Académique Documents
Professionnel Documents
Culture Documents
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
Bibliographie 63
TABLE DES MATIÈRES 5
Glossaire
Chapitre 1
Problématique
• 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].
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.
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
Nous allons d’abord définir les grandeurs mathématiques nécessaires pour la modélisation,
puis présenter les principaux modèles ayant été proposés.
∀i ≥ 1, Xi = Ti − Ti−1 (2.1)
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
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
15
10
0
0 0.5 1 1.5 2 2.5
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 :
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.
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
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
16 Modélisation des effets des maintenances correctives seules
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
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
Modélisation des effets des maintenances correctives seules 17
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.
1 − F (Ai + x)
∀i ≥ 0, ∀x ≥ 0, P (Xi+1 > x|Ai , X1 , . . . , Xi ) = (2.18)
1 − F (Ai )
18 Modélisation des effets des maintenances correctives seules
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 :
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.
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.
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
Une variante intéressante a été récemment proposée par Gasmi, Love et Kahle [30], permet-
tant de prendre en compte trois effets possibles de maintenance :
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.
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
Modélisation des effets des maintenances correctives seules 21
30
25
20
15
10
0
0 0.5 1 1.5 2 2.5 3
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
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.
22 Modélisation des effets des maintenances correctives seules
• 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.
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
λT + = λT − − ρ[λT − − λT + ] (2.30)
i i i i−1
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 .
Modélisation des effets des maintenances correctives seules 23
15
10
0
0 0.5 1 1.5 2 2.5 3 3.5
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.
30
25
20
15
10
0
0 0.5 1 1.5 2 2.5 3 3.5 4
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 :
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
Modélisation des effets des maintenances correctives seules 25
ainsi qu’un modèle construit spécifiquement pour des maintenances préventives par Nakagawa [59,
60], dont la forme la plus simple est :
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 :
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 :
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
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.
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.
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 :
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 :
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].
Modélisation conjointe des effets des maintenances préventives et correctives 29
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 :
25
20
15
10
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
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)
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 :
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)
Modélisation conjointe des effets des maintenances préventives et correctives 31
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 ).
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.
32 Modélisation conjointe des effets des maintenances préventives et correctives
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 )
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.
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.
34 Modélisation conjointe des effets des maintenances préventives et correctives
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.
Wi = min(Yi , Zi ) (3.19)
Y3 Y4
Y1 = W 1 Y2 ..
-
..
.. -
-..... ..
..
..
..
..
..
..
..
..
.. -
- -
.. .. ..
.. .. ..
-
.. .. ..
.. .. ..
Z1 ..
Z2 = W2 .....
. ..
..
..
..
. .. Z3 = W 3 ..
.. Z4
τ1 T1 T2
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.
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.
Modélisation conjointe des effets des maintenances préventives et correctives 37
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.
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)
38 Modélisation conjointe des effets des maintenances préventives et correctives
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.
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
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 :
Comme les processus aléatoires considérés sont ponctuels, on peut écrire plus simplement :
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
1
λM
t (K, U ) = lim P (Mt+dt − Mt = 1|Kt , C1 , U1 , . . . , CKt , UKt ) (3.31)
dt→0 dt
40 Modélisation conjointe des effets des maintenances préventives et correctives
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
λK M N
t (K, U ) = λt (K, U ) + λt (K, U ) (3.33)
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 )
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.
Chapitre 4
Conclusion de la synthèse
bibliographique
• 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 :
Chapitre 5
La base de données du système étudié contient, pour 17 unités, les informations suivantes :
En accord avec EDF, un certain nombre d’hypothèses ont été faites sur ces données afin de
pouvoir les analyser :
• 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 :
• 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
48 Etude d’un jeu de données EDF
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 :
2145, 853, 311, 2689, 4394, 1462, 788, 3528, 201, 742
−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
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:
• Les CM sont ABAO et les PM sont ARA∞ (l’intensité de défaillance est donnée par
l’equation (3.2)). On trouve :
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.
Etude d’un jeu de données EDF 49
• 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 :
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).
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
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 .
Etude d’un jeu de données EDF 51
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.
• 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.
52 Etude d’un jeu de données EDF
−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 :
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
Etude d’un jeu de données EDF 53
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.
• 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.
– 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.
54 Etude d’un jeu de données EDF
Etude d’un jeu de données EDF 55
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.
Durées de maintenance :
• QR : Quasi-Renouvellement
56 Etude d’un jeu de données EDF
• Cst : Constantes
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
Référence PM CM Lien entre Durée Objectif de l’article Estimation Appli- Points forts Points
PM et CM Mainte- cation faibles
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
Référence PM CM Lien entre Durée Objectif de l’article Estimation Appli- Points forts Points
PM et CM Mainte- cation faibles
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
Référence PM CM Lien entre Durée Objectif de l’article Estimation Appli- Points forts Points
PM et CM Mainte- cation faibles
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”
Référence PM CM Lien entre Durée Objectif de l’article Estimation Appli- Points forts Points
PM et CM Mainte- cation faibles
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]
62 Etude d’un jeu de données EDF
.
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
of Applied Probability, 30:194–206, 1993.
[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
[79] M. Zheng et J. Klein. (( Estimates of survival for dependant competing risks based on an
assumed copula )). Biometrika, 82(1):127–138, 1995.