structure du système ne sera pas prise en compte. On s’intéressera
donc, soit au fonctionnement d’un composant précis d’un système (par exemple une pompe),
indépendamment des autres composants de ce système, soit au fonctionnement d’un système glo-
bal (par exemple un système de refroidissement). Dans ce dernier cas, même si un seul composant
d’un système est maintenu, on ne s’intéressera pas à l’effet de la maintenance sur le composant,
mais à l’impact de cette maintenance sur le fonctionnement du système global. En effet, il serait
mathématiquement trop complexe de différencier l’effet des maintenances sur chaque composant
et d’agglomérer les résultats au niveau système.
Quelques auteurs ont déja tenté de répertorier et de classifier les différents modèles de main-
tenance proposés (voir Pham-Wang [62] et Rehmert [64], pour les plus récents). La plupart de
ces modèles, connus sous le nom de modèles de réparation (repair models) considèrent
uniquement l’effet des maintenances correctives. D’autres ne considèrent que l’effet des main-
tenances préventives. En fait, les mêmes sortes d’hypothèses sont faites dans les deux cas, ce
Problématique 9
qui fait que les mêmes modèles peuvent être utilisés pour les deux types de maintenance. En
général, les modèles sont définis par les lois de probabilité conditionnelles des durées d’attente
entre les maintenances successives. Nous proposons une approche originale, qui consiste à définir
un modèle par l’intensité de défaillance d’un processus aléatoire ponctuel. L’effet de la main-
tenance est caractérisé par le changement qu’elle induit sur l’intensité de défaillance. L’intérêt
de cette approche est d’unifier l’ensemble des modélisations proposées dans un même cadre, ce
qui facilite les comparaisons et l’analyse statistique des modèles. On verra ainsi que plusieurs
modèles a priori différents s’avèrent en fait être similaires.
Dans le chapitre 2, on considèrera des systèmes soumis à un seul type de maintenance. On
supposera que ce sont des maintenances correctives, mais on pourrait de la même façon supposer
que ce sont des maintenances préventives. Dans le chapitre 3, on s’intéressera à la modélisation
conjointe des effets des maintenances préventives et correctives. Les relations qui unissent ces
deux types de maintenance devront alors être prises en compte. Les principales conclusions de
cette synthèse sont données dans le chapitre 4. Le chapitre 5 présente l’application des méthodes
présentées à un jeu de données fourni par EDF. Certains éléments confidentiels ont été retirés
de cette version de l’étude.
10 Problématique
Modélisation des effets des maintenances correctives seules 11
Chapitre 2
Modélisation des effets des

maintenances correctives seules
Dans tout ce chapitre, les hypothèses suivantes sont effectuées.
1. Le système n’est pas sujet à des maintenances préventives.

2. Une réparation ou maintenance corrective est effectuée après chaque défaillance.
3. Les durées de réparation et plus généralement de maintenance sont supposées négligeables
ou non comptabilisées.
Nous allons d’abord définir les grandeurs mathématiques nécessaires pour la modélisation,
puis présenter les principaux modèles ayant été proposés.
2.1 Le processus des défaillances et réparations d’un système

réparable
A partir d’un instant initial T0 = 0, le système subit des défaillances à des instants successifs
notés T1 , T2 , ...,. On note X1 , X2 , ... les durées inter-défaillances associées :
∀i ≥ 1, Xi = Ti − Ti−1 (2.1)
Le nombre de défaillances observées entre l’instant initial et un instant t est noté N t :

+∞
X
∀t ≥ 0, Nt = max{i ≥ 0|Ti ≤ t} = 1l{Ti ≤t} (2.2)
i=1
Les hypothèses 2. et 3. ci-dessus impliquent que les instants des maintenances correctives
sont en fait les instants des défaillances correspondantes. Alors, comme le montre la figure 2.1,
le processus des défaillances est défini de façon équivalente par les processus aléatoires {T i }i≥1
ou {Nt }t≥0 :
∀t ≥ 0, ∀i ≥ 1, [Nt ≥ i] ⇔ [Ti ≤ t] (2.3)
Un processus aléatoire ponctuel N = {Nt }t≥0 est caractérisé par la donnée de son intensité
de défaillance, qui est une fonction aléatoire du temps représentant la propension instantanée
du système à tomber en panne. Il est logique de supposer que la probabilité de panne à l’instant
t peut dépendre à la fois du propre passé du processus à cet instant et de variables extérieures.
Ces facteurs extérieurs, pouvant par exemple représenter l’environnement de fonctionnement du
12 Modélisation des effets des maintenances correctives seules
Nt
6
5 •
4 • ⊂
3 • ⊂
2 • ⊂
1 • ⊂
-
T0 T1 T2 T3 T4 T5 t
Fig. 2.1 – Processus des défaillances
système, peuvent être modélisés par un processus aléatoire M = {Mt }t≥0 . On note Ht l’ensemble
des évènements survenus avant t susceptibles d’avoir une influence sur l’occurrence future des
défaillances. Mathématiquement, Ht est la tribu engendrée par le passé des deux processus N
et M , ce qui s’écrit Ht = σ({(Ns , Ms )}0≤s≤t ). Alors l’intensité de défaillance du système est
définie par (voir par exemple [16]) :
1
λN
t (N, M ) = lim P (Nt+dt − Nt = 1|Ht ) (2.4)
dt→0 dt
Dans cette notation le N en exposant signifie que le processus auquel on s’intéresse est le
processus des défaillances. Les N et M entre parenthèses signifient que le futur de N peut
dépendre à la fois du passé de N et de M .
Intuitivement, pour un petit intervalle de temps ∆t, λN t (N, M )dt est approximativement la
probabilité que le système tombe en panne entre t et t + ∆t sachant tout le passé des deux
processus N et M à l’instant t.
Une première hypothèse consiste à supposer que le futur du processus de défaillance ne
dépend que de son propre passé. Pour alléger les notations, l’intensité de défaillance sera alors
notée simplement λt . Dans ce cas, Ht est la tribu engendrée par le seul passé du processus N ,
ce qui s’écrit Ht = σ({Ns }0≤s≤t ). On dit que le processus des défaillances est auto-excité. Plus
simplement, cela signifie que l’intensité de défaillance à l’instant t ne dépend que de l’instant
présent, du nombre de défaillances survenues, et des instants de ces défaillances, ce qui peut
s’écrire :
1
λt = λt (Nt , T1 , ..., TNt ) = lim P (Nt+dt − Nt = 1 | Nt , T1 , ..., TNt ) (2.5)
dt→0 dt
Pour un processus ponctuel auto-excité, il est bien connu [16] que l’intensité de défaillance
caractérise entièrement le processus des défaillances. Ainsi, quand on a observé n défaillances,
la loi de probabilité conditionnelle de la durée d’attente de la prochaine, Xn+1 , est déterminée
en écrivant : µ Z Tn +x ¶
P (Xn+1 > x | T1 , . . . , Tn ) = exp − λu du (2.6)
Tn
On peut en déduire entre autres la fonction de vraisemblance associée à l’observation des n
premiers instants de défaillance t1 , ..., tn , qui servira à estimer les paramètres (notés ici θ) des
modèles : " n # Ã n Z !
Y X ti
L(θ; t1 , ..., tn ) = λti exp − λu du (2.7)
i=1 i=1 ti−1
En revanche, quand il existe un processus extérieur M , l’intensité de défaillance λN t (N, M )

ne caractérise pas completement le processus des défaillances. Par exemple, on a :
µ Z Tn +x ¶
£ N ¤
P (Xn+1 > x | T1 , . . . , Tn ) = exp − E λu (N, M ) | Nu = n, T1 , . . . , Tn du (2.8)
Tn
On a besoin d’informations supplémentaires sur la loi conjointe des processus N et M pour

pouvoir calculer cette probabilité. Plus précisément, il est nécessaire de connaı̂tre la loi condi-
tionnelle de M sachant N entre Tn et Tn + x.
Pour des modèles dans lesquels la loi conjointe de N et M est précisée, on peut, quand
le processus M est observé, estimer les paramètres en écrivant la fonction de vraisemblance
associée à l’observation des deux processus jusqu’à un instant donné. Mais quand M n’est pas
observé, on ne peut utiliser cette fonction. Il faut alors écrire la vraisemblance au vu du seul
processus observé N , appelée vraisemblance propre. On introduit alors la notion d’intensité
de défaillance propre, définie par (voir [3]) :
λt = E λN
£ ¤
t (N, M )|σ({Ns }0≤s≤t ) (2.9)
La vraisemblance propre est alors de la forme (2.7) et on peut estimer les paramètres des
modèles en la maximisant. Quand le processus ponctuel est auto-excité, l’intensité propre est
égale à l’intensité de défaillance définie par (2.5). Ces techniques ont par exemple été utilisées
par Soler [70] pour modéliser l’interaction des processus de défaillance et correction des logiciels.
Dans la grande majorité des cas, du moins quand un seul type de maintenance est pris en
compte, le processus des défaillances est un processus ponctuel auto-excité, donc on se conten-
tera de donner l’intensité de défaillance λt . Quand on prend en compte à la fois des maintenances
correctives et des maintenances préventives aléatoires, il faut considérer le processus des main-
tenances préventives comme un processus extérieur, et on utilisera alors la forme λ N t (N, M ) de
l’intensité.
2.2 Les modèles de base

2.2.1 Le modèle de maintenance minimale
Le modèle de maintenance minimale suppose que l’effet de la maintenance est de remettre le
système en fonctionnement dans l’état exact où il était juste avant la défaillance. Cela caractérise
un effet de maintenance neutre (n’améliore pas et ne dégrade pas le système). Le système après
maintenance est dit aussi mauvais que vieux ou en anglais As Bad As Old (ABAO).
L’intensité de défaillance est alors une fonction uniquement du temps et ne dépend donc pas
du passé du processus :
λt = λ(t) (2.10)
15
10
0
0 0.5 1 1.5 2 2.5
Fig. 2.2 – Intensité dans le cas ABAO

La figure 2.2 illustre cette propriété et représente l’intensité de défaillance d’un système
pour des maintenances ABAO. Les étoiles sur l’axe des abscisses symbolisent les instants de
défaillance.
Le processus aléatoire ainsi caractérisé est appelé Processus de Poisson Non Homogène
(NHPP). Les propriétés des NHPP sont détaillées par exemple dans [65].
Le NHPP le plus simple est le processus de Poisson Homogène (HPP) dont l’intensité de
défaillance est constante :
λ(t) = λ (2.11)
Dans ce cas, les durées inter-défaillances Xi sont indépendantes et de même loi exponentielle
de paramètre λ, caractérisant l’absence de vieillissement du système.
Un autre cas particulier très utilisé est le modèle de Duane [26] ou Power Law Process (PLP)
ou modèle AMSAA, pour lequel l’intensité est une puissance du temps :
λ(t) = αβtβ−1 α > 0 β > 1 (2.12)
Ce modèle est aux systèmes réparables ce que la loi de Weibull est aux systèmes non
réparables. Le paramètre de forme β caractérise l’usure du système :
• β > 1 : usure ou vieillissement,
• β < 1 : amélioration ou rajeunissement,
• β = 1 : stabilité.
2.2.2 Le modèle de maintenance parfaite

Le modèle de maintenance parfaite considère que chaque maintenance remet le système à
neuf. Le système après maintenance est donc aussi bon que neuf ou en anglais As Good As New
(AGAN). Les durées inter-défaillances, et donc inter-maintenances, sont alors indépendantes
et de même loi. On montre facilement que cela implique que l’intensité de défaillance s’écrit :
λt = λ(t − TNt ) (2.13)
La figure 2.3 représente une trajectoire de l’intensité de défaillance d’un système pour des
maintenances AGAN. Les instants de défaillance sont les instants de saut de l’intensité. Après
une maintenance, l’intensité repart de zéro parallèlement à la courbe d’intensité initiale.
6
0
0 0.5 1 1.5 2 2.5 3 3.5 4
Fig. 2.3 – Intensité dans le cas AGAN
Le processus aléatoire correspondant est appelé Processus de Renouvellement (RP).

Le HPP est à la fois un NHPP et un RP. Un système dont le processus des défaillances est
un HPP est donc à la fois ABAO et AGAN. Cela dénote une situation de fiabilité stable, où
le système ne vieillit pas et où la maintenance se contente de le remettre en état de marche. Il
est possible que le système soit AGAN et que le processus des défaillances ne soit pas un HPP :
dans ce cas, les durées inter-défaillances sont indépendantes et de même loi, mais cette loi n’est
pas exponentielle.
2.2.3 Nécessité des modèles de maintenance imparfaite

La situation As Bad As Old signifie que l’efficacité de la maintenance est minimale et la
situation As Good As New qu’elle est maximale. En pratique, on est entre ces deux cas extrêmes.
En effet, il est raisonnable de penser que la maintenance a un effet plus que minimal, c’est-à-
dire que le système après maintenance est meilleur que vieux ou Better than Old. Pour autant,
pour des systèmes industriels importants, il est peu vraisemblable que la maintenance remette
le système à neuf. Le système après maintenance est donc moins bon que neuf ou Worse than
New. Ces deux situations se retrouvent parfois dans la littérature sous le nom de réparation
meilleure que minimale (Better than Minimal Repair) ou plus largement maintenance
imparfaite (Imperfect Maintenance).
D’un point de vue mathématique, il s’agit de construire des processus ponctuels qui soient
intermédiaires entre les processus de Poisson non homogènes et les processus de renouvellement.
La suite de cette partie présente une revue de ces modèles. Les auteurs des travaux présentés
ont rarement formulé le problème en termes de processus ponctuels et n’ont jamais exprimé
l’intensité de défaillance des modèles proposés. Notre présentation de cette synthèse est donc
originale.
Dans la plupart des modèles, l’efficacité de la maintenance est représentée par un paramètre.
Evaluer cette efficacité revient alors à estimer ce paramètre. Cela peut se faire par des méthodes
d’estimation fréquentistes (basées uniquement sur le retour d’expérience) ou bayésiennes (utili-
sant des avis d’experts). On verra qu’il y a en fait très peu de travaux concernant l’estimation
de l’efficacité de la maintenance et que la quasi-totalité d’entre eux sont de nature fréquentiste.
Implicitement, tous les modèles supposent que l’intensité de défaillance avant la première
défaillance est une fonction déterministe et continue du temps. Nous noterons λ(t) cette fonction
et l’appellerons intensité initiale. Cette intensité traduit la qualité intrinsèque du système,
avant la première défaillance. Notons que λ(t) n’est autre que le taux de hasard de la loi de la
durée d’attente de la première R t défaillance X1 = T1 . La fonction de répartition de cette loi est
F (t) = 1 − e−Λ(t) , où Λ(t) = 0 λ(u)du.
Toutes les représentations graphiques de l’intensité de défaillance dans ce document, y com-
pris les figures 2.2 et 2.3, ont été effectuées en prenant comme intensité initiale celle d’un PLP
de paramètres α = 1 et β = 3 : λ(t) = 3t2 . Cette intensité initiale est représentée en pointillés
sur ces figures.
2.3 Les modèles de Brown-Proschan et Block-Borges-Savits

Un des premiers modèles de maintenance imparfaite est celui proposé par Brown et Pro-
schan (BP) en 1983 [11]. Ce modèle vérifie les hypothèses suivantes :
1. Les effets des maintenances sont indépendants des instants auxquels elles sont réalisées et
sont indépendants les uns des autres.
2. Le système après maintenance est AGAN avec une probabilité p et ABAO avec une pro-
babilité 1 − p.
Ainsi, l’efficacité de la ième maintenance est une variable aléatoire Zi telle que :
½
1 si la maintenance est AGAN
Zi = (2.14)
0 si la maintenance est ABAO
Les Zi sont des variables aléatoires indépendantes et de même loi de Bernoulli de paramètre
p. Le processus aléatoire Z = {Zi }i≥1 est un processus externe au sens défini dans la section
2.1. Les calculs sont facilités par le fait que Z et N sont supposés indépendants. On peut alors
démontrer que l’intensité de défaillance du modèle BP s’écrit:
   
Nt
X Nt
Y
λNt (N, Z) = λ t − TNt +
  (1 − Zk ) Xj  (2.15)
j=1 k=j
La figure 2.4 représente une trajectoire de cette intensité de défaillance pour p = 0.5. Les ins-
tants des maintenances AGAN et ABAO sont respectivement représentés sur l’axe des abscisses
par des étoiles et des cercles.
8
0
0 1 2 3 4 5 6
Fig. 2.4 – Intensité dans le modèle de Brown-Proschan
Pour p = 1, tous les Zi sont égaux à 1 et on retrouve le modèle de maintenance parfaite.

Pour p = 0, tous les Zi sont égaux à 0 et on retrouve le modèle de maintenance minimale.
L’efficacité globale de la maintenance est exprimée par la valeur du paramètre p : plus celui-ci
est proche de 1 et meilleure est la maintenance, et inversement, plus celui-ci est proche de 0 et
moins bonne est la maintenance. Ainsi, évaluer l’efficacité de la maintenance dans le modèle BP
revient à estimer le paramètre p. On peut remarquer que ce modèle ne permet pas d’avoir un
effet de maintenance nuisible pour le système : au pire la maintenance n’a pas d’effet.
En admettant que les effets des maintenances sont connus, c’est-à-dire que l’on sait si une
maintenance a été AGAN ou ABAO, les Zi sont observées. Donc on peut écrire la vraisemblance
globale et estimer les paramètres du modèle, à savoir p et les paramètres de λ. Il est facile de
voir que l’estimateur de maximum de vraisemblance de p est le pourcentage de maintenances
AGAN parmi toutes les maintenances effectuées, ce qui est parfaitement logique. Whitaker et
Samaniego [76] ont, de leur côté, estimé λ (ou plutôt F ) de façon non paramétrique en utilisant
une méthode du type Kaplan-Meier.
Dans la pratique, il est douteux que l’on puisse connaı̂tre avec certitude les effets des main-
tenances. Les variables aléatoires Zi sont alors des variables cachées et on peut estimer les
paramètres du modèle par l’algorithme EM, comme l’a fait Lim [50]. Une autre possibilité est de
calculer l’intensité propre à l’aide de (2.9), d’en déduire la vraisemblance propre et de maximiser
celle-ci. Pour le modèle BP, la vraisemblance propre a l’expression suivante :
L(p; t1 , ..., tn ) =
 
n i−1 R ti R ti
− λ(u−ti−j )du − λ(u)du 
Y X
p (1 − p)j−1 λ(ti − ti−j )e ti−1 + (1 − p)i−1 λ(ti )e ti−1 (2.16)
i=1 j=1
Whitaker et Samaniego [76] ont mis en évidence un problème d’identifiabilité pour p dans le
cas où la durée d’attente de la première défaillance est de loi exponentielle : la loi des durées entre
défaillances ne dépend pas de p dans ce cas. C’est logique dans la mesure où les maintenances
sont inutiles quand le système ne vieillit pas. Dans le cas où cette première durée est supposée
de loi non exponentielle, ce problème ne se pose pas et on peut estimer p. Cependant, même
dans ce cas, Langseth et Lindqvist [43] ont remarqué, en appliquant le modèle BP aux données
d’appareils d’air conditionné de Proschan [63], que p est difficile à estimer à cause d’une fonction
de vraisemblance presque plate. Enfin, Lim, Lu et Park [48] ont effectué une analyse bayésienne
du modèle BP en donnant au paramètre p une loi a priori de type béta.
Block, Borges et Savits (BBS) [8] ont proposé une généralisation du modèle BP dans laquelle
la probabilité de maintenance parfaite dépend de l’instant auquel est effectuée la maintenance
corrective. Conditionnellement aux instants de défaillance Ti , les efficacités des maintenances
sont alors des variables aléatoires Zi indépendantes et de lois de Bernoulli de paramètres res-
pectifs p(Ti ).
L’intensité de défaillance du modèle BBS a donc la même expression que celle du modèle BP,
seule la loi des Zi n’est pas la même. Cela confirme que, quand un processus externe intervient,
la donnée de l’intensité de défaillance n’est pas suffisante pour définir complètement le processus
de défaillances.
Hollander, Presnell et Sethuraman [32], puis Kvam, Singh et Whitaker [41] se sont intéressés
à l’estimation non paramétrique de la loi du premier instant de défaillance quand les efficacités
des maintenances Zi sont supposées connues. Dans le même contexte, Agustin et Pen̂a [2] ont
proposé un test d’adéquation pour cette loi. Kvam, Singh et Whitaker ont appliqué leur méthode
a des données de défaillance de générateurs diesel d’urgence et de pompes “motor-driven” pour
des centrales nucléaires américaines.
Quand les efficacités des maintenances ne sont pas supposées connues, on peut toujours écrire
la vraisemblance propre du modèle, mais il paraı̂t difficile d’estimer la fonction p(t) sans faire
d’hypothèses particulières sur sa forme.
On peut noter que ni Brown et Proschan, ni Block, Borges et Savits, n’ont cherché à estimer
quoi que ce soit. Ils ont étudié la loi de la durée séparant deux maintenances parfaites et établi
des propriétés de vieillissement de cette loi.
2.4 Les modèles d’âge virtuel

2.4.1 Construction des modèles d’âge virtuel
On trouve l’idée des modèles d’âge virtuel dès 1979 dans Malik [56], mais leur définition
mathématique n’a été proposée qu’en 1988 par Kijima, Morimura et Suzuki (KMS) [40].
Un modèle d’âge virtuel est caractérisé par la donnée d’une suite de variables aléatoires
positives A = {Ai }i≥0 telles que A0 = 0. Intuitivement, ces modèles sont basés sur l’hypothèse
suivante : après la ième maintenance, le système se comporte comme un système neuf qui aurait
fonctionné une durée Ai sans tomber en panne. Ai peut donc être considéré comme l’âge virtuel
du système après la ième maintenance.
Pour traduire mathématiquement cette hypothèse, on considère une variable aléatoire Y de
même loi que le premier instant de défaillance T1 = X1 (donc de fonction de répartition F ) et
indépendante des durées inter-défaillances {Xi }i≥1 . Alors l’hypothèse effectuée revient à écrire :
∀i ≥ 0, ∀x ≥ 0, P (Xi+1 > x|Ai , X1 , . . . , Xi ) = P (Y > Ai + x|Y > Ai , Ai ) (2.17)
ce qui entraı̂ne que :
1 − F (Ai + x)
∀i ≥ 0, ∀x ≥ 0, P (Xi+1 > x|Ai , X1 , . . . , Xi ) = (2.18)
1 − F (Ai )
Il est alors facile d’en déduire que l’intensité de défaillance du modèle s’écrit :
λN
t (N, A) = λ(t − TNt + ANt ) (2.19)
On peut comprendre ce modèle en disant que la maintenance rajeunit le système de sorte que
l’intensité de défaillance à l’instant t est égale à l’intensité initiale à l’instant t−(T Nt −ANt ) < t. t
est l’âge réel du système à l’instant t et t−TNt +ANt est son âge virtuel, du fait des maintenances.
Entre deux maintenances, l’âge virtuel varie comme l’âge réel.
La figure 2.5 donne un exemple d’évolution de l’âge virtuel du système au cours du temps et
la figure 2.6 représente l’intensité de défaillance correspondante. On peut remarquer qu’à tout
instant, l’intensité est parallèle horizontalement à l’intensité initiale.
2.5 7
6
2
1.5
4
3
1
0.5
1
0 0
0 0.5 1 1.5 2 2.5 0 0.5 1 1.5 2 2.5
Fig. 2.5 – Age virtuel Fig. 2.6 – Intensité dans un modèle d’âge virtuel
Il reste à définir la suite des âges virtuels A = {Ai }i≥0 . On remarque immédiatement que les
modèles de base sont des cas particuliers de modèles d’âge virtuel :
• modèle de maintenance minimale (ABAO) : ∀i ≥ 0, Ai = Ti .

• modèle de maintenance parfaite (AGAN) : ∀i ≥ 0, Ai = 0.
En effet, dans le cas ABAO, le système après maintenance est aussi mauvais que vieux, donc
son âge virtuel est égal à son âge réel, et dans le cas AGAN, le système après maintenance est
comme neuf, donc son âge virtuel est nul.
2.4.2 Les modèles de Kijima

Dans [40], on suppose que l’effet de la ième maintenance est de réduire l’âge virtuel juste
avant Ti , Ai−1 + Xi , d’une quantité proportionnelle à la durée écoulée depuis la maintenance
précédente Zi Xi , avec Zi ∈ [0, 1]. Autrement dit, Ai = Ai−1 + (1 − Zi )Xi .
En 1989, Kijima [39] a repris cette idée, en supposant que la réduction d’âge due à la
maintenance est proportionnelle non pas au temps passé depuis la dernière maintenance, mais
à l’âge virtuel lui-même, ce qui signifie que la réduction est de la forme Zi (Ai−1 + Xi ).
Au bout du compte, Kijima a défini deux classes de modèles d’âges virtuels, connus depuis
sous le nom de modèles de Kijima de type I et II :
• Modèle de Kijima de type I : ∀i ≥ 0, Ai = Ai−1 + (1 − Zi )Xi .

• Modèle de Kijima de type II : ∀i ≥ 0, Ai = (1 − Zi )(Ai−1 + Xi ).
On peut alors obtenir les intensités de défaillance de ces modèles :

 
XNt
Modèle de Kijima de type I : λN t (N, Z) = λ t − TNt +
 (1 − Zj )Xj  (2.20)
j=1
   
Nt
X Nt
Y
Modèle de Kijima de type II : λN
t (N, Z) = λ t − TNt
 +  (1 − Zk ) Xj  (2.21)
j=1 k=j
Les Zi sont des variables aléatoires à valeurs dans [0, 1] représentant l’efficacité des mainte-
nances successives. On remarque pour le modèle de type II que Zi = 1 =⇒ Ai = 0 donc la ième
maintenance est AGAN, et Zi = 0 =⇒ Ai = Ai−1 + Xi donc la ième maintenance est ABAO.
Par conséquent, quand les Zi sont indépendants et de lois de Bernoulli, on retrouve les modèles
de Brown-Proschan et Block, Borges et Savits. Cela est confirmé par le fait que les intensités
(2.15) et (2.21) sont identiques. Cependant, le modèle de Kijima de type II est bien plus général
que les modèles BP et BBS car les Zi ne sont pas forcément égaux à 0 ou 1 et ne sont pas
forcément aléatoires. On peut même autoriser les Zi à être négatifs et on modélise ainsi des
effets de maintenance nuisibles.
Implicitement, Kijima a supposé que les Zi étaient indépendants. Stadje et Zuckerman [71]
ont étudié le cas où les Zi dépendent du passé du processus. Enfin, Last et Szekli [44, 45] ont
reformulé les hypothèses de Kijima pour englober sous une seule écriture les modèles de type
I et II, ainsi que les modèles de Stadje et Zuckerman et de Baxter, Kijima et Tortorella [4].
Gasmi et Kahle [29] ont explicité la fonction de vraisemblance dans le modèle de Last-Szekli
pour plusieurs formes de l’intensité initiale : PLP, log-linéaire et Pareto. En supposant les Z i de
loi connue sur [0, 1], on peut estimer les paramètres de ces intensités initiales.
Les modèles de Kijima les plus simples sont obtenus en supposant que les efficacités des
maintenances sont déterministes et constantes : ∀i ≥ 1, Zi = ρ. C’est ce qu’ont proposé Kijima,
Morimura et Suzuki [40] pour le modèle de type I, et il s’avère que c’est équivalent a l’idée qu’avait
eu Malik [56]. Le modèle de Malik est souvent appelé modèle à réduction proportionnelle
de l’âge (Proportional Age Reduction - PAR) et le paramètre ρ est souvent désigné sous le nom
de facteur d’amélioration (improvement factor).
Remarquons que, quand les Zi ne sont pas aléatoires, il n’y a pas de raison de considérer qu’ils
forment un processus externe. Le processus des défaillances est alors simplement un processus
ponctuel auto-excité et son intensité se notera simplement λt . L’intensité de défaillance du
modèle PAR ou KMS a une forme très simple :
λt = λ(t − ρTNt ) (2.22)
Cette écriture permet de retrouver immédiatement les situations AGAN et ABAO comme
cas particuliers :
• ρ = 1 : la maintenance est parfaite (AGAN),
• ρ ∈]0, 1[ : la maintenance est efficace,
• ρ = 0 : la maintenance est minimale (ABAO),
• ρ < 0 : la maintenance est nuisible.
Dans ce modèle, évaluer l’efficacité de la maintenance revient à estimer le paramètre ρ.
Quand on suppose que les efficacités des maintenances sont déterministes et constantes dans
le modèle de Kijima de type II, on retrouve une idée proposée par Brown, Mahoney et Sivazlian
(BMS) [10] et on obtient comme intensité de défaillance :
 
NXt −1
λt = λ t − ρ (1 − ρ)j TNt −j  (2.23)

j=0
Une variante intéressante a été récemment proposée par Gasmi, Love et Kahle [30], permet-
tant de prendre en compte trois effets possibles de maintenance :
Ai = ξ1i ξ2i (Ai−1 + Xi ) (2.24)
avec :
• ξ1i = 1, ξ2i = 1 : maintenance minimale (ABAO)
• ξ1i = ξ1 , ξ2i = 1 : maintenance mineure
• ξ1i = ξ1 , ξ2i = ξ2 : maintenance majeure
Les auteurs ne donnent pas de précisions sur ce qu’ils entendent par maintenance “mineure”
et “majeure”.
Enfin, le principe de réduction d’âge a également été utilisé par Clarotti et al [15], mais avec
une présentation bien différente : les maintenances concernées sont les maintenances préventives,
on s’intéresse à la loi de l’instant de la première défaillance, les réductions d’âge sont aléatoires
et on effectue un traitement bayésien. Dans cette approche, l’efficacité de la maintenance n’est
pas caractérisée simplement par un paramètre.
2.4.3 Les modèles à réduction arithmétique de l’âge

Doyen et Gaudoin [24] ont remarqué que le modèle PAR pouvait être considéré comme une
simplification du modèle BMS au sens où l’effet de la maintenance porte seulement sur l’instant
de la dernière défaillance, et pas sur tous les instants des défaillances précédentes. On peut
alors imaginer que cet effet pourrait porter sur plusieurs instants de défaillance précédents. On
construit ainsi les modèles à Réduction Arithmétique de l’Age de mémoire m (ARAm ),
définis par leur intensité :
 
M in(m−1,Nt −1)
X
λt = λ t − ρ (1 − ρ)j TNt −j  (2.25)
j=0
La mémoire m reflète une propriété markovienne : c’est le nombre maximal d’instants de

défaillance précédents qui peuvent influencer l’intensité de défaillance. Le modèle PAR peut
donc être considéré comme un modèle ARA1 et le modèle BMS comme un modèle ARA∞ .
25 10
20 8
15 6
10 4
5 2
0 0
0 0.5 1 1.5 2 2.5 3 3.5 0 1 2 3 4 5 6 7
Fig. 2.7 – Intensité dans un modèle ARA1 Fig. 2.8 – Intensité dans un modèle ARA2
Les figures 2.7, 2.8 et 2.9 représentent respectivement les intensités de défaillance des modèles
ARA1 , ARA2 et ARA∞ pour ρ = 0.5. La première ligne pointillée représente comme d’habitude
30
25
20
15
10
0
0 0.5 1 1.5 2 2.5 3
Fig. 2.9 – Intensité dans un modèle ARA∞
l’intensité initiale et la seconde une nouvelle fonction intéressante : l’intensité d’usure minimale.
En effet, Doyen et Gaudoin [24] ont montré que, pour les modèles ARA et pour d’autres, il
existait une borne inférieure maximale λmin (t) pour l’intensité de défaillance, appelée intensité
d’usure minimale : quelle que soit la politique de maintenance, l’intensité λt ne peut pas être
inférieure à λmin (t). Pour le modèle ARAm , il est facile de voir que l’intensité d’usure minimale
est :
λmin (t) = λ ([1 − ρ]m t) (2.26)
Signalons pour terminer que, dans tout ce qui précède, la réduction d’âge a été supposée
arithmétique : l’âge virtuel est obtenu en soustrayant une certaine quantité à l’âge réel. Or
on peut très bien faire des hypothèses différentes. Par exemple, si l’âge virtuel résulte de la
multiplication de l’âge réel par une quantité inférieure à 1, on obtient des modèles à réduction
géométrique de l’âge. Le plus simple d’entre eux, équivalent au modèle ARA1 , est défini par
l’intensité : Ã !
t
λt = λ (2.27)
TNρ t
2.4.4 Analyse statistique et application des modèles d’âge virtuel

A part les travaux déjà évoqués sur les modèles BP et BBS, il n’existe pas de travaux
théoriques sur l’estimation des paramètres des modèles d’âge virtuel. En revanche, plusieurs
études à base de simulations ont été publiées : Shin, Lim et Lie [69] et Kaminskiy et Krivtsov [38]
pour le modèle PAR, Yun et Choung [77] pour le modèle BMS, et Doyen et Gaudoin [24] pour
les modèles ARAm .
L’application des modèles à des données réelles n’a été faite à notre connaissance que dans
les articles suivants :
• Shin, Lim et Lie [69] ont estimé les paramètres du modèle PAR pour le système de refroidis-
sement d’une centrale nucléaire (Korean Atomic Energy Research Institute). Les données
sont issues de relevés quotidiens de 1989 à 1994. En 612 jours, 15 défaillances et 3 rempla-
cements (major overhauls) sont survenus. L’intensité initiale est supposée du type PLP. Le
paramètre de forme β est estimé à 1.41, reflétant la vitesse d’usure du système. Le facteur
d’amélioration ρ est estimé à 0.77, ce qui dénote une bonne efficacité de maintenance.
• Kaminskiy et Krivtsov [38] ont utilisé exactement les mêmes hypothèses que Shin, Lim et
Lie dans le secteur automobile (Ford Motor Company). Pour des raisons de confidentialité,
les données ne sont ni fournies ni décrites. β et ρ sont respectivement estimés à 1.8 et 0.7.
• Gasmi, Love et Kahle [30] ont estimé les paramètres de leur propre modèle pour des tur-
bines hydro-électriques (B.C. Hydro Power system). Les données, relevées tout au long de
l’année 1977, comprennent 142 maintenances correctives suite à défaillances, et 148 main-
tenances préventives, classées en 88 maintenances mineures et 60 maintenances majeures.
β est estimé à 1.212, ξ1 à 1.0002 et ξ2 à 0.5457. L’estimation de ξ1 pratiquement égale
à 1 signifie que les maintenances mineures peuvent être assimilées à des maintenances
minimales.
• Clarotti et al [15] ont utilisé leur modèle pour estimer la fiabilité de matériels mécaniques,
électriques et électromécaniques (robinets du système de contrôle volumétrique et chimique
RCV, stator et rotor de l’alternateur, ...) en prenant en compte le rajeunissement induit
par la maintenance.
2.5 Les modèles à réduction de l’intensité

Chan et Shaw [14] ont proposé un modèle pour lequel l’effet de la maintenance est de réduire
l’intensité de défaillance d’une quantité proportionnelle à sa valeur juste avant défaillance :
λT + = λT − − ρλT − (2.28)
i i i
où λT + (resp. λT − ) est la limite à droite (resp. à gauche) de λt quand t tend vers Ti . Entre deux
i i
défaillances, l’intensité est supposée évoluer comme celle d’un système neuf, ce qui signifie que
λt est parallèle à λ(t). On montre alors que l’intensité de défaillance du modèle de Chan-Shaw
(CS) est de la forme :
XNt
λt = λ(t) − ρ (1 − ρ)j λ(TNt −j ) (2.29)
j=0
Le principe de construction de ce modèle est manifestement similaire à celui du modèle BMS :

la réduction proportionnelle porte sur l’intensité au lieu de porter sur l’âge. La similitude est
également frappante sur l’expression de l’intensité de défaillance. En partant de cette remarque,
Doyen et Gaudoin [24] ont généralisé le modèle CS en deux temps. On peut d’abord construire
un modèle analogue au modèle PAR, pour lequel l’effet de la maintenance est de réduire non
pas l’intensité de défaillance mais son accroissement depuis la dernière maintenance:
λT + = λT − − ρ[λT − − λT + ] (2.30)
i i i i−1
Cela conduit à une intensité de défaillance de la forme :
λt = λ(t) − ρλ(TNt ) (2.31)
Puis, par analogie avec les modèles ARAm , on peut définir les modèles à Réduction
Arithmétique de l’Intensité de mémoire m (ARIm ) par une intensité de défaillance de la
forme :
M in(m−1,Nt −1)
X
λt = λ(t) − ρ (1 − ρ)j λ(TNt −j ) (2.32)
j=0
Le modèle CS peut donc être considéré comme un modèle ARI∞ et le modèle défini par
(2.31) comme un modèle ARI1 .
15
10
0
0 0.5 1 1.5 2 2.5 3 3.5
Fig. 2.10 – Intensité dans un modèle ARI2
La figure 2.10 représente l’intensité d’un modèle ARI2 . Comme pour les modèles ARAm ,
à tout instant l’intensité de défaillance est parallèle à l’intensité initiale, mais cette fois le pa-
rallélisme n’est plus horizontal mais vertical. L’intensité d’usure minimale pour un modèle ARI m
est :
λmin (t) = (1 − ρ)m λ(t) (2.33)
Comme pour les modèles ARAm , l’efficacité de la maintenance est représentée par la valeur
du paramètre ρ, donc évaluer l’efficacité de la maintenance revient encore à estimer ρ :
• ρ = 1 : la maintenance est optimale (mais pas parfaite, donc pas AGAN),
• ρ ∈]0, 1[ : la maintenance est efficace,
• ρ = 0 : la maintenance est minimale (ABAO),
• ρ < 0 : la maintenance est nuisible.
Ces modèles sont construits sur un principe similaire aux modèles ARAm , mais sont mathématiquement
plus simples à manipuler.
Par analogie avec les modèles à réduction d’âge, on peut construire des modèles à réduction
géométrique de l’intensité, dont le plus simple est défini par :
λ(t)
λt = (2.34)
[λ(TNt )]ρ
A notre connaissance, la seule étude statistique sur les modèles à réduction de l’intensité a
été faite par Doyen et Gaudoin [24] à base de simulations, et aucune application sur des données
réelles n’a été effectuée pour ces modèles.
On peut remarquer que les modèles ARA1 , ARI1 et (2.34) ont une intensité qui n’est fonction
que de l’instant présent t et de l’instant de la dernière défaillance TNt :
λt = h(t, TNt ) (2.35)
C’est en fait une caractéristique des modèles pour lesquels le processus {Ti }i≥1 est markovien.
Les cas ABAO et AGAN sont évidemment des cas particuliers.
2.6 Les modèles de quasi-renouvellement

Wang et Pham, dans une série d’articles de 1996 dont par exemple [75], ont construit
un modèle reposant sur l’hypothèse suivante. Si {Yi }i≥1 est une suite de variables aléatoires
indépendantes et de même loi, alors les durées inter-défaillances sont définies par :
∀i ≥ 1, Xi = αi−1 Yi (2.36)
où α est un paramètre réel strictement positif.

L’intensité de défaillance de ce modèle, dont une trajectoire est représentée dans la figure 2.11,
est : µ ¶
1 t − T Nt
λt = N t λ (2.37)
α α Nt
30
25
20
15
10
0
0 0.5 1 1.5 2 2.5 3 3.5 4
Fig. 2.11 – Intensité dans un modèle de quasi renouvellement
L’efficacité de la maintenance dépend ici du paramètre α au sens où, selon la valeur prise
par α, les durées inter-défaillances seront (stochastiquement) de plus en plus grandes, de plus
en plus petites ou de même loi :
• α > 1 : la maintenance est plus que parfaite au sens où le système après maintenance est
“meilleur que neuf” (Xi+1 >st Xi ). C’est ce qui arrive par exemple quand on remplace
des composants usagés par des composants neufs issus d’une nouvelle technologie plus
performante. Dans ce cas, la fiabilité du système croı̂t.
• α = 1 : la maintenance est parfaite (AGAN).
• α ∈]0, 1[ : les Xi sont de plus en plus petits, donc la fiabilité du système décroı̂t ; on sait
simplement que l’efficacité de la maintenance est moins bonne que dans le cas AGAN,
mais on ne peut pas distinguer le cas où la maintenance est nuisible du cas où elle n’est
pas suffisamment efficace pour contrecarrer le vieillissement.
Wang et Pham [75], Rehmert [64] et d’autres, ont travaillé sur l’optimisation de la politique de
maintenance : le but est de planifier les dates des maintenances préventives de façon à optimiser
les coûts sous contraintes de fiabilité. Cela ne peut se faire que si les paramètres du modèle, α
et λ, sont supposés connus.
Ce modèle a été appelé par ses auteurs modèle de quasi-renouvellement. Plus généralement,
le processus des défaillances est un processus de quasi-renouvellement (QR) si les durées
inter-défaillances sont indépendantes, mais pas de même loi.
Dans ce cas, l’intensité de défaillance ne dépend que du temps écoulé depuis la dernière
maintenance et du nombre de maintenances observées :
λt = h(t − TNt , Nt ) (2.38)
On retrouve parmi ceux-ci certains modèles fameux de fiabilité des logiciels comme ceux de
Schick-Wolverton [66] :
λt = Φ(N − Nt )(t − TNt ) (2.39)
et Littlewood-Verral [54] :
α
λt = (2.40)
β1 + (Nt + 1)β2 + t − TNt
ainsi qu’un modèle construit spécifiquement pour des maintenances préventives par Nakagawa [59,
60], dont la forme la plus simple est :
λt = aNt λ(t − TNt ) (2.41)
Dans ces modèles, l’efficacité de la maintenance est caractérisée par le changement de loi de
probabilité de Xi à Xi+1 . Toutes les formes possibles sont envisageables.
Lin, Zuo et Yam [51] ont défini un modèle dont la forme la plus simple peut être vue comme
un mélange des modèles de Nakagawa et ARA1 , dont l’intensité est :
λt = aNt λ(t − ρTNt ) (2.42)
2.7 Le modèle de Dorado-Hollander-Sethuraman

Un modèle très général, et permettant de prendre en compte un grand nombre d’effets de
maintenance variés, a été développé par Dorado, Hollander et Sethuraman (DHS) en 1997 [22].
Le modèle est caractérisé par la donnée de deux suites de variables aléatoires A = {A i }i≥0 et
Θ = {Θi }i≥0 quantifiant l’effet des différentes maintenances. Les Ai sont appelées âges effectifs
et les Θi suppléments d’âge. Ces variables aléatoires doivent vérifier :
A0 = 0, Θ0 = 1
∀i ≥ 1, Ai ≥ 0, Θi ≥ 0
Le principe de ce modèle est de généraliser les modèles d’âge virtuel en supposant non
seulement qu’après la ième maintenance, le système se comporte comme un système neuf qui
aurait fonctionné pendant une durée Ai sans tomber en panne, mais aussi que la vitesse d’usure
après la ième maintenance est pondérée par un facteur Θi .
Alors, les lois conditionnelles des durées inter-défaillances sont données par :
1 − F (Θi x + Ai )
∀i ≥ 0, ∀x ≥ 0, P (Xi+1 > x|Ai , Θi , X1 , ..., Xi ) = (2.43)
1 − F (Ai )
L’intensité de défaillance du modèle DHS s’écrit :
λN
t (N, A, Θ) = ΘNt λ(ANt + ΘNt [t − TNt ]) (2.44)
Les effets des maintenances sont exprimés par les processus A et Θ. Dorado, Hollander et
Sethuraman ont construit un estimateur non paramétrique de F , quand on connait les séries des
âges effectifs Ai et des suppléments d’âge Θi . Ils ont démontré un certain nombre de propriétés
de convergence de cet estimateur. Cependant, jamais en pratique on ne connait les valeurs des
Ai et Θi .
Le modèle DHS est le plus général des modèles existant considérant un seul type de mainte-
nance. Il englobe bon nombre de modèles en adoptant des formes particulières pour les processus
A et Θ :
• Θi = 1 : modèles d’âge virtuel,

• Ai = 0, Θi = 1 : AGAN,
• Ai = Ti , Θi = 1 : ABAO,
• Ai = 0 : modèles de quasi-renouvellement,
1
• Ai = 0, Θi = i : modèle de Wang-Pham [75].
α
p
• Ai = 0, Θi = 1 − i/n : modèle de Schick-Wolverton [66].
2.8 Les modèles de tendance-renouvellement

Lindqvist, Elvebakk et Heggland [53] sont partis de la propriété qui dit que si le processus de
défaillance est un NHPP d’intensité λ(t), alors le processus dont les instants d’occurrence sont les
RT
Λ(Ti ) = 0 i λ(u)du est un processus de Poisson homogène d’intensité 1. Il ont alors eu l’idée de
construire un processus plus général en considérant que les Λ(Ti ) sont les instants d’occurrence
d’un processus de renouvellement quelconque, de loi générique de fonction de répartition G, de
taux de hasard z et d’espérance 1. Le processus ainsi défini a une intensité de défaillance égale
à :
λt = z (Λ(t) − Λ(TNt )) λ(t) (2.45)
En prenant G(t) = 1 − e−t on a z(t) = 1, donc le processus de défaillance est un NHPP
d’intensité λ(t), qui correspond au modèle de maintenance minimale. En prenant λ(t) = c
constant, on a une intensité de défaillance égale à λt = c z(c [t − TNt ]), et on est donc dans le
cas du modèle de maintenance parfaite. Ce modèle peut donc prendre en compte à la fois les
processus de renouvellement et les processus présentant une tendance comme les NHPP, d’où
son nom de modèle de tendance-renouvellement (trend-renewal process).
Du fait de la double influence de λ et z, il n’est pas facile de caractériser l’effet de la
maintenance dans ce modèle. En fait, ce modèle a surtout été élaboré pour faire des tests
de tendance, mais pas pour modéliser l’efficacité de la maintenance. Par ailleurs, ce modèle est
construit sur des hypothèses purement mathématiques et n’a pas d’interprétation physique.
D’autres modèles ont été développés dans la même optique comme par exemple celui de
Lawless et Thiagarajah [46], dont l’intensité est :
λt = exp(α + βt + γ(t − TNt )) (2.46)
Bien que présentant des analogies avec le modèle de Cox, ce modèle n’a pas non plus d’in-
terprétation physique.
Modélisation conjointe des effets des maintenances préventives et correctives 27
Chapitre 3
Modélisation conjointe des effets des

maintenances préventives et
correctives
Les modèles présentés jusqu’à maintenant ne prennent en compte qu’un seul type de main-
tenance. Ils ont été introduits pour des maintenances uniquement correctives, mais on peut
également les utiliser pour des maintenances uniquement préventives.
Naturellement, dans la réalité industrielle, les deux types de maintenance co-existent. L’ap-
parition des défaillances, et donc des maintenances correctives, est retardée par la mise en place
de maintenances préventives. Le cas le plus fréquent est celui où les maintenances préventives
sont déterministes et périodiques. Mais on se doit de considérer également le cas de mainte-
nances préventives “aléatoires”, au sens qui a été défini dans la section 1.2. de ce document. En
particulier, la maintenance préventive idéale est celle qui aurait lieu juste avant la défaillance,
donc à un instant aléatoire. Il faudra alors prendre en compte la loi de probabilité du processus
des maintenances préventives, ainsi qu’une éventuelle dépendance entre les instants des deux
types de maintenance. Enfin, l’efficacité des maintenances préventives n’est pas forcément la
même que celle des maintenances correctives.
Ce chapitre présente les modèles existant prenant en compte les deux types de mainte-
nance. On donne d’abord quelques résultats sur les maintenances préventives déterministes.
Puis on expose des principes de construction de modèles quand les maintenances préventives
sont supposées aléatoires. Cela aboutit à la proposition d’un modèle d’âge virtuel généralisé. Les
principaux modèles avec des PM aléatoires sont les modèles de risques concurrents, le modèle
de Langseth-Lindqvist et le modèle de Last-Szekli. On termine ce chapitre avec la proposition
d’une modélisation à l’aide de processus bivariés ou colorés, qui se veut la plus large possible.
3.1 Instants de maintenance préventive déterministes

Dans cette section, on reprend les notations et hypothèses du chapitre 2 en remplaçant
l’hypothèse 1 par :
4. Les maintenances préventives (PM) ont lieu à des instants déterministes entièrement pla-
nifiés à l’avance {τj }j≥1 . Le nombre de PM effectuées entre 0 et t est donc lui aussi
déterministe et est noté mt .
Il reste maintenant à modéliser l’effet des deux types de maintenance. On peut pour cela
adopter l’un quelconque des modèles vus précédemment. Par exemple, l’effet des PM peut être
28 Modélisation conjointe des effets des maintenances préventives et correctives
supposé de type ARA1 et l’effet des CM de type BP. En fait, on considère la plupart du temps
que les maintenances correctives sont minimales, c’est à dire ABAO.
3.1.1 Maintenances correctives minimales

Les maintenances correctives, effectuées suite à des défaillances, sont souvent faites dans l’ur-
gence en ayant simplement pour but de remettre le système en état de marche. Par conséquent,
il est raisonnable de proposer des modèles où toutes les maintenances correctives sont minimales.
Au contraire, des maintenances préventives soigneusement préparées peuvent améliorer signifi-
cativement l’état du système. Il est d’ailleurs admis dans la pratique que les maintenances qui
augmentent le plus la durée de vie du système sont les maintenances préventives.
Dans ce cas, il est facile de voir que l’intensité de défaillance est déterministe, ce qui implique
que le processus des défaillances est un NHPP. L’expression de l’intensité de ce processus est
obtenue en remplaçant, dans l’expression de l’intensité des modèles du chapitre 2, (T i , Nt ) par
(τi , mt ). Par exemple, si l’efficacité des PM est supposée du type ARA1 , l’intensité de défaillance
est de la forme :
λt = λ(t − ρτmt ) (3.1)
Et si l’efficacité des PM est supposée du type ARA∞ , elle est de la forme:
 
mXt −1
λt = λ t − ρ (1 − ρ)j τmt −j  (3.2)

j=0
Comme les instants de maintenance préventive sont parfaitement connus, cela permet de
considérer des effets de maintenance qu’on ne pouvait pas envisager pour des maintenances
correctives. Par exemple, Chan et Shaw [14] ont supposé que l’effet des maintenances préventives
est de réduire l’intensité de défaillance du système d’une quantité fixe c :
λt = λ(t) − cmt (3.3)
De la même façon, Wang et Pham [74] ont supposé que l’effet de la maintenance est de
réduire l’âge virtuel d’une quantité fixe c :
λt = λ(t − cmt ) (3.4)
Dans les deux cas, on peut s’assurer que l’intensité ou l’âge virtuel sont positifs au prix
d’hypothèses sur λ, c et mt . Les modèles équivalents pour des CM ne sont pas envisageables
car, même en faisant des hypothèses sur l’intensité initiale, le fait que Nt soit aléatoire entraine
qu’il sera toujours possible que, par exemple, λt = λ(t) − cNt soit négative.
Le fait que le processus des défaillances soit un NHPP est pratique à plus d’un titre. D’abord
on connait les lois de probabilité des Ti et Nt , ce qui permet, par exemple, de prévoir facilement
le nombre de défaillances à attendre sur une période de temps donnée. D’autre part, on peut
facilement écrire la fonction de vraisemblance associée à un modèle et à des données observées,
et ainsi estimer les paramètres de ce modèle, donc en particulier estimer l’efficacité de la main-
tenance. Enfin, on peut étudier l’impact d’un choix d’une politique de maintenance préventive
sur la fiabilité du système, ce qui est un premier pas important vers l’optimisation de la PM.
Par exemple, Doyen [23] a montré que, si l’effet des PM est de type ARA ou ARI, alors, plus le
système vieillit, moins les PM sont efficaces, ce que confirme l’intuition. D’autres considérations
intéressantes sur l’optimisation de la maintenance préventive dans les modèles ARI et ARA sont
données dans [23].
Le modèle proposé par Canfield [13] en 1986 fait une hypothèse sur les maintenances préventives
qui ne rentre pas dans le cadre des modèles vus au chapitre 2. En effet, les hypothèses de ce
modèle sont :
• Les maintenances correctives sont minimales (ABAO).

• Les maintenances préventives sont déterministes et périodiques, de période ∆t.
• L’intensité de défaillance est continue.
• Après la k ème PM, l’intensité de défaillance croit comme celle d’un système d’âge t − ks.
L’efficacité de la maintenance est représentée par la durée s, qui doit être inférieure à la
période ∆t.
Contrairement à tous les modèles du chapitre 2 (hormis le NHPP), l’intensité de défaillance

est continue. L’efficacité de la maintenance ne se traduit donc pas par un rajeunissement du
système, mais par une modification de la pente de l’intensité de défaillance après une PM, c’est
à dire une variation de la vitesse d’usure du système. On peut le voir sur la figure 3.1, tracée
pour ∆t = 1.5 et s = 1. Dans cette figure et dans toutes les suivantes de ce chapitre, les instants
des PM et des CM sont respectivement représentés par des carrés et des cercles sur l’axe des
abscisses.
30
25
20
15
10
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
Fig. 3.1 – Intensité dans le modèle de Canfield
La forme générale de l’intensité de défaillance dans le modèle de Canfield est :

t
b ∆t c
t X
λt = λ(t − b cs) + [λ(i(∆t − s) + s) − λ(i(∆t − s))] (3.5)
∆t
i=1
Ce modèle se généralise facilement à des PM déterministes non périodiques :

mt
X
λt = λ(t − smt ) + [λ(τi − (i − 1)s) − λ(τi − is)] (3.6)
i=1
3.1.2 Effet quelconque des maintenances correctives

Même si l’hypothèse que les maintenances correctives sont minimales semble viable dans de
nombreux cas pratiques, il est intéressant de considérer un modèle plus général autorisant un
effet quelconque des maintenances correctives. Cela pourra en particulier permettre de vérifier
si les CM peuvent être considérées comme minimales ou pas.
Les instants des PM sont toujours supposés déterministes et les effets des PM et des CM
suivre un des modèles de réparation imparfaite, pas nécessairement le même pour les PM et les
CM. Avec ces hypothèses, l’intensité de défaillance n’est plus, de façon générale, une fonction
déterministe du temps, mais dépend de l’ensemble des instants de CM précédents. Une telle
intensité de défaillance reste caractéristique d’un processus ponctuel auto-excité, et la vraisem-
blance peut toujours être calculée à l’aide de l’équation (2.7).
Dans un premier temps, donnons quelques formes simples de l’intensité correspondant à des
hypothèses de base sur les effets des deux types de maintenance.
• PM ABAO, CM ABAO. Cela revient à supposer que les effets des deux types de
maintenance sont minimaux. Après n’importe quelle maintenance, le système est dans le
même état qu’avant. L’intensité de défaillance est donc une fonction continue du temps et
le processus des défaillances est un NHPP :
λt = λ(t) (3.7)
• PM AGAN, CM AGAN. Chaque maintenance remet le système à neuf. L’âge virtuel

du système est donc la durée écoulée depuis la dernière maintenance, quelle soit préventive
ou corrective : t − max(τmt , TNt ). L’intensité du modèle est donc :
¡ ¢
λt = λ t − max(τmt , TNt ) (3.8)
On remarque que le processus des défaillances n’est pas un processus de renouvellement

puisque son intensité n’est pas de la forme λ(t − TNt ).
• PM ABAO, CM AGAN. La PM est minimale et la CM remet le système à neuf. Donc

tout se passe comme s’il n’y avait pas de PM pour des CM AGAN. Le processus des
défaillances est donc un processus de renouvellement et son intensité est :
λt = λ(t − TNt ) (3.9)
• PM AGAN, CM ABAO. La CM est minimale et la PM remet le système à neuf. C’est

la situation duale de la précédente. L’intensité est donc :
λt = λ(t − τmt ) (3.10)
Le processus des défaillances est un NHPP.
Dans toutes ces expressions, λ(t) est l’intensité de défaillance initiale, c’est-à-dire l’intensité
de défaillance quand aucune maintenance n’a encore été effectuée : Nt = mt = 0.
A partir de ces exemples de base, on peut déjà retenir deux enseignements pour les cas des
maintenances minimales :
• Quand la PM est ABAO, tout se passe comme si on ne faisait pas de PM et on retrouve

exactement les modèles du chapitre 2. C’est très peu réaliste : si on suppose que la main-
tenance préventive n’a pas d’effet, autant ne pas en faire.
• Quand la CM est ABAO, l’intensité du processus n’est modifiée que par les PM, donc elle
est de la forme de celles du chapitre 2, en remplaçant (Ti , Nt ) par (τi , mt ). On retrouve les
modèles de la section 3.1.1.
Il est facile de définir un modèle d’âge virtuel généralisé prenant en compte l’effet
conjoint des PM et CM. Il suffit de reprendre l’expression de l’intensité définissant les modèles
d’âge virtuel (2.19) en remplaçant la durée écoulée depuis la dernière CM par la durée écoulée
depuis la dernière maintenance, qu’elle soit préventive ou corrective. On obtient :
λN
¡ ¢
t (N, A) = λ t − max(τmt , TNt ) + Amt ,Nt (3.11)
Dans cette expression, Amt ,Nt est l’âge virtuel du système juste après la (mt + Nt )ème main-
tenance. Le processus A peut être un processus externe au processus des défaillances, ce qui
justifie qu’on ait noté l’intensité λN
t (N, A). On peut par exemple définir un modèle de Brown-
Proschan généralisé en supposant que chaque type de maintenance a une certaine probabilité
d’être AGAN et son complémentaire d’être ABAO. Mais pour obtenir des modèles simples, on
se contentera de supposer que l’âge virtuel ne dépend que du processus des défaillances et des
instants déterministes de maintenance préventive. L’intensité λN t (N, A) s’écrit alors simplement
λt .
Ainsi, les modèles de base correspondent à :
• PM ABAO, CM ABAO : Amt ,Nt = max(τmt , TNt ).
• PM AGAN, CM AGAN : Amt ,Nt = 0.

½
0 si la dernière maintenance est corrective
• PM ABAO, CM AGAN : Amt ,Nt =
τm t − T N t si la dernière maintenance est préventive
½
0 si la dernière maintenance est préventive
• PM AGAN, CM ABAO : Amt ,Nt =
TN t − τ m t si la dernière maintenance est corrective
On peut ensuite effectuer toutes sortes d’hypothèses plus sophistiquées.
• PM ARA1 , CM ARA1 avec le même facteur d’amélioration ρ :
½
(1 − ρ)τmt si la dernière maintenance est préventive
Amt ,Nt = .
(1 − ρ)TNt si la dernière maintenance est corrective
L’intensité de défaillance est alors :

¡ ¢
λt = λ t − ρ max(τmt , TNt ) (3.12)
• PM ARA1 , CM ARA1 avec des facteurs d’amélioration différents ρp et ρc . La façon la plus

intuitive de généraliser l’hypothèse du modèle ARA1 au cas où il y a des PM et des CM
est de supposer que l’effet de la PM est de réduire l’âge virtuel de ρp fois le supplément
d’âge accumulé depuis la dernière maintenance (qu’elle soit préventive ou corrective), et
que l’effet de la CM est le même avec un facteur d’efficacité de maintenance ρc . L’intensité
de défaillance dans ce modèle est :
mt
X Nt
X
¡ ¢
λt = λ t − ρ p (τj − max{τj−1 , TNτj }) − ρc (Ti − max{τmTi , Ti−1 }) (3.13)
j=1 i=1
Intuitivement, on s’attend à ce que ρc soit proche de 0 (CM presque minimales) et que ρp

soit nettement supérieur à ρc (PM nettement plus efficaces que les CM).
Jack [36] a proposé d’autres hypothèses qui conduisent à une généralisation différente
du modèle ARA1 , caractérisée par une intensité de défaillance beaucoup plus simple. Il
suppose que l’âge virtuel après une PM est égal à l’âge virtuel après la précédente PM
augmenté d’ (1 − ρp ) fois le temps écoulé depuis cette PM. L’effet de la CM est quant à lui
toujours de réduire l’âge virtuel de ρc fois le supplément d’âge accumulé depuis la dernière
maintenance (préventive ou corrective). On obtient alors comme intensité de défaillance :
¡ ¢
λt = λ t − ρc max(0, TNt − τmt ) − ρp τmt (3.14)
On se rend compte que dans ce modèle les CM n’ont d’effet sur le vieillissement du système
que jusqu’à la prochaine PM.
• PM ARA∞ , CM ARA∞ avec des facteurs d’amélioration différents ρp et ρc . L’intensité de

défaillance est alors :
mt
(1 − ρp )mt −j+1 (1 − ρc )Nt −Nτj (τj − max{τj−1 , TNτj })
¡ X
λt = λ t − max{τmt , TNt } +
j=1
Nt
X
(1 − ρp )mt −mTi (1 − ρc )Nt −i+1 (Ti − max{τmTi , Ti−1 })
¢
+ (3.15)
i=1
3.1.3 Estimation et application

Jack [35] a effectué une étude statistique dans le cas où les PM sont déterministes et
périodiques avec des effets ARA1 ou ARA∞ , et les CM minimales. L’intensité initiale est de type
PLP. Le jeu de données réelles étudié (non fourni) est constitué des instants de maintenances
de 9 systèmes d’équipement médical (syringe driver infusion pumps) identiques. Il comprend au
total 80 CM et 30 PM. Pour le modèle ARA1 , β est estimé à 2.71 et ρ à 0.488. Pour le modèle
ARA∞ , β est estimé à 2.48 et ρ à 0.211. Il semble donc qu’il y ait sur ces matériels une usure
forte et une maintenance relativement peu efficace.
Dans un autre papier [36], Jack a analysé les même données pour des PM et CM ARA 1
avec des paramètres d’efficacité de maintenance différents correspondant à (3.14) et pour des
PM et CM ARA∞ correspondant à (3.15). Dans les deux cas, la vraisemblance est maximale
pour ρc = 0, ce qui fait que les estimations des autres paramètres sont exactement les mêmes
que sous l’hypothèse de CM minimales. Selon Jack, ces résultats confirment pour ces données la
validité de l’hypothèse CM minimale. En fait, il est possible que ρc soit négatif, mais Jack n’a
pas pris en compte cette possibilité.
Canfield [13] a estimé les paramètres de son modèle dans le cas particulier où s = ∆t. Cela
revient à fixer l’efficacité de la maintenance et à estimer seulement les paramètres de l’intensité
initiale, ce qui n’est pas pertinent pour notre étude.
3.2 Construction de modèles avec des instants de maintenance

préventive aléatoires
3.2.1 Hypothèses et modèles de base
Nous allons maintenant considérer que les instants des maintenances préventives peuvent
être aléatoires, au sens qui a été défini dans la section 1.2 : est aléatoire ce qui n’a pas été prévu
avec certitude à l’avance. Dans ce cas, les instants des maintenances préventives et correctives
forment deux processus aléatoires qui interagissent.
On récapitule ci-dessous l’ensemble des notations et hypothèses qui seront valables jusqu’à
la fin de ce chapitre.
1. Les défaillances surviennent à des instants aléatoires {Ti }i≥1 . On note Nt le nombre de
défaillances survenues à l’instant t. Le processus des défaillances est donc le processus de
comptage N = {Nt }t≥0 .
2. Les maintenances préventives surviennent à des instants aléatoires {τi }i≥1 . On note Mt le
nombre de défaillances survenues à l’instant t. Le processus des maintenances préventives
est donc le processus de comptage M = {Mt }t≥0 .
3. Une maintenance corrective est effectuée immédiatement après chaque défaillance. Les
durées des maintenances sont supposées négligeables ou ne sont pas comptabilisées. Ainsi,
les instants de défaillances sont aussi les instants des maintenances correctives et le pro-
cessus des maintenances correctives est le processus N = {Nt }t≥0 .
Ce qui nous intéresse en priorité est toujours le processus des défaillances ou des CM, N . Dire
que l’effet des maintenances préventives est de retarder l’occurrence des défaillances revient à dire
que le processus N est influencé par le processus des PM, M . M peut alors être considéré comme
un processus extérieur, au sens de la section 2.1. Pour exprimer la probabilité instantanée de
défaillance du système connaissant toutes les maintenances préventives et correctives effectuées,
on utilisera donc l’intensité de défaillance sous sa forme (2.4). Comme M est un processus
ponctuel, cette intensité peut s’écrire :
1
λN
t (N, M ) = lim P (Nt+dt − Nt = 1|Nt , Mt , T1 , . . . , TNt , τ1 . . . , τMt ) (3.16)
dt→0 dt
La forme de l’intensité sera donnée par les hypothèses effectuées sur les effets des mainte-
nances. Par conséquent, il suffit de reprendre les expressions des intensités vues en section 3.1.2
en remplaçant mt par Mt . On obtient par exemple :
• PM ABAO, CM ABAO : λN
t (N, M ) = λt = λ(t)
• PM AGAN, CM AGAN : λN
¡ ¢
t (N, M ) = λ t − max(τMt , TNt )
• PM AGAN, CM ABAO : λN
t (N, M ) = λ(t − τMt )
• Modèle d’âge virtuel généralisé :
λN
¡ ¢
t (N, M, A) = λ t − max(τMt , TNt ) + AMt ,Nt (3.17)
Comme on l’a vu en section 1.2, la forme de l’intensité ne suffit pas pour caractériser le
processus des défaillances. Il faut en plus des informations sur la loi du processus M et sur les
relations qui unissent les deux types de maintenance. Autrement dit, il faut fixer une politique
de maintenance préventive.
3.2.2 Maintenances préventives à âge ou intensité fixés

Il est facile de supposer que les instants de PM ne dépendent pas des instants de CM. Comme
cas particulier, on retrouve celui des PM déterministes, vu en section 3.1. Mais il est plus réaliste
de supposer une dépendance. Par exemple, une occurrence trop fréquente de défaillances (donc
de CM) peut amener à modifier le programme de PM.
De nombreux articles traitent des politiques de maintenance préventive. Pham et Wang [62]
en ont effectué une revue très complète. Les plus courantes sont les deux suivantes :
• Maintenances préventives à âge fixé. La PM a lieu dès que l’âge du système atteint
un seuil fixé a. Par exemple, quand on suppose que les effets des PM et CM sont AGAN,
cela revient à dire que les PM se font à des instants aléatoires qui sont de la forme T i + ka
où k est un entier. Quand on intègre ce renseignement dans (3.8), on obtient que l’intensité
de ce modèle s’écrit :
µ ¹ º ¶
N t − T Nt
λt (N, M ) = λt = λ t − TNt − a (3.18)
a
Le processus des défaillances dans ce cas est un processus de renouvellement (voir Shaked
et Szekli [67]). Fontenot et Proschan [28] ont utilisé la même politique de maintenance
préventive en supposant que l’efficacité des CM était de type Brown-Proschan, puis Sheu,
Kuo et Nakagawa [68] ont fait de même pour des CM de type Block-Borges-Savits.
Plus généralement, si on se place dans le modèle d’âge virtuel généralisé (3.11), on peut
décider d’effectuer la PM dès que t − max(τMt , TNt ) + AMt ,Nt dépasse un certain seuil.
• Maintenances préventives à intensité fixée. La PM a lieu dès que l’intensité dépasse

un seuil fixé λmax . Si on suppose que les effets des PM et CM sont AGAN, on retrouve
le même modèle que (3.18), avec λmax = λ(a). La figure 3.2 présente une trajectoire de
l’intensité de défaillance dans ce cas pour a = 1 et λmax = 3.
2.5
1.5
0.5
0
0 1 2 3 4 5 6 7
Fig. 3.2 – Politique de maintenance préventive à âge ou intensité fixés, cas AGAN
Si les effets des PM et CM ne sont pas du type AGAN, la politique de PM à intensité fixée
n’est pas équivalente à la politique de PM à âge fixé. On trouve ce type de politique de
maintenance dans Lie et Chun [47] et Jayabalan et Chaudhuri [37].
Dans les références mentionnées ici, les modèles sont utilisés pour comparer des politiques
de maintenance ou optimiser des coûts. Cela suppose tous les paramètres des modèles connus. A
notre connaissance, jamais une telle modélisation n’a été adoptée dans le but d’évaluer l’efficacité
de la maintenance.
3.3 Les modèles de risques concurrents

En 2000, Bedford et Mesina [7] ont proposé de modéliser la dépendance entre maintenances
préventives et correctives par la méthode des risques concurrents (CR : competing risks). Cette
approche revient à considérer que les maintenances préventives effectuent une censure à droite
du processus des défaillances.
Le principe est le suivant. Au moment où on remet en fonctionnement un système après
une maintenance, on ne sait pas si la prochaine défaillance surviendra avant ou après la pro-
chaine maintenance préventive. Autrement dit, on ne sait pas si la prochaine maintenance sera
préventive ou corrective. Mathématiquement, après la (i−1)ème maintenance, on peut considérer
qu’il existe deux variables aléatoires fictives Yi et Zi , où Yi représente la durée d’attente de la
prochaine PM si une CM ne survient pas avant, et Zi la durée d’attente de la prochaine CM si
une PM ne survient pas avant. La prochaine maintenance véritablement observée est celle qui
se produira la première, au bout d’une durée :
Wi = min(Yi , Zi ) (3.19)
La nature de cette prochaine maintenance, préventive ou corrective, est déterminée par :

½
1 si la maintenance est préventive
Ui = 1l{Yi <Zi } = (3.20)
0 si la maintenance est corrective
La figure 3.3 illustre le principe de construction des modèles CR.
Dans un modèle de risques concurrents, on suppose en plus que les Yi sont indépendants et
de même loi, et les Zi sont indépendants et de même loi. Cela revient à dire que les effets des
Y3 Y4
Y1 = W 1 Y2 ..
-
..
.. -
-..... ..
..
..
..
..
..
..
..
..
.. -
- -
.. .. ..
.. .. ..
-
.. .. ..
.. .. ..
Z1 ..
Z2 = W2 .....
. ..
..
..
..
. .. Z3 = W 3 ..
.. Z4
τ1 T1 T2
Fig. 3.3 – Principe des risques concurrents
PM et CM sont AGAN : après chaque maintenance, le système est remis à neuf. Il s’agit donc
d’un cas particulier du modèle défini par (3.8). Le processus global des maintenances est un
processus de renouvellement.
La dépendance entre les deux types de maintenance est exprimée par la loi de probabilité
conjointe du couple (Y, Z). Ainsi, la politique de maintenance idéale consisterait à effectuer la
maintenance préventive juste avant la défaillance, ce qui se produit quand Y = Z − ², avec ²
petit. Si les Yi sont nettement plus petits que les Zi , on n’observe pas de défaillance, mais on fait
les PM trop tôt, donc à un coût trop élevé. Enfin, la pire politique serait celle où on n’observe
que des défaillances, ce qui arrive pour Yi > Zi , ∀i.
Cooke et Bedford [17] ont classé les principaux modèles de risques concurrents, parmi lesquels
on distingue :
• Modèle à risques indépendants : C’est le cas où Y et Z sont indépendants. Le modèle
est alors complètement défini par les lois marginales de Y et Z.
• Modèle à risques conditionnellement indépendants : Y = A + C et Z = B +

C, où A, B et C sont mutuellement indépendantes. Y et Z sont donc dépendantes par
l’intermédiaire de C et indépendantes conditionnellement à C.
• Modèle à signe aléatoire : Il consiste simplement à supposer que le signe de Y − Z est

indépendant de Z. Il est équivalent de dire que U et Z sont indépendantes. En clair, la
nature de la prochaine maintenance ne dépend pas de la durée théorique d’attente de la
prochaine CM. Pour définir complètement le modèle, la loi conjointe de (Y, Z) doit être
précisée.
Dans la mesure où les effets des PM et CM sont supposés AGAN, le problème d’évaluation
de l’efficacité de la maintenance ne se pose pas dans les modèles de risques concurrents. Les
travaux consacrés à ces modèles s’intéressent essentiellement à la comparaison de modèles et
à l’estimation des lois de Y et Z. Pour ce dernier point, la difficulté est que les Yi et Zi ne
sont pas observées, seules les Wi et Ui le sont. Dans le modèle à risques indépendants, les lois
de Y et Z peuvent être estimées au vu des Wi et Ui par une méthode de type Kaplan-Meier
[42]. Mais quand les risques ne sont pas indépendants, il s’avère qu’on ne peut pas estimer ces
lois, à cause d’un problème d’identifiabilité. En effet il a été prouvé que, quelle que soit la loi
conjointe de (Y, Z), il existe toujours un couple de variables aléatoires indépendantes ( Ỹ , Z̃), qui
fournissent la même loi que (Y, Z) pour (W, U ) [72]. On ne peut en fait estimer que les fonctions
de sous-survie :
SY∗ (y) = P (Y > y, Y < Z) = P (W > y, U = 1)
SZ∗ (z) = P (Z > z, Z < Y ) = P (W > z, U = 0) (3.21)
Pour illustrer ce problème, considérons un exemple, inspiré de Bedford et Mesina [7].
• Modèle 1 : W et U sont indépendants, W a pour fonction de survie SW , U est de loi de
Bernoulli de paramètre p. Y et Z sont définis par Y = W + (1 − U )A et Z = W + U A, où

A est une variable aléatoire positive quelconque.
• Modèle 2 : Y et Z sont indépendantes et de fonctions de survie respectives SY (y) =

[SW (y)]p et SZ (z) = [SW (z)](1−p) .
On montre que ces deux modèles ont les mêmes fonctions de sous-survie : SY∗ (y) = pSW (y)
et SZ∗ (z) = (1 − p)SW (z). Par conséquent, il est impossible de reconstituer le loi de (Y, Z) au vu
de l’observation de (W, U ). Le premier modèle suppose une dépendance forte entre PM et CM
potentielles alors que le deuxième modèle suppose qu’elles sont indépendantes. Le fait que ces
deux situations donnent la même loi des observations fait que, dans la pratique, l’interprétation
de ces modèles est difficile. Bedford, associé à Mesina [7] et Bunea [12] a cherché à mesurer
l’impact de ces incertitudes sur le problème d’optimisation de la maintenance.
3.4 Le modèle de Langseth-Lindqvist

Langseth et Lindqvist (LL) [43] ont très récemment (2003) proposé de généraliser la méthode
précédente en prenant en compte deux types de maintenance préventive, la possibilité de main-
tenance imparfaite et l’existence de plusieurs modes de défaillance. Les hypothèses de ce modèle
sont les suivantes :
1. Trois types de maintenance sont prises en compte : des CM, des PM à instants déterministes
et périodiques, et des PM non prévues effectuées en raison de l’observation d’un état de
dégradation avancé, qu’on appellera PM conditionnelles.
2. Avec le formalisme des risques concurrents, après la (i − 1)ème maintenance, la durée

d’attente de la prochaine est une variable aléatoire que l’on peut écrire sous la forme :
Wi = min(Yi , Zi , Vi ) (3.22)
où Yi représente la durée potentielle d’attente de la prochaine PM conditionnelle, Z i la

durée potentielle d’attente de la prochaine CM et Vi la durée potentielle d’attente de la
prochaine PM périodique. Vi est supposée indépendante de (Yi , Zi ).
La nature de la prochaine maintenance est donnée par :

 0 si la maintenance est corrective
Ui = 1 si la maintenance est préventive conditionnelle (3.23)
2 si la maintenance est préventive déterministe

3. Les effets des maintenances sont de type Brown-Proschan avec des paramètres différents
pour les PM et les CM : une CM est AGAN avec probabilité π et ABAO avec probabilité
1 − π, une PM est AGAN avec probabilité p et ABAO avec probabilité 1 − p.
4. La dépendance entre les CM et les PM conditionnelles est du type signe aléatoire avec une
hypothèse supplémentaire qui s’écrit :
G(y)
∀i, P (Yi ≤ y|Zi = z, Yi < Zi ) = (3.24)
G(z)
où G est le taux de hasard cumulé de Z. On a besoin du paramètre q = P (Yi < Zi ), ∀i.
L’inconvénient de cette hypothèse est qu’elle n’a pas de signification physique. C’est une
façon mathématiquement commode de traduire le fait que l’on souhaite effectuer les PM
si possible “juste avant” la défaillance.
5. La loi de Z est une loi de Weibull : G(z) = αz β .
Avec toutes ces hypothèses, on peut écrire la fonction de vraisemblance associée à l’observa-
tion d’une suite de maintenances. On a besoin de connaitre les durées inter-maintenances W i et
le type des maintenances effectuées Ui , mais on n’a pas besoin de savoir si les effets des main-
tenances sont AGAN ou ABAO. On peut alors estimer les paramètres du modèle : π, p, q, α, β.
Les auteurs ont montré qu’il n’y avait pas dans ce cas de problème d’identifiabilité.
Langseth et Lindqvist ont généralisé ce modèle au cas où on peut distinguer plusieurs modes
de défaillance. On considère alors chaque mode comme un risque concurrent. On a besoin de
supposer que chaque défaillance ou PM conditionnelle est associée à un seul mode, que les
différents modes agissent de façon indépendante (par exemple la corrosion n’influe pas sur la
déformation), et que les effets des maintenances pour les différents modes sont indépendants. La
fonction de vraisemblance est alors un produit de fonctions de vraisemblance du type précédent
correspondant à chaque mode. Le nombre de paramètres du modèle initial est multiplié par le
nombre de modes.
Enfin, le modèle a été appliqué à des données réelles issues de la base OREDA, plus précisé-
ment à un générateur de gaz d’une turbine, dans la phase IV. 23 composants ont été suivis
pendant 603 690 heures. On a observé 8 défaillances et 14 PM conditionnelles, selon 4 modes de
défaillance : déformation, fuite, rupture, défaillance mécanique. Il y a eu 78 PM périodiques avec
des périodicités de 8 ou 12 mois suivant les composants. Il y a trop peu de maintenances pour
que l’on puisse estimer tous les paramètres du modèle. Aussi, les auteurs ont effectué plusieurs
hypothèses supplémentaires permettant de réduire le nombre de paramètres à 14 et de pouvoir
les estimer.
3.5 Le modèle avec PM de Last-Szekli

On a vu que Last et Szekli (LS) [44, 45] ont proposé une généralisation des modèles de Kijima
pour des maintenances correctives seules. Dans [45], ils ont également proposé de prendre en
compte les maintenances préventives de la façon suivante :
1. Le processus des défaillances est de type âge virtuel selon le modèle de Kijima de type
II, mais les instants de maintenance pris en compte sont les instants de toutes les mainte-
nances, et pas seulement des correctives.
2. L’instant de la prochaine maintenance préventive est planifié de façon déterministe en
fonction du passé du processus.
L’hypothèse 1 revient à dire que l’intensité de défaillance est de la forme (3.11) dans lequel
l’âge virtuel AMt ,Nt obéit à la relation des modèles de Kijima de type II. Pour pouvoir exprimer
cette intensité, on a besoin d’introduire de nouvelles notations :
• Les instants de maintenance successifs, qu’elles soient préventives ou correctives, sont notés
{Ci }i≥0 , avec C0 = 0.
• Les durées inter-maintenances sont notées {Wi }i≥1 : Wi = Ci − Ci−1 . On remarquera que
cette notation est cohérente avec celle utilisée pour les risques concurrents.
Alors, l’âge virtuel s’écrit AMt ,Nt = AMt +Nt , et, si on note Ei le facteur d’amélioration de la
ième maintenance, quelle que soit sa nature, la relation de Kijima de type II s’écrit :
Ai = (1 − Ei )(Ai−1 + Wi ) (3.25)
D’où on déduit l’expression de l’intensité de défaillance du modèle LS :

   
MXt +Nt t +Nt
MY
λNt (N, M, E) = λ t − max(τMt , TNt ) +
  (1 − Ek ) Wj  (3.26)
j=1 k=j
Après la (i − 1)ème maintenance, la durée d’attente de la prochaine CM, si aucune PM ne

survient avant, est une variable aléatoire Zi dont le taux de hasard est déterminé par (3.26).
L’hypothèse 2 donne les informations supplémentaires nécessaires sur le processus des PM.
On peut la traduire en disant que l’on peut faire une réactualisation de l’OMF après chaque
maintenance qui consiste à fixer la date de la prochaine PM en fonction de tout l’historique des
maintenances déjà effectuées. Ainsi, après la (i − 1)ème maintenance, la durée d’attente de la
prochaine PM est fixée à :
Yi = hi (C1 , U1 , E1 , ..., Ci−1 , Ui−1 , Ei−1 ) (3.27)
où hi est une fonction déterministe et Uj = 1l{Yj <Zj } indique si la j ème maintenance est préventive
ou corrective. Cette façon de faire permet de prendre en compte les politiques de maintenance
classiques, comme les maintenances périodiques ou à âge fixé.
Ainsi, la prochaine maintenance véritablement observée sera celle qui se produira la première,
au bout d’une durée Wi = min(Yi , Zi ), et on retrouve le schéma des risques concurrents.
Dans ce modèle, l’efficacité des maintenances est déterminée par les variables aléatoires E i ,
qui peuvent être fonction de tout l’historique du processus des maintenances. On peut ainsi
avoir des effets différents pour les PM et les CM. L’optimisation de la maintenance comprendra
également la capacité du personnel de maintenance à tenir compte du passé du processus des
maintenances pour fixer les dates des PM futures, c’est à dire pour déterminer les fonctions h i .
Last et Szekli ont introduit ce modèle sans donner plus de détails [45]. Ils se sont intéressés
aux propriétés de stationnarité du processus des maintenances, ainsi qu’à la comparaison de
différentes politiques de maintenance par des méthodes de couplage, mais ils n’ont jamais cherché
à estimer l’efficacité des maintenances.
3.6 Modélisation par un processus de comptage bivarié ou co-

loré
Les modèles vus depuis le début de ce chapitre sont d’une complexité croissante. Les PM
se font d’abord à des instants déterministes, puis aléatoires. Quand elles sont aléatoires, leurs
instants sont quand même parfaitement déterminés à l’aide de l’historique du processus des
maintenances pour le modèle LS et les politiques de PM à âge ou intensité fixés. Il n’y a que
pour les modèles de risques concurrents qu’un aléa subsiste sur l’instant de la prochaine PM.
Notons que, dans les modèles CR, PM et CM sont traitées de façon symétrique. Dans les modèles
CR, les instants des PM et CM peuvent être quelconques, mais leurs effets sont connus et peu
réalistes : AGAN pour le CR de base et BP pour le modèle de Langseth-Lindqvist. Dans le
modèle LS, les effets des PM et CM peuvent être quelconques (ou presque : modèle Kijima II),
mais pas les instants de PM.
Dans [25], Doyen et Gaudoin ont cherché à construire une modélisation la plus générale
possible des effets conjoints des maintenances préventives et correctives. L’objectif est de cumu-
ler les avantages des modèles précédents au sens où les PM peuvent s’effectuer à des instants
quelconques, la dépendance entre PM et CM peut être quelconque, et les effets des PM et CM
peuvent être quelconques.
Pour construire cette modélisation, il suffit de considérer les PM et les CM sur le même plan,
comme deux processus aléatoires ponctuels, ayant chacun leur intensité, et qui interagissent. On
a alors besoin de définir le processus de comptage global de toutes les maintenances, résultante
du cumul des processus aléatoires de PM et de CM.
Récapitulons l’ensemble des notations nécessaires pour cette modélisation :
1. Les durées des maintenances sont supposées négligeables ou ne sont pas comptabilisées.
2. Les défaillances surviennent à des instants aléatoires {Ti }i≥1 . Une maintenance corrective
est effectuée immédiatement après chaque défaillance. On note Nt le nombre de défaillances
survenues à l’instant t. C’est aussi le nombre de maintenances correctives survenues à
l’instant t. Le processus des CM est le processus de comptage N = {Nt }t≥0 . Les durées
entre CM successives sont notées Xi = Ti − Ti−1 .
3. Les maintenances préventives surviennent à des instants aléatoires {τi }i≥1 . On note Mt le
nombre de défaillances survenues à l’instant t. Le processus des PM est le processus de
comptage M = {Mt }t≥0 . Les durées entre PM successives sont notées χi = τi − τi−1 . Dans
cette approche, les PM déterministes et les PM conditionnelles sont indifférenciées. Il serait
possible de prendre en compte les deux types de PM à la façon de Langseth-Lindqvist, au
prix d’une complexification du modèle.
4. Le processus global des maintenances est K = {Kt }t≥0 , où Kt est le nombre total de main-
tenances (préventives et correctives) survenues à l’instant t : Kt = Mt + Nt . Les instants de
maintenance successifs sont notés {Ci }i≥1 . Les durées entre maintenances successives sont
notées Wi = Ci −Ci−1 . On a également besoin d’un indicateur qui précise si la maintenance
courante est préventive ou corrective : Ui = 1l{Ci =τM }
Ci
La figure 3.4 illustre ces notations sur un exemple.
Le processus des maintenances K peut de façon équivalente être défini comme un processus
aléatoire ponctuel bivarié (N, M ), au sens où il résulte du cumul des deux processus aléatoires
des PM et des CM, ou un processus aléatoire ponctuel coloré (K, U ), au sens où, à chaque
instant de maintenance, on peut associer une “couleur” indiquant la nature de la maintenance
effectuée.
A chacun des processus N et M on peut associer une intensité. La tribu associée à ces deux
intensités est naturellement l’histoire complète de toutes les maintenances effectuées. Elle peut
s’écrire de deux façons suivant qu’on adopte l’approche des processus bivariés ou colorés :
Ht = σ({(Ns , Ms )}0≤s≤t )} = σ({Ks }0≤s≤t , {Ui }i≤Kt ) (3.28)
Comme les processus aléatoires considérés sont ponctuels, on peut écrire plus simplement :
Ht = σ(Nt , Mt , T1 , . . . , TNt , τ1 , . . . , τMt ) = σ(Kt , C1 , U1 , . . . , CKt , UKt ) (3.29)
Il s’avère plus pratique d’utiliser l’approche des processus colorés, aussi nous écrirons les
intensités en mettant en évidence (K, U ) plutôt que (N, M ).
L’intensité de défaillance est alors définie, comme précédemment, par :
1
λN
t (K, U ) = lim P (Nt+dt − Nt = 1|Kt , C1 , U1 , . . . , CKt , UKt ) (3.30)
dt→0 dt
Cette fois, on définit en plus l’intensité de maintenance préventive, qui indique la

probabilité qu’une maintenance préventive survienne juste après l’instant t, connaissant tout le
passé du processus des maintenances :
1
λM
t (K, U ) = lim P (Mt+dt − Mt = 1|Kt , C1 , U1 , . . . , CKt , UKt ) (3.31)
dt→0 dt
PM CM CM
-
Kt 6
3 •
•
¤
2 £
1 • ¤
£
-
C1 C2 C3
¾ -¾ -¾ -¾
W1 W2 W3 W4
Nt 6
3
2 •
•
¤
1 £
-
T1 T2
¾ -¾ -¾
X1 X2 X3
Mt 6
3
1 •
-
τ1
¾ -¾
χ1 χ2
Fig. 3.4 – Processus des PM et CM défini par un processus de comptage bivarié
De la même façon, le processus global des maintenances K a une intensité :

1
λK
t (K, U ) = lim P (Kt+dt − Kt = 1|Kt , C1 , U1 , . . . , CKt , UKt ) (3.32)
dt→0 dt
Et il est facile de relier cette intensité aux deux précédentes :
λK M N
t (K, U ) = λt (K, U ) + λt (K, U ) (3.33)
La donnée des intensités de défaillance et de maintenance préventive caractérise entièrement

le processus des maintenances. Par exemple, on peut écrire la fonction de vraisemblance associée
à l’observation de ce processus jusqu’à l’instant t. Si k est le nombre de maintenances effectuées
entre 0 et t, cette fonction s’écrit :
k+1 Z
X cj
" k
# − λK
s (j − 1, c1 , ..., uj−1 )ds
Y cj−1
L(θ; k, c1 , ..., uk ) = λucii (i − 1, c1 , ..., ui−1 ) e j=1 (3.34)
i=1
λN
½
t (.) si u = 0
où c0 = 0, ck+1 = t et λut (.) = .
λM
t (.) si u = 1
Le principal intérêt de cette modélisation est son caractère de généralité. On peut prendre
en compte n’importe quel effet pour les deux types de maintenance et n’importe quel lien de
dépendance entre les PM et les CM.
Par exemple, on retrouve comme cas particulier celui des risques concurrents en imposant
aux PM et CM d’être AGAN. On obtient dans ce cas :
−sZ (t − CKt ) −sY (t − CKt )
λN
t (K, U ) = et λM
t (K, U ) = (3.35)
S(t − CKt ) S(t − CKt )
· ¸
Y ∂
où S(y, z) = P (Y1 > y, Z1 > z), S(t) = S(t, t), s (t) = S(y, z) (t, t)
· ¸ ∂y
Z ∂
et s (t) = S(y, z) (t, t).
∂z
Mais on peut également considérer n’importe quel type d’effet. Par exemple, si on suppose
que les effets des PM et CM sont de type ARA1 avec le même facteur d’amélioration ρ, on
obtient :
−sZ (t − ρCKt ) −sY (t − ρCKt )
λN
t (K, U ) = et λM
t (K, U ) = (3.36)
S(t − ρCKt ) S(t − ρCKt )
L’utilisation de (3.34) permet alors d’estimer ρ au vu des instants de maintenance du système.

On peut bien sûr supposer des effets de type ARA1 avec des facteurs d’amélioration différents
pour les PM et les CM. Les expressions des intensités sont alors nettement plus complexes que
les précédentes, mais on peut toujours estimer les paramètres.
Enfin, on peut retrouver le modèle LL en autorisant les Ui à prendre leurs valeurs dans
{0, 1, 2} selon que la maintenance est corrective, préventive conditionnelle ou préventive systéma-
tique.
Ce modèle parait donc prometteur. Cependant, il présente deux inconvénients importants :

• Il ne permet pas de prendre en compte des PM à des instants déterministes conditionnel-
lement au passé du processus (de type LS).
• Il est probablement trop complexe pour que l’on puisse établir des propriétés statistiques
à son sujet.
Conclusion de la synthèse bibliographique 43
Chapitre 4
Conclusion de la synthèse
bibliographique
Cette synthèse bibliographique permet de dégager les résultats essentiels concernant la

modélisation de l’efficacité de la maintenance des systèmes réparables.
• Il existe de très nombreux modèles pour l’effet d’un seul type de maintenance.
• Ces modèles sont similaires pour les maintenances préventives et correctives.
• Le modèle le plus étudié est le modèle de Brown-Proschan, avec sa généralisation par
Block-Borges-Savits.
• Un grand nombre de modèles sont construits autour de la notion d’âge virtuel.
• Les modèles à réduction d’intensité ont été peu étudiés, mais s’avèrent être assez simples
et avoir de bonnes propriétés mathématiques.
• Dans de nombreux cas, l’efficacité de la maintenance est exprimée par un paramètre, le
facteur d’amélioration ρ. Evaluer l’efficacité de la maintenance revient à estimer ρ.
• Peu de modèles prennent en compte les effets conjoints des deux types de maintenance.
• La modélisation à l’aide de processus de comptage colorés permet d’estimer l’efficacité
de la maintenance en prenant en compte des effets quelconques pour les maintenances
préventives et correctives, et une dépendance quelconque entre les deux types de mainte-
nance. Mais l’analyse statistique de ce modèle est difficile.
• Très peu d’articles traitent d’estimation d’efficacité de la maintenance. Ceux qui le font
donnent plutôt des résultats de simulation que des résultats théoriques.
• Ces modèles ont été rarement appliqués à des données réelles.
Quel que soit le modèle que l’on retiendra, il nous semble important de travailler dans les
directions suivantes :
• Identifier des dépendances réalistes entre maintenances préventives et correctives.

• Etudier les propriétés statistiques des estimateurs des paramètres des modèles (intervalles
de confiance, propriétés asymptotiques,...)
• Développer des tests d’adéquation pour juger de la pertinence d’un modèle sur des données.
• Appliquer toute la démarche à des données réelles.
44 Conclusion de la synthèse bibliographique
Etude d’un jeu de données EDF 45
Chapitre 5
Etude d’un jeu de données EDF
5.1 Les données

Pour l’instant, parmi les modèles pouvant prendre en compte les effets conjoints des PM et
des CM, seuls ceux considérant que les PM ont lieu à des instants déterministes (section 3.1)
sont réellement opérationnels. C’est pourquoi nous avons analysé des données pour lesquelles
cette hypothèse est sensée être vérifiée. Ces données proviennent d’un composant d’une unité de
production électrique sensés être maintenus préventivement à des instants déterministes, c’est à
dire planifiés avant la mise en route du système.
La base de données du système étudié contient, pour 17 unités, les informations suivantes :
• La date de mise en fonctionnement (MSI)

• Les dates des maintenances effectuées
• Le type de ces maintenances (PM ou CM)
• Les actions effectuées sur le système
• L’efficacité supposée des maintenances (parfaite: AGAN, imparfaite: IP).
En accord avec EDF, un certain nombre d’hypothèses ont été faites sur ces données afin de
pouvoir les analyser :
• Plusieurs maintenances simultanées sont considérées comme une seule.

• S’il y a une PM et une CM simultanées, on considère que c’est une CM.
• Toutes les maintenances sont supposées imparfaites. En effet, ce qui est signalé dans la base
comme une maintenance parfaite n’est parfait qu’à l’echelle du sous-composant maintenu,
mais pas à l’echelle du système étudié.
• La date de mise en service (MSI) est le 15 du mois. Elle correspond à l’origine des temps
et les autres durées sont mesurées en jours à partir de cette date.
• La date de fin d’observation correspond à une date de censure à droite pour chaque unité.
• Les processus de défaillance et maintenance des 17 unités sont supposés indépendants et
de même loi.
On a donc en tout 28 maintenances, 16 préventives et 12 correctives. Les données se présentent

sous la forme du tableau 5.1.
46 Etude d’un jeu de données EDF
UNITE 1 0 2145 4582

MSI PM Censure
UNITE 2 0 853 4368
MSI PM Censure
UNITE 3 0 158 1942 5009
MSI CM PM Censure
UNITE 4 0 311 3273
MSI PM Censure
UNITE 5 0 4120 5040
MSI CM Censure
UNITE 6 0 2689 4643
MSI PM Censure
UNITE 7 0 4394 5739
MSI PM Censure
UNITE 8 0 2602 5130
MSI CM Censure
UNITE 9 0 1462 2259 5040
MSI PM CM Censure
UNITE 10 0 1667 2073 3607
MSI CM PM Censure
UNITE 11 0 788 1090 1207 1705 2483
MSI PM CM CM PM Censure
UNITE 12 0 82 2921 4454 4703
MSI CM PM CM Censure
UNITE 13 0 3011 3559 4248
MSI CM PM Censure
UNITE 14 0 3528 5433
MSI PM Censure
UNITE 15 0 201 298 2008 2968
MSI PM PM CM Censure
UNITE 16 0 321 5344
MSI CM Censure
UNITE 17 0 742 6348
MSI PM Censure
Tab. 5.1 – Données mises en forme.

5.2 Analyse des données

5.2.1 Prise en compte de l’échantillon complet
Dans un premier temps nous avons considéré le modèle le plus simple permettant de prendre
en compte des effets de PM et CM :
• L’intensité initiale est celle d’un PLP de paramètres α et β : λ(t) = αβtβ−1 . Cela signi-
fie que le vieillissement intrinsèque du système en l’absence de maintenance est de type
Weibull.
• Les maintenances correctives sont As Bad As Old : on ne fait que remettre le système en
état de marche après une défaillance.
• Les maintenances préventives sont du type ARA1 , avec un facteur d’efficacité ρ.
L’intensité de défaillance du système est alors donnée par (3.1) et la vraisemblance peut
être calculée à l’aide de l’equation (2.7). On obtient ainsi comme estimations de maximum de
vraisemblance des paramètres :
α̂ = 0.0018, β̂ = 0.7013, ρ̂ = 0.5683 (5.1)

L’estimation de β est inférieure à 1. Or une valeur de β inférieure à 1 signifie que l’inten-
sité de défaillance initiale est décroissante, donc que le système a tendance à s’améliorer au
cours du temps, même en l’absence de maintenance ! Dans ces conditions, il faut reconsidérer
l’interprétation de la valeur de ρ en terme d’efficacité de maintenance, car le modèle avait été
construit sous l’hypothèse d’une intensité de défaillance initiale croissante. Quand l’intensité
initiale est décroissante, on peut montrer que l’on a :
• 0 ≤ ρ ≤ 1 : maintenance nuisible, le système s’use plus vite que juste avant la défaillance,
• ρ = 0 : maintenance minimale (ABAO), l’usure est la même que juste avant la maintenance,
• ρ < 0 : maintenance plus que parfaite, le système est meilleur que neuf, son intensité de
défaillance est plus faible que juste avant la maintenance.
La figure 5.1 représente une trajectoire simulée de l’intensité de défaillance d’un modèle
ARA1 avec comme paramètres les valeurs estimées en (5.1). L’effet de la maintenance préventive
est donc bien considéré comme nuisible.
−4
x 10
4
0
0 1000 2000 3000 4000 5000 6000 7000 8000
Fig. 5.1 – Intensité dans un modèle ARA1 avec β < 1 et 0 < ρ < 1
Pour confirmer le fait que β est inférieur à 1, nous avons analysé pour chaque unité uni-
quement la durée jusqu’à la première maintenance. Ce devrait être, au vu des hypothèses, un
échantillon de variables aléatoires indépendantes et de même loi de Weibull de paramètres α
et β, puisque ρ n’intervient pas tant que la première maintenance n’est pas effectuée. Quand
la maintenance est corrective, la donnée est observée. Quand elle est préventive, la donnée est
censurée. On obtient ainsi 7 durées de bon fonctionnement avant défaillance :
158, 4120, 2602, 1667, 82, 3011, 321
et 10 durées de bon fonctionnement censurées :
2145, 853, 311, 2689, 4394, 1462, 788, 3528, 201, 742
Les estimations de maximum de vraisemblance des paramètres de la loi de Weibull sont

alors :
α̂ = 0.0004, β̂ = 0.93 (5.2)
Il est logique de trouver des valeurs différentes des précédentes car on a supprimé une bonne
partie des données. Le point important est de trouver une valeur de β inférieure à 1.
On peut encore le vérifier en traçant pour ces données un graphe de Weibull (test d’adéquation
graphique à la loi de Weibull, figure 5.2). On rappelle que la loi de Weibull peut être considérée
comme un modèle adéquat si les points de ce graphique sont approximativement alignés. L’equa-
tion de la droite fournit des estimations graphiques de α et β.
0.5
−0.5
−1
−1.5
−2
−2.5
−3
−3.5
4 4.5 5 5.5 6 6.5 7 7.5 8 8.5
Fig. 5.2 – Graphe de Weibull pour les premiers instants de maintenance
Les points ne sont pas suffisamment alignés pour qu’on puisse avoir une forte confiance dans
le fait que les données sont de loi de Weibull. Les estimations graphiques sont:
α̃ = 0.0022, β̃ = 0.71 (5.3)
Là encore, l’estimation du paramètre de forme est inférieure à 1.
Des modèles plus élaborés donnent les résultats suivants :
• Les CM sont ABAO et les PM sont ARA∞ (l’intensité de défaillance est donnée par
l’equation (3.2)). On trouve :
α̂ = 0.0018, β̂ = 0.7038, ρ̂ = 0.5351 (5.4)
Ce sont pratiquement les mêmes valeurs que pour le modèle précédent. C’est qu’on a très
peu de PM sur une même unité, donc tous les modèles ARAm donneront en fait le même
résultat quel que soit m.
• Les CM sont ARA∞ et les PM sont ARA∞ avec des facteurs d’efficacité de maintenance
différents ρp et ρc . La forme de l’intensité de défaillance (équation (3.15)) est très complexe
et donc la vraisemblance l’est encore plus. De fait, la maximisation de cette vraisemblance
pose problème car il existe des maxima locaux. Les estimations trouvées sont :
α̂ = 0.0012, β̂ = 0.776, ρ̂c = −366, ρ̂p = 0.8 (5.5)
De telles valeurs des paramètres conduisent à des intensités de défaillance similaires aux
figures 5.3, obtenues par simulations. Dans la première de ces deux figures, le système subit
d’abord une PM puis une CM. Dans la deuxième c’est l’inverse.
−4
x 10
−4 x 10
5 5
4 4
3 3
2 2
1 1
0 0
0 500 1000 1500 2000 2500 3000 3500 4000 0 500 1000 1500 2000 2500 3000 3500 4000
Fig. 5.3 – Intensité de défaillance pour un modèle ARA∞ sur les MP et les MC
Sur ces courbes on remarque que les PM diminuent la fiabilité du système, alors que les
CM l’augmentent et rendent le système meilleur que neuf. De plus, à cause de la valeur
très fortement négative de ρc , l’intensité devient pratiquement constante après la première
CM. Ces résultats sont vraiment contraires à l’intuition.
Cette première partie de l’étude sur l’ensemble des données aboutit donc à la conclusion
que l’intensité de défaillance initiale est décroissante et que l’effet des premières maintenances
correctives est de rendre le système meilleur que neuf. Ce comportement est caractéristique de la
période de jeunesse (ou rodage, déverminage) du système. Des fautes de conception provoquent
des défaillances précoces du système, la correction de ces défauts rend le système meilleur que
neuf et sa fiabilité augmente.
En regardant les données, on se rend compte qu’il est vraisemblable que l’on soit dans
ce cas. Par exemple, pour les unités 3, 12 et 16, on a des défaillances très précoces suivies
de longues périodes sans problèmes. De plus, le graphe de Weibull des premiers instants de
maintenance (figure 5.2) tend à confirmer cette hypothèse. Sur celui-ci, on distingue nettement
deux populations : une constituée des trois premières défaillances (qui correspondent aux trois
défaillances précoces, survenues dans les 400 premiers jours de fonctionnement) et une autre
constituée des 4 dernières défaillances (qui ont toutes lieu au delà de la millième heure de
fonctionnement).
5.2.2 Suppression de la période de jeunesse

Pour éliminer l’effet perturbateur de la période de jeunesse, nous avons supprimé de l’ana-
lyse toutes les maintenances ayant eu lieu avant la millième heure de fonctionnement, tout en
conservant l’origine des temps à la mise en route du système. En effet, les maintenances ef-
fectuées pendant le déverminage ont normalement pour effet d’éliminer de façon localisée les
défauts de jeunesse sans changer le niveau global d’usure du système. Les données résultantes
sont présentées dans le tableau 5.2. Il ne reste plus que 19 maintenances, 10 préventives et 9
correctives.
UNITE 1 0 2145 4582
MSI PM Censure
UNITE 2 0 4368
MSI Censure
UNITE 3 0 1942 5009
MSI PM Censure
UNITE 4 0 3273
MSI Censure
UNITE 5 0 4120 5040
MSI CM Censure
UNITE 6 0 2689 4643
MSI PM Censure
UNITE 7 0 4394 5739
MSI PM Censure
UNITE 8 0 2602 5130
MSI CM Censure
UNITE 9 0 1462 2259 5040
MSI PM CM Censure
UNITE 10 0 1667 2073 3607
MSI CM PM Censure
UNITE 11 0 1090 1207 1705 2483
MSI CM CM PM Censure
UNITE 12 0 2921 4454 4703
MSI PM CM Censure
UNITE 13 0 3011 3559 4248
MSI CM PM Censure
UNITE 14 0 3528 5433
MSI PM Censure
UNITE 15 0 2008 2968
MSI CM Censure
UNITE 16 0 5344
MSI Censure
UNITE 17 0 6348
MSI Censure
Tab. 5.2 – Données sans les maintenances de la période de jeunesse.
Sur ce nouveau jeu de données nous avons dans un premier temps vérifié que l’intensité
initiale était bien croissante. Comme cela a été expliqué précédemment, on analyse d’abord les
durées jusqu’à la première maintenance. Les estimations de maximum de vraisemblance des
paramètres de la loi de Weibull sont maintenant :
α̂ = 2 10−7 , β̂ = 1.77 (5.6)
L’estimation de β est supérieure à 1, ce qui confirme qu’après la période de jeunesse, le
système s’use bien. L’estimation de α a elle aussi été fortement modifiée puisqu’on est passé de
4 10−4 à 2 10−7 .
En traçant le graphe de Weibull (figure 5.4) correspondant, on constate que les points sont
maintenant bien mieux alignés. L’hypothèse que l’intensité initiale est de la forme PLP semble
donc bien adaptée. Les estimations graphiques des paramètres sont:
α̂ = 2.6 10−8 , β̂ = 2.05 (5.7)
−0.5
−1
−1.5
−2
−2.5
−3
−3.5
6.8 7 7.2 7.4 7.6 7.8 8 8.2 8.4
Fig. 5.4 – Graphe de Weibull pour les premiers instants de maintenance sans la période de
jeunesse
En ayant éliminé la période de jeunesse, on retombe bien sur une intensité de défaillance
initiale croissante. On se retrouve alors dans le cadre de modélisation étudié dans ce rapport et
on peut utiliser correctement les modèles présentés sur l’ensemble des données du tableau 5.2.
Nous avons considéré plusieurs modèles :

• Les CM sont ABAO et les PM ARAm . Etant donné qu’on n’observe jamais plus de deux
PM sur le même système, les modèles ARA pour les PM sont tous équivalents quelle que
soit la mémoire. On obtient comme estimations de maximum de vraisemblance :
α̂ = 3.5 10−6 , β̂ = 1.43, ρ̂ = 1 (5.8)
Dans ce modèle, la maintenance préventive est estimée parfaite. En fait, les modèles ARA m
ne permettent pas de modéliser des maintenances plus que parfaites, c’est-à-dire rendant
le système meilleur que neuf (excepté, on l’a vu, quand β < 1, ce qui n’est pas le cas ici).
Or la forme de la vraisemblance (figure 5.5) laisse supposer qu’elle pourrait être maximale
pour une valeur de ρ supérieure à 1.
Pour savoir si la maintenance est “simplement” parfaite ou bien si elle est plus que par-
faite, il serait intéressant de modéliser l’effet des PM avec un modèle permettant ce type
d’hypothèse. C’est le cas des modèles de Quasi-Renouvellement (section 2.6). De plus, on
pourrait prendre en compte des intensités initiales avec des périodes de jeunesse (courbe
en baignoire pour l’intensité initiale). L’inconvénient des modèles QR est que leur in-
terprétation est moins évidente que les modèles d’âge virtuel. C’est pourquoi ils n’ont pas
été choisis dans le cadre de cette étude.
• Les CM et les PM sont ARA1 avec le même facteur d’efficacité de maintenance. On obtient :
α̂ = 4.16 10−6 , β̂ = 1.40, ρ̂ = 0.56 (5.9)
On estime donc que les maintenances, qu’elles soient préventives ou correctives, ont pour
effet de réduire approximativement de 50% le supplément d’âge accumulé depuis la dernière
maintenance.
−89.9
−89.95
−90
−90.05
−90.1
−90.15
1
−90.2
1.8 0.95
1.6 0.9
β
1.4
1.2
0.85 ρ
0.8
Fig. 5.5 – Log-vraisemblance avec des PM ARAm et des CM ABAO, pour les données du tableau
5.2
• Les CM et les PM sont ARA∞ avec des facteurs d’efficacité de maintenance différents ρp
et ρc . Les estimations trouvées sont :
α̂ = 3.24 10−6 , β̂ = 1.44, ρ̂c = 0.16, ρ̂p = 1 (5.10)
La maintenance préventive est estimée parfaite (comme précédemment, elle est peut-être
plus que parfaite, mais le modèle ne permet pas de s’en rendre compte), et la maintenance
corrective semble n’avoir que peu d’effet sur le système en réduisant simplement l’âge
virtuel global de 16%. On n’est pas loin de considérer que les maintenances correctives
sont minimales. Ce résultat semble cohérent avec ce qu’on s’attend à observer.
Les intensités de défaillance avec les paramètres estimés sont semblables aux figures 5.6,
obtenues par simulation. Dans la première de ces deux figures, le système subit d’abord
une PM puis une CM. Dans la deuxième c’est l’inverse.
−4
x 10
x 10
−4 3.5
3
3
2.5
2.5
1.5
1.5
1
1
0.5 0.5
0 0
0 2000 4000 6000 8000 10000 12000 14000 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
4
x 10
Fig. 5.6 – Intensité de défaillance pour un modèle ARA∞ sur les MP et les MC, sans la période
de jeunesse
Pour tous ces derniers modèles, les estimations de α et β sont du même ordre, ce qui signifie
qu’on peut avoir une bonne confiance dans ces valeurs. On constate que l’estimation de β est
comprise entre 1 et 2, ce qui signifie que l’intensité initiale est concave, comme on peut le voir
sur les figures 5.6. Cela signifie qu’indépendamment des maintenances, le système s’use, mais
s’use de moins en moins vite. Ce phénomène, bien que surprenant, est fréquemment rencontré
dans la pratique, par exemple dans les phénomènes de fatigue.
Quand on a supposé que les effets des CM et des PM étaient les mêmes, ρ a été estimé à
0.56. En fait cette valeur est une sorte de moyenne entre les valeurs 0.16 et (plus grand que) 1
trouvées dans le cas suivant.
5.3 Conclusion de l’analyse des données

En conclusion, les points à retenir de l’analyse de ces données sont les suivants.
• L’existence d’une période de jeunesse a été mise en évidence. Les modèles étudiés dans
la synthèse font l’hypothèse d’une intensité de défaillance initiale croissante, donc ils ne
peuvent pas prendre en compte le déverminage. Par conséquent, il serait intéressant de
construire des modèles adaptés à cette situation, par exemple avec une intensité initiale
en forme de baignoire.
• Si on élimine la période de jeunesse, on trouve que :
– La loi de Weibull semble bien adaptée pour l’intensité initiale. Le paramètre de forme
est de l’ordre de 1.4. Le paramètre d’échelle est de l’ordre de 3 10−6 .
– Les maintenances préventives sont jugées parfaites, voire plus que parfaites.
– Les maintenances correctives sont jugées un peu meilleures que minimales.
– Ces valeurs numériques peuvent être utilisées pour réactualiser l’OMF, en particulier
pour sélectionner les tâches de maintenance et leur périodicité.
• L’hypothèse que les maintenances préventives ont été effectuées à des instants planifiés
à l’avance semble douteuse. En effet, au vu des données, on a plutôt l’impression que
ces maintenances sont conditionnelles, c’est-à-dire qu’elles ont été effectuées suite à la
constatation d’un état de dégradation avancé lors de la surveillance des matériels. Malgré
tout, l’analyse effectuée sous l’hypothèse de maintenances déterministes semble cohérente.
• Nous n’avons utilisé ici que les plus simples des modèles présentés dans ce rapport. Au
vu des résultats de l’analyse, il semblerait pertinent d’étudier plus en profondeur et de
mettre en oeuvre les modèles de quasi-renouvellement et les modèles pour maintenances
préventives à instants aléatoires, comme les modèles de risques concurrents généralisés ou
les modèles de processus de comptage bivarié.
Annexe : Tableaux récapitulatifs
Cette annexe présente deux tableaux qui récapitulent de façon synthétique les différents
modèles et leurs propriétés. Le premier tableau donne, pour chacun des principaux modèles, une
liste d’articles traitant les différents aspects de ces modèles. Le deuxième tableau présente une
sélection des articles les plus importants et résume leur contenu.
Les tableaux utilisent des abréviations dont le sens est (re)précisé ci-dessous.
Nom des modèles :

• ABAO : As Bad As Old (Minimale)
• AGAN : As Good As New (Parfaite)
• ARAm : Réduction Arithmétique de l’Age de mémoire m (ARA1 =PAR=KMS)
• ARIm : Réduction Arithmétique de l’Intensité de mémoire m
• BBS : Block-Borges-Savits
• BP : Brown-Proschan
• C : Canfield
• CARA : Réduction Arithmétique et Constante de l’Age
• CARI : Réduction Arithmétique et Constante de l’Intensité
• DHS : Dorado-Hollander-Sethuraman
• K1 : Kijima de type I
• K2 : Kijima de type II
• QR : Quasi-Renouvellement
• TR : Tendance-Renouvellement
Lien entre les maintenances préventives et correctives :

• BCP : Processus de Comptage Bivarié
• CR : Risques Concurrents
• LL : Langseth-Lindqvist
• LS : Last-Szekli
• PMP : Politique de Maintenance Préventive
– AF : à Age Fixé
– Au : Autre
– DF : à Dates Fixées
– P : Périodiques
– IDF : à Intensité de Défaillance Fixée
Durées de maintenance :
• QR : Quasi-Renouvellement
• Cst : Constantes
Application : uniquement concernant l’estimation de l’efficacité des maintenances.

• S : application sur données Simulées
• En cas d’application à des données réelles, le domaine d’application est précisé
A.1 Tableau récapitulatif par modèle

Modèle Référence
ARA1 Malik 79 [56], Lie-Chun 86 [47], Kijima-Morimura-Suzuki 88 [40],
Guo-Love 92 [31], Shin-Lim-Lie 96 [69], Jack 97 [35], Jack 98 [36],
Kaminskiy-Krivtsov 00 [38], Doyen-Gaudoin 03-04 [24] [25]
ARA∞ Nakagawa 80 [58], Brown-Mahoney-Sivazlian 83 [10], Nakagawa 88 [60],
Jack 97 [35], Jack 98 [36], Yun-Choung 99 [77], Doyen-Gaudoin 03-04 [24] [25],
Gasmi-Love-Kahle 03 [30]
ARI1 Doyen-Gaudoin 03-04 [24] [25]
ARI∞ Chan-Shaw 93 [14], Doyen-Gaudoin 03-04 [24] [25]
BBS Block-Borges-Savits 85 [8], Hollander-Presnell-Sethuraman 92 [32],
Agustin-Pena 99 [2], Wang-Pham 99 [73], Kvam-Singh-Whitaker 02 [41]
BCP Doyen-Gaudoin 03 [25]
BP Nakagawa 80 [58], Brown-Proschan 83 [11], Fontenot-Proschan 84 [28],
Whitaker-Samaniego 89 [76], Wang-Pham 96 [75][74], Lim 98 [50],
Lim-Lu-Park 98 [48], Lim-Park 99 [49], Wang-Pham 99 [73],
Kvam-Singh-Whitaker 02 [41], Langseth-Lindqvist 03 [43]
C Canfield 86 [13]
CARA Nakagawa 80 [58], Wang-Pham 96 [74]
CARI Chan-Shaw 93 [14]
CR Langberg-Proschan-Quinzi 81 [42], Zheng-Klein 95 [79],
Bedford-Meilijson 97 [6], Meeuwissen-Bedford 97 [57], Bedford 99 [5],
Bedford-Mesina 00 [7], Bunea-Bedford 02 [12]
DHS Dorado-Hollander-Sethuraman 97 [22] [33],
K1 K2 Kijima 89 [39], Stadje-Zuckerman 91 [71], Finkelstein 93 [27],
Clarotti-Lannoy 94 [15], Dagpunar-Jack 94 [21],
Baxter-Kijima-Tortorella 96 [4], Dagpunar 97 [19], Dagpunar 98 [20],
Gasmi-Kahle 98 [29], Jack 98 [36], Last-Szekli 98 [45], Doyen-Gaudoin 03 [25]
LL Langseth-Lindqvist 03 [43]
LS Last-Szekli 98 [45]
QR Nakagawa 86 [59], Nakagawa 88 [60], Wang-Pham 96 [75][74],
Wang-Pham 99 [73], Zhang 02 [78]
TR Lawless-Thiagarajah 96 [46], Lindqvist 99 [52],
Lindqvist-Elvebakk-Heggland 03 [53]
Inclas- Jack 91 [34], Makis-Jardine 92 [55] Cooke-Paulsen 97 [18],
sables Paulsen-Cooke-Nyman 97 [61], Lin-Zuo-Yam 00 [51]
A.2 Tableau récapitulatif par article
Les articles sont présentés dans l’ordre chronologique.
Référence PM CM Lien entre Durée Objectif de l’article Estimation Appli- Points forts Points
PM et CM Mainte- cation faibles
nance
Malik 79 [56] ARA1 ABAO PMP : IDF
Nakagawa 80 1.BP; 1.ABAO; PMP : P Optimisation des coûts de
[58] 2.CARA; 2.ABAO; maintenance
3.ARA∞ 3.ABAO
Langberg AGAN AGAN CR Estimation non Risques indépendants
Proschan paramétrique de la loi
Quinzi 81 [42] jointe des variables de
risque
Brown AGAN ARA∞ PMP : AF Optimisation des coûts de
Mahoney maintenance
Sivazlian
83 [10]
Brown BP Propriétés stochastiques :
Proschan 83 loi des durées inter-AGAN,
[11] vieillissement,...
Fontenot AGAN BP PMP : AF et Optimisation des coûts de
Proschan 84 Au maintenance
[28]
Block Borges BBS Propriétés stochastiques :
Savits 85 [8] loi des durées inter-AGAN,
vieillissement,...
Canfield 86 [13] C ABAO PMP : P Optimisation des coûts de Efficacité de réparation S
maintenance, Estimation connue
paramétrique
Lie Chun 86 AGAN,ARA1 AGAN,ABAO PMP : IDF Optimisation des coûts de
[47] maintenance
Nakagawa 86 QR, AGAN ABAO PMP : P ou DF Optimisation des coûts de
[59] maintenance
Kijima AGAN ARA1 PMP : P Optimisation des coûts de
Morimura maintenance, Propriétés
Suzuki 88 [40] stochastiques
Nakagawa 88 1.QR, AGAN; 1.ABAO; PMP : DF Optimisation des coûts de
[60] 2.ARA∞ ,AGAN 2.ABAO maintenance
Kijima 89 [39] K1, K2 Propriétés stochastiques
Whitaker BP Estimation non Effets des maintenances
Samaniego 89 paramétrique connus
[76]
Jack 91 [34] Autre Optimisation des coûts de
maintenance
nance
Stadje K2 Optimisation des coûts de
Zuckerman 91 maintenance
[71]
Guo Love 92 AGAN ARA1 PMP : P Estimation paramétrique Intensité initiale PLP “Roller mill Possibilité de
[31] data from covariables
a local
cement
plant”
Hollander BBS Estimation non Effets des maintenances Climatiseurs
Presnell paramétrique, intervalle de connus Boeing
Sethuraman 92 confiance, test
[32]
Makis Jardine Autre Optimisation des coûts de
92 [55] maintenance
Block AGAN AGAN, ABAO PMP : AF Propriétés stochastiques
Langberg
Savits 93 [9]
Chan Shaw 93 1.CARI; 1.AGAN; PMP : P Cst Optimisation de la
[14] 2.ARI∞ 2.AGAN disponibilité
Finkelstein 93 K2 Propriétés stochastiques et
[27] asymptotiques
Clarotti et al K2 Evaluation de la fiabilité Statistique bayésienne, Efficacité de
94 [15] diagramme d’influence maintenance
aléatoire
Dagpunar Jack K2 ABAO PMP : AF Optimisation de la
94 [21] politique de maintenance
et de la durée de garantie
Shaked Szekli 1.; 1.AGAN; 1.; Propriétés stochastiques
95 [67] 2.; 2.ABAO; 2.;
3.AGAN; 3.AGAN; 3.PMP:P,AF,DF
4.AGAN 4.ABAO; 4.PMP:P,AF,DF
Zheng Klein 95 AGAN AGAN CR Estimation Copules connues S et
[79] données
survie
patients
Baxter Kijima K1,K2 Propriétés stochastiques
Tortorella 96
[4]
Lawless TR Estimation paramétrique, S et Clima- Pas d’in-
Thiagarajah 96 Tests de tendance tiseurs terprétation
[46] Boeing physique
nance
Shin Lim Lie 1.; 1.ARA1 ; 1.; Estimation paramétrique Intensité initiale PLP ou S et Propriétés des
96 [69] 2.ARA1 2.ABAO 2.PMP : DF log-linéaire système de estimateurs
refroidisse- (systèmes
ment identiques en
central de parallèle)
centrale
nucléaire
Wang Pham 96 1.AGAN; 1.QR; PMP : P 1.; Optimisation des coûts de
[75] 2.BP; 2.QR; 2.; maintenance (pour 3. à
3.BP 3.QR; 3.QR disponibilité fixée)
Wang Pham 96 1.BP; 1.QR,ABAO; PMP : Au QR et Optimisation des coûts de
[74] 2.CARA,AGAN 2.QR,ABAO autre maintenance et/ou
disponibilité
Bedford AGAN AGAN CR Bornes et test sur la loi des S
Meilijson 97 [6] variables de risques
Dagpunar 97 K2 Propriétés stochastiques
[19]
Cooke Paulsen Evaluation de l’efficacité “Boiling
97 [18] de la maintenance par des Water
critères qualitatifs Reactor”
de centrale
nucléaire
Dorado DHS Estimation non Efficacités de réparation S
Hollander paramétrique, intervalle de connues
Sethuraman 97 confiance
[22]
Jack 97 [35] 1.ARA1 ABAO PMP : DF Estimation paramétrique Intensité initiale PLP Equipement
2.ARA∞ médical
Meeuwissen AGAN AGAN CR Estimation de la loi Par minimum Satellites
Bedford 97 [57] conjointe des variables de d’information et pour un Cluster
risque rang de corrélation fixé
Paulsen Cooke Evaluation de l’efficacité Nucléaire
Nyman 97 [61] de la maintenance par des
critères qualitatifs
Dagpunar 98 K2 Propriétés stochastiques
[20]
Gasmi Kahle K2 Estimation paramétrique Intensité initiale PLP,
98 [29] log-linéaire ou Pareto,
efficacité de réparation
connue ou modèle
particulier
nance
Jack 98 [36] 1.ARA1 ; 1.variante de PMP : P Estimation paramétrique, Intensité initiale PLP Equipement
2.ARA∞ ARA1 ; optimisation des coûts de médical
2.ARA∞ maintenance
Last Szekli 98 1. 1.K2 1. Propriétés stochastiques
[45] 2.K2 2.K2 2.LS
Lim 98 [50] BP Estimation paramétrique Intensité initiale PLP, S Efficacité de
estimation par réparation
algorithme EM inconnues
Lim Lu Park BP bayésien Estimation paramétrique, Intensité initiale PLP,
98 [48] propriétés stochastiques estimation bayésienne de
p
Agustin Pena BBS Propriétés stochastiques, Effets des maintenances Climatiseurs p(t) n’est pas
99 [2] simulation, test connus Boeing nécessairement
d’adéquation sur l’intensité connue
initiale
Bedford 99 [5] AGAN AGAN CR Etat de l’art des CR S
Lim Park 99 BP, AGAN, Evaluation du coût de
[49] ABAO réparation limite
Lindqvist 99 TR Estimation paramétrique, Intensité initiale PLP ou S
[52] tests de tendance log-linéaire
Wang Pham 99 1.BP; 1.QR; PMP : Au QR et Optimisation des coûts de
[73] 2.AGAN 2.QR,BBS autre maintenance à
disponibilité fixée
Yun Choung 99 ARA∞ ABAO PMP : DF Estimation paramétrique Intensité initiale PLP S
[77]
Bedford AGAN AGAN CR Effet de la dépendance des
Mesina 00 [7] variables de risque sur les
observations et les coûts
Kaminskiy ARA1 Estimation paramétrique S et Ford
Krivtsov 00
[38]
Lin Zuo Yam Autre, AGAN ABAO PMP : AF, IDF Optimisation des coûts de
00 [51] maintenance
Bunea Bedford AGAN AGAN CR Optimisation des coûts de
02 [12] maintenance
Cooke Bedford AGAN AGAN CR Propriétés stochastiques,
02 [17] bornes
Kvam Singh BP, BBS Estimation non Effet des maintenances “Emergency
Whitaker 02 paramétrique connu diesel gene-
[41] rators”,
“motor-
driven
pumps”
nance
Zhang 02 [78] AGAN QR PMP : P et CM : QR Optimisation des coûts de
autre et PM : maintenance
iid
Doyen Gaudoin ARI,ARA ARI, ARA BCP Propriétés stochastiques,
03 [25] estimation paramétrique
Gasmi Love ARA∞ , ABAO Estimation paramétrique Types de réparation Turbines Réparation
Kahle 03 [30] connus, intensité initiale hydro- mineures et
PLP électriques majeures
Langseth BP BP PMP : P et Estimation paramétrique OREDA : Plusieurs modes de
Lindqvist 03 CR : signe “Gas défaillance, PM
[43] aléatoire generator périodiques et
of the gas conditionnelles à la
turbine, fois
Phase IV”
Lindqvist TR Estimation paramétrique, Possibilité Pas d’in-
Elvebakk tests de tendance d’hétérogénéité terprétation
Heggland 03 entre des systèmes physique
[53] en parallèle
Doyen Gaudoin ARI, ARA Estimation paramétrique Intensité initiale PLP S
04 [24]
.
BIBLIOGRAPHIE 63
Bibliographie
[1] AFNOR 2001. (( Norme européenne )), Juin 2001. Terminologie de la maintenance (NF EN
13306).
[2] M.Z.N. Agustin et E.A. Pen̂a. (( Order statistics properties, random generation, and
goodness-of-fit testing for a minimal repair model )). Journal of the American Statistical
Association, 94(445):266–272, 1999.
[3] P.K. Andersen, O. Borgan, R.D. Gill, et N. Keiding. Statistical models based on
counting processes. Springer Series in Statistics. Springer-Verlag, 1993.
[4] L. Baxter, M. Kijima, et M. Tortorella. (( A point process model for the reliability of a
maintained system subject to general repair )). Communications in Statistics, 12(1):37–65,
1996.
[5] T. Bedford. On the use of minimally informative copulae in competing risk problems. Dans
D.C. Ionescu et N. Limnios, éditeurs, Statistical and probabilistic models in reliability.
Birkhauser, 1999.
[6] T. Bedford et I. Meilijson. (( A characterization of marginal distributions of (possibly
dependant) lifetime variables which right censor each other )). The Annals of Statistics,
25(4):1622–1645, 1997.
[7] T. Bedford et C. Mesina. (( The impact of modeling assumptions on maintenance opti-
mization )). Dans Second International Conference on Mathematical Methods in Reliability
(MMR), Bordeaux, pages 171–174, 2000.
[8] H.W. Block, W.S. Borges, et T.H. Savits. (( Age-dependent minimal repair )). Journal
of Applied Probability, 22:370–385, 1985.
[9] H.W. Block, N.A. Langberg, et T.H. Savits. (( Repair replacement policies )). Journal
[10] J.F. Brown, J.F. Mahoney, et B.D. Sivalzian. (( Hysteresis repair in discounted repla-
cement problems )). IIE Transactions, 15(2):156–165, 1983.
[11] M. Brown et F. Proschan. (( Imperfect repair )). Journal of Applied Probability, 20:851–
859, 1983.
[12] C. Bunea et T. Bedford. (( The effect of model uncertainty on maintenance optimization )).
IEEE Transactions on Reliability, 51(4):486–493, 2002.
[13] R.V. Canfield. (( Cost optimisation of peridic preventive maintenance )). IEEE Transac-
tions on Reliability, 35(1):78–81, 1986.
[14] J.K. Chan et L. Shaw. (( Modeling repairable systems with failure rates that depend on
age and maintenance )). IEEE Transactions on Reliability, 42(4):566–571, 1993.
[15] C.A. Clarotti, A. Lannoy, H. Procaccia, et B. Villain. (( ARCS - Outil logiciel pour
la qualification de l’effet de la maintenance sur la durée de vie )). Dans Proceedings Conf.
European Safety and reliability conference (λµ9), La Baule, pages 610–618, 1994.
[16] C. Cocozza-Thivent. Processus stochastiques et fiabilité des systèmes. Springer, 1997.
[17] R. Cooke et T. Bedford. (( Reliability databases in perspective )). IEEE Transactions
on Reliability, 51(3):294–310, 2002.
64 BIBLIOGRAPHIE
[18] R. Cooke et J. Paulsen. (( Concepts for measuring maintenance performance and methods
for analysing competing failure modes )). Reliability Engineering and System Safety, 55:135–
141, 1997.
[19] J.S. Dagpunar. (( Renewal-type equation for a general repair process )). Quality and
Reliability Engineering International, 13:235–245, 1997.
[20] J.S. Dagpunar. (( Some properties and computational results for a general repair process )).
Naval Research Logistics, 45:391–405, 1998.
[21] J.S. Dagpunar et N. Jack. (( Preventative maintenance strategy for equipment under
warranty )). Microelectronics and Reliability, 34(6):1089–1093, 1994.
[22] C. Dorado, M. Hollander, et J. Sethuraman. (( Nonparametric estimation for a general
repair model )). The Annals of Statistics, 25(3):1140–1160, 1997.
[23] L. Doyen. (( Modélisation et évaluation de l’efficacité de la maintenance des systèmes
réparables )). Rapport Technique, Université Joseph Fourier, 2001. Rapport de DEA de
Mathématiques Appliquées.
[24] L. Doyen et O. Gaudoin. (( Classes of imperfect repair models based on reduction of
failure intensity or virtual age )). Reliability Engineering and System Safety, 84(1):45–56,
2004.
[25] L. Doyen et O. Gaudoin. Stochastic modelling of the joint effect of preventive and correc-
tive maintenance on repairable systems reliability. Dans K. Doksum et B.H. Lindqvist,
éditeurs, Mathematical and Statistical Methods in Reliability, Quality, Reliability and En-
gineering Statistics, pages 371–385. World Scientific Publishing Co, 2004.
[26] J.T. Duane. (( Learning curve approach to reliability monitoring )). IEEE Transactions on
Aerospace, 2(2):563–566, 1964.
[27] M.S. Finkelstein. (( On some models of general repair )). Microelectronics and Reliability,
33(5):663–666, 1993.
[28] R.A. Fontenot et F. Proschan. Some imperfect maintenance models. Dans Abdel-
Hameed M. et al, éditeur, Reliability Theory and Models, pages 83–101. Academic Press,
1984.
[29] S. Gasmi et W. Kahle. Parameter estimation in renewal processes with imperfect repair.
Dans W. Kahle, E.V. Collani, J. Franz, et U. Jensen, éditeurs, Advances in Stochastic
Models for Reliability, Quality and Safety. Birkhauser, 1998.
[30] S. Gasmi, C.E. Love, et W. Kahle. (( A general repair, proportional-hazards, framework
to model complex repairable systems )). IEEE Transactions on Reliability, 52(1):26–32,
2003.
[31] R. Guo et C.E. Love. (( Statistical analysis of an age model for imperfectly repaired
systems )). Quality and Reliability Engineering International, 8:133–146, 1992.
[32] M. Hollander, P. Presnell, et J. Sethuraman. (( Nonparametric methods for imperfect
repair models )). The Annals of Statistics, 20(2):879–896, 1992.
[33] M. Hollander et J. Sethuraman. (( Modern reliability models: a nonparametric ap-
proach )). Dans 10th International Symposium on Applied Stochastic Models and Data
Analysis, volume 1, pages 45–47, 2001.
[34] N. Jack. (( Repair replacement modelling over finite time horizons )). Journal of Operational
Research Society, 42(9):759–766, 1991.
[35] N. Jack. (( Analysing event data from repairable machine subject to imperfect preventive
maintenance )). Quality and Reliability Engineering International, 13:183–186, 1997.
[36] N. Jack. (( Age-reduction models for imperfect maintenance )). IMA Journal of Mathematics
Applied in Busines and Industry, 9:347–354, 1998.
BIBLIOGRAPHIE 65
[37] V. Jayabalan et D. Chaudhuri. (( Optimal maintenance and replacement policy for a

deteriorating system with increased mean downtime )). Naval Research Logistics, 39:67–78,
1992.
[38] M.P. Kaminskiy et V.V. Krivtsov. (( G-renewal process as a model for statistical warranty
claim prediction )). Dans Annual Reliability and Maintenability Symposium, Los Angeles,
pages 276–280, 2000.
[39] M. Kijima. (( Some results for repairable systems with general repair )). Journal of Applied
Probability, 26:89–102, 1989.
[40] M. Kijima, H. Morimura, et Y. Suzuki. (( Periodical replacement problem without assu-
ming minimal repair )). European Journal of Operational Research, 37:194–203, 1988.
[41] P.H. Kvam, H. Singh, et L.R. Whitaker. (( Estimating distributions with increasing
failure rate in an imperfect repair model )). Lifetime Data Analysis, 8:53–67, 2002.
[42] N. Langberg, F. Proschan, et A.J. Quinzi. (( Estimating dependent life lengths with
applications to the theory of competing risks )). The Annals of Statistics, 9(1):157–167,
1981.
[43] H. Langseth et B.H. Lindqvist. A maintenance model for components exposed to several
failure mechanisms and imperfect repair. Dans K. Doksum et B.H. Lindqvist, éditeurs,
Mathematical and Statistical Methods in Reliability, Quality, Reliability and Engineering
Statistics. World Scientific Publishing Co, 2003. A paraı̂tre.
[44] G. Last et R. Szekli. (( Asymptotic and monotonicity properties of some repairable
systems )). Advances in Applied Probability, 30:1089–1110, 1998.
[45] G. Last et R. Szekli. (( Stochastic comparison of repairable systems by coupling )). Journal
[46] J.F. Lawless et K. Thiagarajah. (( A point-process model incorporating renewals and
time trends, with application to repairable systems )). Technometrics, 38(2):131–138, 1996.
[47] C.H. Lie et Y.H. Chun. (( An algorithm for preventive maintenance policy )). IEEE
Transactions on Reliability, 35(1):71–75, 1986.
[48] J.H. Lim, K.L. Lu, et D.H. Park. (( Bayesian imperfect repair model )). Communications
in Statistics - Theory and Methods, 27(4):965–984, 1998.
[49] J.H. Lim et D.H. Park. (( Evaluation of average maintenance cost for imperfect-repair
model )). IEEE Transactions on Reliability, 48(2):199–204, 1999.
[50] T.J. Lim. (( Estimating system reliability with fully masked data under Brown-Proschan
imperfect repair model )). Reliability Engineering and System Safety, 59:277–289, 1998.
[51] D. Lin, M.J. Zuo, et R.C.M. Yam. (( General sequential imperfect preventive maintenance
models )). International Journal of Reliability, Quality and Safety Engineering, 7(3):253–
266, 2000.
[52] B. Lindqvist. Statistical modeling and analysis of repairable systems. Dans D.C. Ionescu
et N. Limnios, éditeurs, Statistical and probabilistic models in reliability, pages 3–25. Bir-
khauser, 1999.
[53] B.H. Lindqvist, G. Elvebakk, et K. Heggland. (( The trend-renewal process for statis-
tical analysis of repairable systems )). Technometrics, 45(1):31–44, 2003.
[54] B. Littlewood et J. Verral. (( A bayesian reliability growth model for computer soft-
ware )). Journal of the Royal Statistical Society - Series C, 22:332–336, 1973.
[55] V. Makis et A.K.S. Jardine. (( Optimal replacement policy for a general model with
imperfect repair )). Journal of Operational Research Society, 43(2):111–120, 1992.
[56] M.A.K. Malik. (( Reliable preventive maintenance scheduling )). AIIE Transactions,
11(3):221–228, 1979.
66 BIBLIOGRAPHIE
[57] A.M.H. Meeuwissen et T. Bedford. (( Minimally informative distributions with given

rank correlation for use in uncertainty analysis )). Journal of Statistical Computation and
Simulation, 57:143–174, 1997.
[58] T. Nakagawa. (( A summary of imperfect preventive maintenance policies with minimal
repair )). RAIRO Recherche Opérationnelle, 14(3):249–255, 1980.
[59] T. Nakagawa. (( Periodic and sequential preventive maintenance policies )). Journal of
Applied Probability, 23:536–542, 1986.
[60] T. Nakagawa. (( Sequential imperfect preventive maintenance policies )). IEEE Transac-
tions on Reliability, 37(3):295–298, 1988.
[61] J. Paulsen, R. Cooke, et R. Nyman. (( Comparative evaluating of maintenance perfor-
mance using subsurvival functions )). Reliability Engineering and System Safety, 58:157–163,
1997.
[62] H. Pham et H. Wang. (( Imperfect maintenance )). European Journal of Operational
Research, 94:452–438, 1996.
[63] F. Proschan. (( Theoretical explanation of observed decreasing failure rate )). Technome-
trics, 5:375–383, 1963.
[64] I.J. Rehmert. (( Availability analysis for the quasi-renewal process )). PhD thesis, Faculty
of the Virginia Polytechnic Institute and State University, 2000.
[65] S.E. Rigdon et A.P. Basu. Statistical methods for the reliability of repairable systems.
Wiley, 2000.
[66] G.J. Schick et R.W. Wolverton. (( Assessment of software reliability )). Dans Proceeding
Operation Research, pages 395–422, 1973.
[67] M. Shaked et R. Szekli. (( Comparison of replacement policies via point processes )).
Advances in Applied Probability, 27:1079–1103, 1995.
[68] S.H. Sheu, C.M. Kuo, et T. Nakagawa. (( Extended optimal age replacement policy with
minimal repair )). RAIRO Recherche Opérationnelle, 27(3):337–351, 1993.
[69] I. Shin, T.J. Lim, et C.H. Lie. (( Estimating parameters of intensity function and main-
tenance effect for repairable unit )). Reliability Engineering and System Safety, 54:1–10,
1996.
[70] J.L. Soler. (( Croissance de fiabilité des versions d’un logiciel )). Revue de Statistique
Appliquée, XLIV(1):5–20, 1996.
[71] W. Stadje et D. Zuckerman. (( Optimal maintenance strategies for repairable systems
with general degree of repair )). Journal of Applied Probability, 28:384–396, 1991.
[72] A. Tsiatis. (( A non-identifiability aspect in the problem of competing risks )). Proceedings
of the National Academy of Sciences, USA, 72:20–22, 1975.
[73] H. Wang et Pham. (( Some maintenance models and availability with imperfect mainte-
nance in production systems )). Annals of Operations Research, 91:305–318, 1999.
[74] H. Wang et H. Pham. (( Optimal maintenance policies for several imperfect repair models )).
Internatinal Journal of Systems Science, 27(6):543–549, 1996.
[75] H. Wang et H. Pham. (( A quasi renewal process and its application in imperfect mainte-
nance )). International Journal of Systems Science, 27(10):1055–1062, 1996.
[76] L.R. Whitaker et F.J. Samaniego. (( Estimating the reliability of systems subject to
imperfect repair )). Journal of the American Statistical Association, 84(405):301–309, 1989.
[77] W.Y. Yun et S.J. Choung. (( Estimating maintenance effect and parameters of intensity
function for improvement maintenance model )). Dans 5th. ISSAT Int. conf. reliability and
quality in design, Las Vegas, pages 164–166, 1999.
[78] Y.L. Zhang. (( A geometric-process repair-model with good-as-new preventive repair )).
IEEE Transactions on Reliability, 51(2):223–228, 2002.
BIBLIOGRAPHIE 67
[79] M. Zheng et J. Klein. (( Estimates of survival for dependant competing risks based on an
assumed copula )). Biometrika, 82(1):127–138, 1995.

Modélisation de L Efficacité de La Maintenance Des. Systèmes Réparables - Synthèse Bibliographique

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

Modélisation de L Efficacité de La Maintenance Des. Systèmes Réparables - Synthèse Bibliographique

Transféré par

Droits d'auteur :

Formats disponibles

Institut National Polytechnique de Grenoble

Laboratoire de Modélisation et Calcul

Modélisation de l’efficacité de la maintenance des

systèmes réparables - Synthèse bibliographique

Laurent Doyen - Olivier Gaudoin

Rapport du contrat T50L47/F00555/0 entre EDF et le LMC

Version expurgée des éléments confidentiels de l’analyse des données

Table des matières

2 Modélisation des effets des maintenances correctives seules 11

3 Modélisation conjointe des effets des maintenances préventives et correctives 27

4 Conclusion de la synthèse bibliographique 43

5 Etude d’un jeu de données EDF 45

Annexe : Tableaux récapitulatifs 55

ABAO Aussi Mauvais Que Vieux (As Bad As Old)

1.1 Le besoin d’évaluation de l’efficacité des maintenances

La sûreté de fonctionnement de ces systèmes dépend naturellement étroitement de l’effica-

1.2 Caractère “aléatoire” des maintenances

1.3 But et structure du rapport

Modélisation des effets des

Dans tout ce chapitre, les hypothèses suivantes sont effectuées.

1. Le système n’est pas sujet à des maintenances préventives.

2.1 Le processus des défaillances et réparations d’un système

Le nombre de défaillances observées entre l’instant initial et un instant t est noté N t :

Fig. 2.1 – Processus des défaillances

En revanche, quand il existe un processus extérieur M , l’intensité de défaillance λN t (N, M )

On a besoin d’informations supplémentaires sur la loi conjointe des processus N et M pour

2.2 Les modèles de base

Fig. 2.2 – Intensité dans le cas ABAO

λ(t) = αβtβ−1 α > 0 β > 1 (2.12)

2.2.2 Le modèle de maintenance parfaite

λt = λ(t − TNt ) (2.13)

Fig. 2.3 – Intensité dans le cas AGAN

Le processus aléatoire correspondant est appelé Processus de Renouvellement (RP).

2.2.3 Nécessité des modèles de maintenance imparfaite

2.3 Les modèles de Brown-Proschan et Block-Borges-Savits

Fig. 2.4 – Intensité dans le modèle de Brown-Proschan

Pour p = 1, tous les Zi sont égaux à 1 et on retrouve le modèle de maintenance parfaite.

2.4 Les modèles d’âge virtuel

∀i ≥ 0, ∀x ≥ 0, P (Xi+1 > x|Ai , X1 , . . . , Xi ) = P (Y > Ai + x|Y > Ai , Ai ) (2.17)

ce qui entraı̂ne que :

• modèle de maintenance minimale (ABAO) : ∀i ≥ 0, Ai = Ti .

2.4.2 Les modèles de Kijima

• Modèle de Kijima de type I : ∀i ≥ 0, Ai = Ai−1 + (1 − Zi )Xi .

On peut alors obtenir les intensités de défaillance de ces modèles :

Dans ce modèle, évaluer l’efficacité de la maintenance revient à estimer le paramètre ρ.

λt = λ t − ρ (1 − ρ)j TNt −j  (2.23)

Ai = ξ1i ξ2i (Ai−1 + Xi ) (2.24)

2.4.3 Les modèles à réduction arithmétique de l’âge

La mémoire m reflète une propriété markovienne : c’est le nombre maximal d’instants de

Fig. 2.9 – Intensité dans un modèle ARA∞

2.4.4 Analyse statistique et application des modèles d’âge virtuel

2.5 Les modèles à réduction de l’intensité

Le principe de construction de ce modèle est manifestement similaire à celui du modèle BMS :

Cela conduit à une intensité de défaillance de la forme :

λt = λ(t) − ρλ(TNt ) (2.31)

Fig. 2.10 – Intensité dans un modèle ARI2

2.6 Les modèles de quasi-renouvellement

où α est un paramètre réel strictement positif.

Fig. 2.11 – Intensité dans un modèle de quasi renouvellement

λt = h(t − TNt , Nt ) (2.38)

λt = aNt λ(t − TNt ) (2.41)

λt = aNt λ(t − ρTNt ) (2.42)

2.7 Le modèle de Dorado-Hollander-Sethuraman