Académique Documents
Professionnel Documents
Culture Documents
MASTERE FRMI
1
Programme
2
Sûreté de Fonctionnement
3
Sûreté de Fonctionnement: composantes
Fiabilité Reliability
Maintenabilité Maintenability
Disponibilité Availability
Sécurité Safety
FMDS RAMS
4
Sûreté de Fonctionnement: composantes
Fiabilité: indicateurs
Soit T la durée de vie du bien considéré
Fonction fiabilité
R(t ) PrT t / T 0
6
Sûreté de Fonctionnement: composantes
7
Sûreté de Fonctionnement: composantes
Indicateurs
- fonction Disponibilité D(t) probabilité que le système
soit état de remplir la fonction requise.
- MUT (Mean Up Time, moyenne des temps pendant lesquels le système est en
fonctionnement actif)
- MDT (Mean Down Time, moyenne des temps pendant lesquels le système est
9
fonctionnellement hors service)
Sûreté de Fonctionnement: composantes
Sécurité
10
FMD des systèmes réparables
Caractéristiques
Trois niveaux
Réparable Maintenabilité
Module ou consommable et fiabilité
11
FMD des systèmes réparables
Caractéristiques
Cas du module (carte électronique, moteur, vérin, etc.) réparable: 2
questions
réparation du module défaillant (risque d ’indisponibilité forte) ou
consommation par échange standard rapide ?
12
FMD des systèmes réparables: indicateurs
opérationnels
Durée
MTTR d ’usage
MDT MUT
MTTF MTBF
13
FMD des systèmes réparables: indicateurs
opérationnels
Synthèse
14
SdF
Maintenance
15
Maintenance
NF X60.010
16
Les Stratégies de Maintenance
Maintenance d’urgence
Réparer après casse
Maintenance corrective
En fonction du calendrier
Maintenance préventive systématique
17
Les Stratégies de Maintenance
Maintenance d’urgence
Définition
Travail de maintenance nécessitant une
intervention immédiate
But
Supprimer l’immobilisation, réduire le danger ou le
risque associé à la défaillance
Caractéristiques
Non programmée
Chère
18
Nécessite une grande réactivité et une logistique en conséquence
Maintenance corrective
Définition
Restaurer le système pour qu’il retrouve un
état opérationnel
But
Permettre l’utilisation du système
Caractéristiques
Planifiée
Préparation du travail
19
Maintenance de routine
Définition
inspection, réglages, …)
But
Caractéristiques
Planifiée et préparée
20
Maintenance préventive systématique
Définition
durée de fonctionnement
But
Caractéristiques
Planifiée et préparée
Echéancier 21
Maintenance préventive conditionnelle
Définition
But
Caractéristiques
Planifiée
Seuils prédéterminés 22
Maintenance préventive prévisionnelle
Définition
But
Caractéristiques
Planifiée
Examens structurels
Dissipation d’énergie
Analyse d’effluents
Contrôle du rendement
Émission acoustique
24
Maintenance: Indicateurs fondamentaux
La maintenance doit pouvoir être évaluée quantitativement par des indicateurs opérationnels.
Indicateurs de la maintenance préventive
MMH/OH: Maintenance Man-Hours per Operating hour (charge en hommes-heures par heure de
fonctionnement ou d ’utilisation
MTBPMA: Mean Time Between Preventive Maintenance Actions (temps moyen de fonctionnement
ou d ’utilisation entre interventions de maintenance preventive).
25
Maintenance: Indicateurs fondamentaux
MTBUBA: Mean Time Between Unscheduled Maintenance Actions (temps moyen de fonctionnement
ou d ’utilisation entre interventions de maintenance non Programmées).
MTTR: Mean Time To Repair (moyenne des temps techniques de réparation). Il est limité à 4 temps:
- tdg: temps de diagnostic (temps moyen nécessaire pour dérouler le diagnostic au niveau de l ’unité à
déposer ou à remplacer;
- tdp: temps de dépose puis temps de pose (temps moyen pour déposer l ’unité défaillante et à la remplacer
par une pièce saine;
- tv: temps de vérification (temps moyen nécessaire pour valider l ’intervention et vérifier le bon
fonctionnement du bien après intervention;
- ts: temps de mise en service ou temps de redémarrage.
MTTR = tdg + tdp + tv + ts
26
Maintenance: Indicateurs fondamentaux
MMTR: Mean Man-Hours To Repair (charge moyenne en homme-heures pour réparer le bien)
27
Maintenance: Indicateurs fondamentaux
Exemple
Une étude du temps de réparation (en heures) d ’un appareil a donné les résultats suivants
Donner les indicateurs de la maintenance corrective de cet appareil en termes de MTTR, Mc50, Mc90
MTTR = 3.3178 h
28
Maintenance: Indicateurs fondamentaux
Exemple
29
Maintenance: Indicateurs fondamentaux
Exemple
30
Maintenance: Nivaux
Il existe une standardisation sur les niveaux de maintenance utilisables par exemple lors des contrats.
SRU: Shop Replaceable Unit, est une unité remplaçable en atelier. Ce sont des éléments d ’une unité
déposée qui peuvent être remplacées par des identiques dans un atelier de maintenance approprié.
31
Maintenance: Nivaux
Définitions simplifiées NF X60.501
- opérations de réglages
1. Premier niveau - remplacement de consommables
- reprises légères (peinture)
Toute action
Primaire
s ’effectuant - dépannage par échange standard
sur le matériel 2. Second niveau - contrôle de bon fonctionnement / inspections
- opérations mineures d ’entretien (graissage)
- concept de LRU
32
Maintenance
33
Comportement du matériel
Pour mettre en place une politique de maintenance et de gestion de risques, il importe de connaître
le comportement du matériel en service.
Défaillances par dérive: on voit progresser la dégradation (usure mécanique, augmentation de frottements,
augmentation de la valeur d ’une résistance, …). Elles se prêtent bien à la maintenance prédictive
conditionnelle.
34
Comportement du matériel
l(t)
vie utile t
vieillesse
jeunesse
35
courbe en baignoire
Exploitation de la courbe en baignoire pour la mainetenance
36
Comportement du matériel: relations entre le taux de défaillances
et la fonction de fiabilité
Soit T la variable aléatoire représentant la durée de vie d ’un matériel et F(t) sa fonction de répartition
F (t ) PrT t
Par hypothèse
d ’où
F (t dt ) F (t ) dF (t ) dF (t )
l (t )dt
1 F (t ) 1 F (t ) R (t )
t
F ( 0) 0
l ( u ) du
F (t ) 1 e 0
37
Comportement du matériel: relations fondamentales
t
l ( u ) du
F (t ) 1 e 0
t
l ( u ) du
R(t ) 1 F (t ) e 0
t
et donc calculer les indicateurs de performance
dF (t ) l ( u ) du
f (t ) l (t )e 0 de FMDS (RAMS) ; en particulier si on connaît
dt
la loi de probabilité de la variable T c ’est-à-dire F(t) ou f(t).
f (t )
l (t )
R(t )
MTBF E (T ) tf (t )dt R(t )dt
0 0
38
Comportement du matériel: quelques lois de probabilité de T
Loi exponentielle (loi à un seul paramètre): une variable aléatoire T suit une loi exponentielle de
paramètre l si sa densité de probabilité f(t) est donnée par
f (t ) le lt
d ’où
F (t ) 1 e lt
R (t ) 1 F (t ) e lt
1
MTBF R (t ) dt
0
l
39
Comportement du matériel: quelques lois de probabilité de T
Loi normale (loi à deux paramètres): une variable aléatoire T suit une loi normale de paramètres
Tm et s si sa densité de probabilité f(t) est donnée par
t Tm 2
1
f (t ) e 2s 2
d ’où s 2
t Tm
F (t )
s
avec
MTBF tf (t )dt Tm
2
t t
1 0
(t )
2
e 2
dt
sT s
(tables) 40
Comportement du matériel: quelques lois de probabilité de T
Loi de Weibull (loi à trois paramètres): une variable aléatoire T suit une loi de Weibull de paramètres
b, g et h si sa densité de probabilité f(t) est donnée par b 1
t g b
b t g
f (t ) exp
h h h
Fonction de répartition Taux de défaillances
b
t g b 1
F (t ) 1 exp f (t ) b t g
h l (t )
R(t ) h h 1
MTBF E (T ) g h1 g Ah
b
Fonction fiabilité
2
b 2 1
t g s T h 1 1 Bh
R (t ) exp b b
h
x
Les paramètres A et B
x t x 1e t dt
0
sont souvent tablés
Fonction eulérienne suivant les valeurs de b
de seconde espèce 41
Comportement du matériel: quelques lois de probabilité de T
42
Comment obtenir la fonction taux de défaillance
(ou l ’une des fonctions F(t), R(t), f(t)) ?
43
Approximation de la fonction de répartition
F(t) à partir des données observées
N dates de défaillances
F (t i )
N
Pour N < 50, on ordonne les temps de bon fonctionnement Ti de manière
décroissante
Rangs moyens: si 20 N 50 , la fonction de répartition à la date de Ti est F (Ti )
i
N 1
5% 5%
a1 F (t i ) a2
Distribution de F(ti)
45
Niveau de confiance de l ’approximation de
la fonction de F(t) ou R(t) par la méthode des
rangs médians: exemple
Bande de confiance
47
Estimation de F(t) ou l(t) par la méthode de l ’actuariat
et
t i t
H (t ) l (u )du l (u )du l (u )du
0 k 1 ti Construire
i
le tableau
l k t k li 1 t t i 48
k 1
Estimation de F(t) ou l(t) par la méthode de l ’actuariat
ni
t i t i 1 ni i
ci ci l t
k 1
k k 1 e H ( ti )
49
Estimation de F(t) ou l(t) par la méthode de l ’actuariat
Exemple
On considère les temps de défaillances et de censure de 17 éléments identiques (on choisit délibérément
de ne pas respecter la règle N > 50 pour faciliter de calcul) répartis en classes d ’amplitude 1000 heures.
On dispose des informations suivantes:
- 12 éléments ont fonctionné au moins 2000 heures,
- 5 défaillances ont été enregistrées avant 2000 heures de fonctionnement et le temps de bon
fonctionnement correspondant sont: 200 h, 850 h, 1200 h, 1300 h, 1500 h.
50
Estimation de F(t) ou l(t) par la méthode de l ’actuariat
Exemple
ni
t i t i 1 ni i
ci ci l t
k 1
k k 1 e H ( ti )
0 1000
2 16050 h 1.25 10 4 0.125 0.1175
1000 2000
3 13000 h 2.31 10 4 0.356 0.2995
et donc
Construire le tableau
53
Estimation de F(t) ou l(t) par la méthode des taux de
hasard cumulés
k (t i ) i
k (t i )
ti N (t i ) k (t i ) N (t i )
k 1 N (t i )
1 e H ( ti )
54
Ajustement graphique de la loi de Weibull
b 1 b
b t g t g
f (t ) exp
h h h
Il s ’agit de déterminer les 3 paramètres b, g et h de la loi de Weibull par les données d ’observation.
La détermination des paramètres b, g et h à partir des observations se fait graphiquement sur le papier
de Weibull qui comprend 4 axes:
- axe A: axe des temps sur lequel on reporte les temps ti de bon fonctionnement,
- axe B: porte F(t) sur lequel on reporte les valeurs F(ti) calculées par approximation
(fréquences cumulées, rangs moyens, rangs médians),
- axe a: correspond à ln(t),
- axe b: correspond à ln(ln(1/(1-F(t)))) et permet de déterminer la valeur de b.
55
Ajustement de la loi de Weibull: papier de Weibull
B F(t)
a
ln(t)
b b
56
Ajustement graphique de la loi de Weibull
Procédure de détermination de b, g et h
1) calculer F(ti) par l ’approximation appropriée (fréquences cumulées, rangs moyens, rangs médians, ..)
en pourcentage,
2) placer les points (ti, F(ti)) sur le papier de Weibull,
2.1) si ces points forment (à peu près) une droite D1 alors
-g=0
- l ’intersection de D1 avec l ’axe A donne h,
- la parallèle D2 à D1 passant par l ’origine (A = 1, a = 0) coupe l ’axe b en b
2.2) si ces points forment une courbe convexe ou concave alors g 0
- translater tous les points (de proche en proche) d ’une même valeur g pour obtenir
la droite D1, ou
- prendre 3 points sur la courbe équidistants sur l ’axe a ( ou sur l ’axe vertical
passant par (A = 1, a = 0) ) d ’abscisses t1, t2 et t3 et calculer g par t 22 t1t 3
g
2t 2 t1 t 3
et translater tous les points de la valeur précédente de g pour avoir la droite D1 et
procéder comme en 2.1). 57
Ajustement graphique de la loi de Weibull
Exemple
ti F(ti) ln(ti)
58
Ajustement graphique
de la loi de Weibull
Exemple
g 0, h 50, b 1.4
MTBF 4557.12 h
59
Estimation de l(t) par le nombre de survivants
Hypothèse: nombre d ’éléments assez élevé
N (t ) N 0 exp l (u )du
t
ou 0
61
Pourquoi déterminer l(t) ou F(t) ?
62
Amélioration de SdF
redondances majoritaires
Redondances actives
63
Amélioration de SdF
Redondances actives
Fiabilité à durée de mission fixée
Hypothèses: défaillances indépendantes, fiabilité des composants ou sous-systèmes déterminés pour
une durée de mission donnée, donc le facteur temps n ’intervient pas.
Architecture en série: on dit qu ’un système est en série du point de vue de la fiabilité si le
système tombe en panne dès qu ’un élément le composant tombe en panne.
C1 C2 …. Cn
n
R s Ri
i 1
Redondances actives
Fiabilité à durée de mission fixée
Architecture parallèle: on dit qu ’un système est en série du point de vue de la fiabilité si pour
que le système tombe en panne il faut que tous les éléments le composant tombent panne.
C1
C2
...
Cn
n
Rs 1 1 Ri
i 1
65
Amélioration de SdF
Redondances passives
Un seul élément fonctionne à la fois; les autres sont en attente.
C2
DC ...
Cn
Le calcul de la fiabilité se fait en tenant compte du temps ; pour cela il faut connaître la
fonction taux de défaillance lit ou la fonction fiabilité Ri(t) pour chaque composant.
66
Amélioration de SdF
On montre que si tous les composants ont le même taux de défaillant l constant alors
n 1 lt i
Rs (t ) exp l DC l t
i 0 i!
Exemple
n =2
67
Amélioration de SdF
Redondances majoritaires
Le signal de sortie est celui de la majorité des composants
C2 D
n
nk
n!
Rs RD C nk R k 1 R C
k
k!n k !
n
k c ...
Cn
Si D parfait alors RD = 1.
Exemple: n = 3, c = 2, RD = 1
R s 3R 2 2 R 3
Rs R R 0.5
68
Amélioration de SdF
Fonction maintenabilité
M (t ) PrTrep t
m (t )dt
dM
m (t )
1 dM
g (t ) MT TR tg (t )dt 1 M (t ) dt
1 M (t ) 1 M (t ) dt 1 M (t ) 0 0
t
m ( u ) du
M (t ) 1 e 0
69
Amélioration de SdF
g (t ) me mt
M (t ) 1 e mt
1
MT TR
m
ln(t ) m 2
1
g (t ) e 2s 2
st 2
ms
2
, s T2rep e 2 m s e s 1
MT TR E (Trep ) e
2 2 2
70
Evaluation des indicateurs de SdF
par les chaînes de Markov
Chaîne de Markov = Processus stochastiques à nombre d ’état fini ou dénombrable; nous ne considérerons que le cas fini
X k x1 , x 2 , ..., x n
n
p
j 1
ij 1
i (k ) PrX k i
p ij PrX k 1 j / X k i
1 2 ... n
( k ) ( 0) P k
71
Evaluation des indicateurs de SdF
par les chaînes de Markov
Un état j est accessible depuis l ’état i soit si i=j , soit s ’il existe dans le graphe de la chaîne au moins un chemin de i à j.
Si deux états i et j sont accessibles l ’un à partir de l ’autre, on dit qu ’ils communiquent et appartiennent
à une composante fortement connexe.
L ’ensemble de ces composantes constituent une partition du graphe et forme le graphe réduit.
Une classe est persistante si elle forme un sommet sans successeur du graphe réduit, dans le cas contraire
elle est dite transitoire.
Un état est persistant ou récurrent s ’il appartient à une classe persistante; transitoire s ’il appartient à une classe transitoire.
Une chaîne de Markov est irréductible si son graphe est fortement connexe; dans le cas contraire elle est réductible.
Un état est absorbant s ’il forme à lui seul une classe persistante. Une chaîne de Markov est absorbante si tous ses états
persistants sont absorbants.
Un état i est périodique de période d>1, si d est le plus grand diviseur commun des longueurs des circuits du graphe
représentatif passant par i; sinon il est dit apériodique. Les états d ’une classe ont tous la même période.
Une chaîne de Markov irréductible est périodique/apériodique si ses états sont périodiques/apériodiques.
73
Evaluation des indicateurs de SdF
par les chaînes de Markov
Chaîne de Markov à temps discret: comportement asymptotique
i 1
i* 1 mi = espérance (moyenne) du nombre de transitions
entre deux visites successives de l ’état i
74
Evaluation des indicateurs de SdF
par les chaînes de Markov
Chaîne de Markov à temps discret: comportement asymptotique
Soit {Xk} une chaîne de Markov irréductible et apériodique de distribution stationnaire * et f une fonction réelle définie
sur l ’espace des états de la chaîne. Alors on a:
k n
1
lim f (X l ) *
i f (i )
k k 1
l 0 i 1
presque sûrement.
Remarque: ce théorème permet d ’estimer des indicateurs à long terme d ’un système.
75
Evaluation des indicateurs de SdF
par les chaînes de Markov
Chaîne de Markov à temps discret: comportement asymptotique
P
0.00 0.00 0.80 0.20 0.04
0.05
0.20
1.00 0.00 0.00 0.00
2 4
0.05
5 1 3 1
*
8 4 32 32 0.90
Production moyenne par jour si la production dans chacun des états est: 1000, 750, 400 et 0 pièces respectivement ?
850 pièces 76
Evaluation des indicateurs de SdF
par les chaînes de Markov
Chaîne de Markov à temps discret: comportement asymptotique
Chaînes absorbantes
I 0
B NR I Q 1 R
Matrice fondamentale
P
R Q N I Q 1
La composante nij de la matrice N représente le nombre moyen de visites de l ’état transitoire j avant absorption sachant
que le processus débute dans l ’état transitoire i.
Ni = somme des termes de la ième ligne de la matrice N est le nombre moyen de transitions avant absorption en partant
de l ’état transitoire i.
La composante bij de la matrice B représente la probabilité d ’absorption par l ’état absorbant j sachant que le processus
débute dans l ’état transitoire i.
77
Evaluation des indicateurs de SdF
par les chaînes de Markov
Chaîne de Markov à temps discret: comportement asymptotique
Une entreprise utilise une machine dont l ’état d ’usure est l ’un des suivants: neuve (N), usée (U), très usée (T) et
inutilisable (I). Chaque jour passé dans l ’un des états rapporte respectivement 1000, 800, 400 et 0 unités monétaires.
Le processus de vieillissement de la machine est modélisé par une chaîne de Markov à temps discret (unité de temps le
jour) de matrice de transition P, les états sont notés dans l ’ordre N, U, T, I.
1) Quelle est la durée de vie moyenne d ’une machine neuve ?
2) Si le remplacement de l ’installation par une machine neuve coûte K unités monétaires et demande une journée complète
de travail, déterminer parmi les deux politiques suivantes, celle qui maximise le gain moyen à long terme de l ’entreprise.
Politique 1: Remplacer la machine dès qu ’elle est inutilisable
Politique 2: Remplacer la machine dès qu ’elle est très usée ou inutilisable 0.6 0.2 0.1 0.1
0.0 0.7 0.2 0.1
P
0.0 0 .0 0 .8 0 . 2
0.0 0.0 0.0 1.0
78
Evaluation des indicateurs de SdF
par les chaînes de Markov
Chaînes absorbantes: exemple
79
Evaluation des indicateurs de SdF
par les chaînes de Markov
Chaîne de Markov à temps discret: comportement asymptotique
Le fonctionnement d ’un dispositif industriel est décrit par 6 états: N (fonctionnement normal), P1 (panne de type 1),
P2 (panne de type 2), FA (fonctionnement approximatif), HS1 (système hors service de type 1) et HS2 (le système hors
service de type 2).
Si le dispositif est en N un matin, il a 80% de chances d ’ être en N, 15% d ’être en P1 et 5% d ’être en P2 le lendemain;
Si le dispositif est en P1 un matin, il a 50% de chances d ’ être en P1, 30% d ’être en N, 10% d ’être en HS1 et 10%
d ’être en FA le lendemain;
Si le dispositif est en P2 un matin, il a 30% de chances d ’ être en P2, 60% d ’être en FA et 10% d ’être en HS2 le lendemain;
Si le dispositif est en FA un matin, il a 80% de chances d ’ être en FA, 10% d ’être en P2 et 10% d ’être en HS2 le lendemain.
80
Evaluation des indicateurs de SdF
par les chaînes de Markov
Chaîne de Markov = Processus stochastiques à nombre d ’état fini ou dénombrable; nous ne considérerons que le cas fini
X t , t 0 Pour une chaîne de Markov à temps continu le temps de séjour dans un état i
suit une loi exponentielle de paramètre li où 1/ li est le temps moyen de séjour
X t x1 , x 2 , ..., x n dans l ’état i. li = 0 si i est un état absorbant; li > 0 si i est stable
et li = + infini si i est instantané.
i (t ) PrX t i
Une chaîne de Markov possédant un nombre fini d ’état est régulière en ce sens
qu ’avec probabilité 1, le nombre de transition effectuée durant un intervalle de
1 2 ... n
temps fini est fini.
81
Evaluation des indicateurs de SdF
par les chaînes de Markov
Chaîne de Markov = Processus stochastiques à nombre d ’état fini ou dénombrable; nous ne considérerons que le cas fini
1) lorsque le processus arrive dans un état i, il y reste pendant une durée aléatoire (éventuellement infini si
l ’état est absorbant) distribuée selon une loi exponentielle de paramètre li .
2) lorsque le processus quitte l ’état i (non absorbant) il choisit son nouvel état j (différent de i) avec la probabilité gij..
g ij
g ii 0 si i transitoir e
g ii 1 si i absorbant
82
Evaluation des indicateurs de SdF
par les chaînes de Markov
Chaîne de Markov = Processus stochastiques à nombre d ’état fini ou dénombrable; nous ne considérerons que le cas fini
A a ij
Comportement transitoire de la chaîne
l i si i j
a ij
l i g ij si i j
d (t )
(t ) A
n dt
a ij 0
j 1
(t ) (0)e At
n
i (t ) 1
La quantité -aii = li est appelée l ’intensité de passage hors de i. i 1
83
Evaluation des indicateurs de SdF
par les chaînes de Markov
lim i (t ) i () i*
t
*A 0
a ji *j li i* , i
j (i ) (i ) ensemble des parents de i
(i ) ensemble des enfants de i
n
1
* n
i 1
i
i 1
i* 1
84
Evaluation des indicateurs de SdF
par les chaînes de Markov
Déduire la matrice de la chaîne sous-jacente à partir de la matrice génératrice A et la mettre sous forme canonique
Calculer la matrice fondamentale N. Comme nij est le nombre moyen de transitions par l ’état transitoire j avant absorption
en partant de l ’état transitoire i et 1/lj le temps moyen de séjour dans l ’état j,
le temps moyen avant absorption en partant de i est
n ij
Ti abs
l
j transitoire j
Remarque: estimation de durée de vie, temps moyen de fonctionnement avant révision d ’un système, etc.
85
Evaluation des indicateurs de SdF
par les chaînes de Markov
Chaîne de Markov à temps continu: théorème ergodique
Tout processus irréductible ne possédant qu ’un nombre fini d ’états est ergodique en ce sens qu ’il est récurrent non nul.
Soit {Xt} un chaîne de Markov à temps continu ergodique et * sa distribution stationnaire. Soit f une fonction réelle
définie sur l ’espace des états et vérifiant
n
i 1
*
i f (i )
t n
1
lim f ( X u )du *
i f (i)
t t
presque sûrement 0 i 1
Remarque: ce théorème permet d ’estimer les performances d ’un système modélisé modélisé par une chaîne ergodique.
86
Evaluation des indicateurs de SdF
par les chaînes de Markov
Chaîne de Markov à temps continu
OK OFF
m
l = taux de pannes, 1/l = temps moyen de bon fonctionnement
X t OK , OFF
m = taux de réparation, 1/m = temps moyen de réparation
X = état du composant A(t ) OK (t ) PrX t OK
Le fonctionnement du composant permet un gain de g unités monétaires par unité de temps et sa réparation coûte c
unités monétaires par unité de temps. Quel est le gain moyen par unité de temps ? Condition de rentabilité ?
87
Evaluation des indicateurs de SdF
par les chaînes de Markov
Chaîne de Markov à temps continu
Exemple: composants non réparables en redondances passives
l
1) Déterminer la fonction fiabilité de ce système
DC
2) Quelle est la durée de vie moyenne de ce système ?
1
L1 1,
1
L1
e at ,
L1
1
1
1 e at Hypothèse: organe de détection
p p a p ( p a ) a
et de commutation parfait
L1
1
( p a) 2
te at ,
L1
1
p( p a) 2
1
a2
1 e at ate at
88
Evaluation des indicateurs de SdF
par les chaînes de Markov
Chaîne de Markov à temps continu
Une machine de production peut se trouver dans 4 états d ’usure différente. L ’état 1 correspond à une machine
fonctionnant correctement ; l ’état 4 à une machine inutilisable devant subir une révision complète; les états 2 et 3
dénotent des stades de dégradation croissante. Le temps moyen de séjour dans chacun des états est de 40 h, 40 h, 20 h et 10 h
respectivement. La matrice de transition de la chaîne sous-jacente est donnée par .
On voudrait déterminer les indicateurs suivants:
1) sur 1000 h de fonctionnement quel est le nombre moyen d ’heures pendant lesquelles la machine est en révision ?
2) le taux horaire moyen de production de la machine si le taux de production dans chacun des états est 1000, 750, 400 et 0
pièces respectivement.
3) Quel est le temps moyen de fonctionnement avant révision d ’une machine neuve ?
1 3 3 1
0.00 0.60 0.30 0.10 40 200 400 400
0.00 0.00 0.80 0.20
1 1 1
0.00
A
40 50 200
0.00 0.00 0.00 1.00 1 1
0.00 0.00
20 20
1.00 0.00 0.00 0.00 1 1
0.00 0.00 89
10 10
Outils d ’analyse pour la maîtrise
de risques: AMDEC
90
Outils d ’analyse pour la maîtrise
de risques: AMDEC
Méthodologie
Fonder un groupe de travail dont les outils seront
expériences des avaries mises en mémoire (banque de données)
décomposition du système
etc.
91
Outils d ’analyse pour la maîtrise
de risques: AMDEC
Tableau récapitulatif
(a) (b) (c) (d) (e) (f) (g) (h) (i) (j)
92
Outils d ’analyse pour la maîtrise
de risques: AMDEC
93
Outils d ’analyse pour la maîtrise
de risques: AMDEC
Matrice de criticité
Echelle d ’occurence
Très
Quasi
improbable (B) Improbable (C) Possible (D)
Classe de gravité impossible (A)
Grave (2)
94
Outils d ’analyse pour la maîtrise
de risques: AMDEC
Critère de disponibilité
E: arrêt de fonctionnement < t1
95
Outils d ’analyse pour la maîtrise de
risques: AMDEC
Probabilité
d ’occurrence Matrice de criticité à plusieurs entrées
1
A B C DD
H
Gravité
G
E zone critique
Disponibilité 96
Outils d ’analyse pour la maîtrise de
risques: AMDEC
...
L ’analyse AMDEC peut être complétée par les arbres de défaillances et de maintenance
97
Outils d ’analyse pour la maîtrise de
risques: Arbres de défaillances
Cette analyse permet
d ’améliorer la conception d ’un système
de faire un diagnostic rapide
de prévoir une meilleure logistique
Pour établir cet arbre, il est utile de s ’aider d ’une analyse AMDEC
Analyse déductive
partir d ’une défaillance présumée (racine de l ’arbre)
rechercher toutes les causes élémentaires (feuilles de l ’arbre) ou agencement de causes
pouvant conduire à la défaillance présumée
Possible d ’ attribution d ’une classe de probabilité à chaque événement: recherche
de chemin critique
Calcul
algèbre de Boole
calcul des probabilité
réseaux bayésiens
98
Outils d ’analyse pour la maîtrise de
risques: Arbres de défaillances
Symboles
E Y
X1
E
t X2 X1
E
X3 X2
ET X3
E X1 Y
X2 E X1
X3
Y
E
X2
OU X3
SI
OU avec CONDITION
99
Outils d ’analyse pour la maîtrise de
risques: Arbres de défaillances binaires
X1
PrX i
Probabilité à priori ou marginale
X2 pour les nœuds sans parents
…..….
Pr X i / ( X i )
Probabilité conditionnelle
Xi Xk pour les nœuds ayant des parents
2) Si le système fonctionne, quelle est la probabilité pour chacun des composants d ’être OFF ?
102
Outils d ’analyse pour la maîtrise de risques:
Arbres de défaillances à plusieurs états
OK OK 0.995
C1 C2 S OK OFF 0.98
OK OK OK OFF OK 0.92
OK OFF OK OFF OFF 0
OFF OK OK
PrS OFF / C1 , C2 1 PrS OK / C1 , C2
OFF OFF OFF
PrS k PrS k / C1 i, C 2 jPrCi iPrC 2 j
i, j 103
Outils d ’analyse pour la maîtrise de risques:
Arbres de défaillances à plusieurs états
0.995 0.5 0.5 0.98 0.5 0.5 0.92 0.5 0.5 0.00 0.5 0.5
0.7238 72.38 %
104
Outils d ’analyse pour la maîtrise de risques:
Arbres de défaillances à plusieurs états
105
Outils d ’analyse pour la maîtrise de risques:
Arbres de défaillances à plusieurs états
Structure Paramètres
Pr BN (t ) / ( BN (t )), BN (t 1), BN (t 2), ...
BN(t-k) ….. BN(t-1) BN(t)
….
chaque composant (incertitude totale). Chaque composant a un taux de défaillance de li pannes par unité de temps.
107
Outils d ’analyse pour la maîtrise de risques:
Arbres de défaillances à plusieurs états
Approche par réseaux bayésiens (dynamiques): exemple
P1 e A1
C1(t) C2 (t) PrS (t ) OK / C1 (t ), C2 (t )
C1(t-1) C1(t)
P2 e A2 OK OK 0.995
C2(t-1) C2(t)
OK OFF 0.98
OFF OK 0.92
s(t-1) s(t) OFF OFF 0
110
Outils d ’analyse pour la maîtrise de risques:
Arbres de défaillances à plusieurs états
111
Application de l ’inférence en RBD: Aide à la décision par simulation
Diagnostic, Pronostic, ….
O = ensemble des nœuds dont l ’état est observé (symptômes) à chaque instant t
Déterminer l ’état probable X*(t) d ’un nœud caché X à l ’instant t étant donné O(t) pour t1 t t 2
X * (t ) arg max x PrX (t ) x / O(t ), t1 t t 2
Intervenir si Pr X (t 0 t ) C ( X ) / w(t ) 1 g , 0 g 1
t ( ) inft Pr X (t 0 t ) C ( X ) / w(t ), t 0 t T 1 , 0 1
Temps moyen de séjour dans un état i à partir d ’un état j (temps moyen de
fonctionnement approximatif)
….
113
Outils d ’analyse pour la maîtrise de
risques: Arbres de maintenance
Bon Mauvais E
M
ETAPE
TEST
Symboles CONTROLE
R C
REGLAGE
REPARATION CONTROLE
114
Outils d ’analyse pour la maîtrise de
risques: Arbres de maintenance
Pas de lumière
Exemple
alimentation
Remplacer Rétablir
fusibles alimentation Contrôler
Contrôler Contrôler
115
Outils d ’analyse pour la maîtrise de
risques: Analyse ABC ou de Pareto
Méthodologie
classer les pannes par ordre décroissant de coût, chaque panne se rapportant à une
rubrique ou machine
construire le tableau
ci: coût des pannes par machine classé par ordre décroissant
116
Outils d ’analyse pour la maîtrise de
risques: Analyse ABC ou de Pareto
Méthodologie
117
Outils d ’analyse pour la maîtrise de
risques: Analyse ABC ou de Pareto
100%
95%
80%
A B C
118
Outils d ’analyse pour la maîtrise de
risques: Analyse ABC ou de Pareto
prévision des stocks de pièces de rechange avec une plus grande attention
Zone B
moins exigeant
Zone C
pas de maintenance préventive
119
Outils d ’analyse pour la maîtrise de
risques: Analyse ABC ou de Pareto
Exemple
Un système industriel est composé de 10 éléments fondamentaux. Afin de déterminer les éléments qui causent le
plus d'indisponibilité du système, une étude des pannes des différents éléments a été réalisée pendant une année
dont le résultat est donné par le tableau ci-dessous.
Exemple
121
Outils d ’analyse pour la maîtrise de
risques: Analyse ABC ou de Pareto
Exemple
E: 110 - 208 - 170 - 190 - 155 - 230 - 340 - 150 - 160 - 195 - 280 - 250 (heures)
I: 55 - 40 - 70 - 120 - 150 - 270 - 200 - 190 (heures)
122
Maîtrise de risques par la Gestion des pièces
de rechange
A prévoir
quantité à commander
dates de réapprovisionnement
En minimisant
coût de passation de commandes ou coût d ’acquisition
varie en fonction du nombre de commandes
occasionne des frais dans les services
• service achat
• service gestion des stocks
• service réception (contrôle qualité)
• service magasin
• service comptable
Paramètres
K: consommation annuelle prévisionnelle (en nombre)
124
Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique
Stock
moyen
Q/2
Stock de
sécurité
Ss
T1 T2 T3
Q
CT KPu Ca N Pu i
Coût
2
total K Q
KPu Ca Pu i
Q 2
Coût
Coût de possession
d ’achat
Coût
d ’acquisition
125
Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique
dCT KC 1 2 KC a
2a Pu i 0 Qe
dQ Q 2 Pu i
1 an Qe 12Qe
T0 années mois
N K K
126
Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique
127
Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique
Stock d ’alerte, Sa
T1 T2 T3
Délai d ’approvisionnement, d
128
Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique
Méthode du point de commande
Premier cas: la sortie des matériels est gaussienne et les fluctuations du délai
négligeable devant celles des sorties
(k ) 1 a
Consommation Stock de sécurité
moyenne pendant pendant le délai
Probabilité de
le délai rupture de stock
129
Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique
Méthode du point de commande
Stock d ’alerte ?
130
Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique
Méthode du point de commande
Deuxième cas: la sortie des matériels suit une loi de Poisson (faible sortie, P(X = 0) n ’est pas nulle; la
moyenne de sorties m est sensiblement égal à la variance
k
e M M x
- X: nombre de sorties par unité de temps PrX k
x 0 x!
- m : moyenne des sorties par unité de temps
- M = md: moyenne des sorties durant la période de risque
131
Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique
Méthode du point de commande
Mois Quantité
janvier 1
Deuxième cas (loi de Poisson) février 1
mars 0
avril 1
mai 0
juin 1
Exemple juillet 1
septembre 0
octobre 1
novembre 0
- délai d ’approvisionnement, 1 mois décembre 0
- risque de rupture, 5%
Stock d ’alerte ?
132
Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique
Inconvénient
stock d ’alerte périodiquement calculé en fonctions des variables délai et consommations
133
Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique
Qc C d T0 M
134
Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique
Inconvénients
risque accru d ’avoir une rupture de stock en cas d ’augmentation brusque de consommation
135
Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique
Le risque de rupture de stock est d ’autant plus grand que la période couverte est longue
136
Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique
137
Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique
Stock moyen
aQ
T
1 a 2Q
T 0
Q(T )dT
2
r r
aT r aT aT
3T
T 2T
138
Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique
Stock moyen
Le nombre de pièces manquantes
T varient de 0 à (1-a)Q
1 a 2Q
T 0
Q(T )dT
2
(1-a)Q
139
Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique
Coût Coût
KC a Q (1 a) 2
total CTr KPu a Pu i
2
QW de pénurie
réel Q 2 2
Coût Coût
d ’achat Coût de possession
d ’acquisition
Quantité économique
Taux de pénurie optimale
CTr 2 KC a
CTr W 0 Qe
0 a Q a 2 Pu i (1 a) 2 W
a Pu i W
Pu i i
1 a
Pu i W W 2 KC a W Pu i
i Qe
Pu
Pu i W
140
Maîtrise de risques par la Gestion des pièces
de rechange: modèle à une période
C(D, Q) = - cuQ + termes ne dépendant pas de Q si D >= Q+1, cu est le coût unitaire de
sous - stockage (understocking cost)
Si D >= Q, le passage de Q à Q+1 diminue le coût de cu, la variation moyenne du coût total
est alors 2 E(Q) cu Pr(D Q)
141
Maîtrise de risques par la Gestion des pièces
de rechange: modèle à une période
soit
cu
Q * inf Q : Pr(D Q)
co cu
142
Maîtrise de risques par la Gestion des pièces
de rechange: modèle à une période
cu
co cu
Q* = première valeur
rencontrée après celle - ci
143
Maîtrise de risques par la Gestion des pièces
de rechange: modèle à une période
La consommation annuelle d ’une pièce de rechange est distribue suivant le tableau suivant. On considère
que les pièces non consommées sont obsolètes l ’année suivante et le coût de pénurie par pièce est estimée à 4 fois
le coût d ’achat de la pièce. Combien de pièces faut il commander au début de l ’année ?
consommation probabilité
100 0,3
150 0,2
200 0,3
250 0,15
300 0,05
144
Maîtrise de risques par la Gestion des pièces
de rechange: modèle à une période
Le résultat précédent reste valable même si le bien géré est une matière continue (fuel, huile, …)
et dans ce cas il existe une unique valeur Q* telle que
cu
Pr(D Q*)
c o cu
cu
co cu
Q*
145
Maîtrise de risques par la Gestion des pièces
de rechange: modèle à une période
Exemple
Le responsable de maintenance d ’un atelier de production doit déterminer au début de chaque mois,
quelle quantité d ’une matière entrant dans la maintenance d ’une machine faut - il commander.
Le coût total d ’achat d ’une unité de cette matière est ca.
A la fin du mois la quantité non consommée est perdue et le coût de l ’immobilisation de la machine suite
au manque de cette matière est estimée à ci unités monétaires par unité de matière manquant avec ci> ca .
On estime que la consommation mensuelle de cette matière suit une loi normale de moyenne 50 et
d ’écart-type 10. Quelle est la quantité optimale à commander chaque mois ?
146
Maîtrise de risques par la Gestion des pièces
de rechange: modèle à une période
DQ
ca Q c a (Q D) 2c a Q c a D co 2c a 400
DQ
achat immobilisation total
(c a c i )Q c i D (c i c a )Q c i D
ca Q ci ( D Q) c u c i c a 50
147
Maîtrise de risques par la Gestion des pièces
de rechange: modèle à une période
cu ci c a c ca 50 1
Q * inf Q : Pr(D Q) i 0.11
c o c u 2c a c i c a c a c i 450 9
On a D D Q * D
Pr 0.11
s s
Donc Q * D
1.23 Q* D 1.23s 37.7
s
148
Maîtrise de risques par la Gestion des pièces
de rechange: modèle Markovien
Exemple
L ’état du système est donné par Xk le niveau du stock et des demandes non satisfaites au début de la semaine k.
X k 2, 1, 0, 1, 2, 3 0 1 1 2 3 3
0 1 1 2 3 3
Niveau moyen du stock réel ? 1 0 1 1 2 3 3
P
Probabilité de rupture de stock (demande en attente) ? 10 0 1 1 2 3 3
1 1 2 3 3 0
Coût lié aux commandes suivant l ’état i du système c(i) ?
Coût lié à la gestion (stock + pénurie) suivant l ’état i du système g(i) ? 0 1 1 2 3 3
Coût moyen hebdomadaire de réapprovisionnement et de gestion ?
*
1
3 10 13 23 30 21
100
c 12 10 8 6 0 0
g 8 4 0 2 4 6
150
Maîtrise de risques par un remplacement
préventif
Hypothèse: distributions des durées de vie connues
Modèle ARP (Age Replacement Policy): remplacer un composant par un neuf au coût
c1 dès qu ’il atteint l ’âge T; une défaillance avant l ’âge T entraîne un coût de
défaillance c2 (coût de remplacement par un neuf + perte de production)
R(t )dt
0
c1 R (T ) c 2 1 R (T )
C (T ) T
R(t )dt
0 151
Maîtrise de risques par un remplacement
préventif
Modèle ARP (Age Replacement Policy): choix de la politique (préventif versus
correctif)
Coût du préventif c1 R (T ) c 2 1 R (T )
C (T ) T
R(t )dt
0
R(t )dt c1
0
1 (a 1) R (T ), a
c2
R(t )dt
0
y (T ) 1 (a 1) R (T ) a (1 a ) F (T ) 152
Maîtrise de risques par un remplacement
préventif
Modèle ARP (Age Replacement Policy): choix de la politique (préventif versus
correctif)
y(T)
a T T0 F 1 (a )
F(T)
1
T T0 0
153
Maîtrise de risques par un remplacement
préventif
Modèle du remplacement périodique
Modèle de Base: un composant est changé au coût c1 avec périodicité T quelque soit son
âge; si une défaillance survient au cours de la période T, un remplacement sous défaillance
est effectué au coût c2 > c1
m(T): nombre moyen de défaillances au cours du cycle T
c1 c2 m(T )
C (T )
T
T
m(T ) 1 m(T t ) f (t )dt
0
154
Maîtrise de risques par un remplacement
préventif
Modèle du remplacement périodique
Modèle BH (Barlow & Hunter) de la réparation minimale: approximation du modèle de base
Une défaillance brutale est corrigée par une réparation minimale (une réparation qui ne modifie pas
le taux de défaillance du matériel)
Le nombre de défaillances par cycle est égal au nombre de réparations minimales défini par la
fonction hasard cumulé T
H (T ) l (t )dt
0
c1 c2 H (T )
C (T )
T
Dans le cas de la loi de Weibull avec g = 0 et b > 1
1
c1 c 2 b T b
h
b b
1
H (T ) b T b C (T ) c1h c 2T
h T h bT
Périodicité optimale 1
dC(T ) c1 b
0 Topt h
dT 2
c b 1
D ’autres modèles existent 155
SdF: bibliographies
Hêche J.-F., Liebling T.M. et Werra (de) D. (2003), Recherche Opérationnelle pour
Ingénieurs II, Presses Polytechniques et Universitaires Romandes
156
Annexe
Tables de paramètres A et B de la loi de Weibull
b A B
157
Annexe
Tables de paramètres A et B de la loi de Weibull
b A B
158
Annexe
Tables de paramètres A et B de la loi de Weibull
b A B
159
Annexe
Tables de a1 de la méthode des rangs médians en %
160
Annexe
Tables de a1 de la méthode des rangs médians en %
161
Annexe Tables de a1 de la méthode des rangs médians en %
162
Annexe
Tables de a2 de la méthode des rangs médians en %
163
Annexe
Tables de a2 de la méthode des rangs médians en %
164
Annexe
Tables de a2 de la
méthode des rangs
médians en %
165