Chapitre III : Processus de défaillances des systèmes réparables

Si un système peut être réparé, remplacé, ou restauré à son état initial après une défaillance, il
est considéré un système réparable. Si la durée de la réparation ou la remise en état est
négligeable, le temps de fonctionnement du système est alors constitué d’une séquence
d’intervalles de temps de bon fonctionnement qui obéissent à une certaine loi de probabilité.
Ces évènements ponctuels dans le temps forment un processus aléatoire ponctuel. Un
processus aléatoire ponctuel est formé d’évènements ponctuels : défaillance/réparation, qui
sont repartis d’une manière aléatoire sur l’axe continu du temps.

La figure ci-dessous présente un processus aléatoire ponctuel. Dans ce processus, chaque

évènement (défaillance suivie d’une réparation) a une durée négligeable.

Soient T1, T2, les instants du temps des évènements (défaillance/réparation) ; Tk est l’instant

correspondant à la kème évènement; et T0  0.

La variable aléatoire Xk Tk Tk1 est l’intervalle du temps entre la défaillance k 1 et la

défaillance k . On a donc
k
Tk   Xi
i 1
et on présentera ci-dessous les formules suivantes :
k
E(Tk )   E( X i )
i 1
k
Var (Tk )  Var ( X i ) (Si les variables sont indépendantes)
i 1

1 
 
où E(X i ) est la moyenne de X i . On s’intéresse aussi à déterminer la loi de probabilité de Tk

qui dépend de la loi de probabilité de X i . Cette loi de probabilité peut dans certains cas (les

cas de loi exponentielle et la loi normale) être déterminée si le temps entre défaillances forme
un processus de renouvellement dans lequel la réparation rétablit le système à son état initial.

On s’intéresse également à déterminer la loi de probabilité de la variable aléatoire discrète (à

valeurs entières) N(t ) , noté aussi N (0, t), qui représente le nombre de défaillances dans
l’intervalle (0, t) .

3.1 Processus de renouvellement

Dans un processus de renouvellement, les variables sont supposées indépendantes et ont des
lois de probabilité identiques. Cette hypothèse est cohérente avec la supposition que l’unité
est rétablie à son état initial après réparation.

Fonctions linéaire de variables aléatoires

Soit la variable aléatoire

Y  X1  X 2   X n
La moyenne de Y est

E(Y)  E( X1)  E( X 2 )   E( X n )
Si les variables aléatoires aléatoires Xi sont indépendantes

V (Y)  V ( X1)  V ( X 2 )  V ( X n )

Si les variables aléatoires aléatoires X i ont une même moyenne et une même variance ; qui

est le cas si elles ont une même loi de probabilité,

E( X i )   ; i 1,, n

V(X i )  2 ; i 1,, n
Alors
E(Y )  n 
V (Y )  n 2

2 
 
Propriété d’additivité de la loi normale

Toute somme de variables aléatoire de lois normales est elle-même une variable aléatoire de
loi normale.

Soit n variables aléatoires indépendantes, notées X1, X 2 , , X n , , telle que

X i N (i , i2); i 1, 2,, n.. Alors la variable aléatoire Y définie par
Y  X1  X 2   X n est telle que Y  N( Y , Y2 ) ;
où
 Y  1  2   n
et
 Y2  12  22  n2
Si les variables X1, X 2 , , X n , sont des variables qui ont une même loi normale, soit

X i  N(,  2); i 1, 2,, n , alors,

 Y  1  2  n  n 
et

 Y2  12  22 n2  n 2 .

où  est la moyenne de la durée de vie et  est son écart type.

Y  N ( n , n 2 )

Pour un processus de renouvellement, si X i  N(, 2); i 1, 2,, k

E (Tk )  k E( Xi )  k
et

var(Tk )  k var( Xi )  k  2

T k  N(k, k  2)

3 
 
Le théorème central limite

La somme de n variables aléatoires indépendantes (qui satisfont à certaines conditions

générales) obéit approximativement à une loi normale lorsque n est suffisamment grand.

Soit X1, X 2 , , X n , une suite de n variables aléatoires indépendantes telles que

 i  E( X i ) ; i 1,, n

 i2 V(X i ); i 1,, n

Soit la variable aléatoire

Y  X1  X 2   X n

alors (dans certaines conditions générales), lorsque n tend vers l’infini, la variable Y obéit
approximativement à une loi normale

N (1  2  n ,  12 22 n2) .

Somme des variables identiquement distribuées

Si

E( X i)   ; i 1, 2,, n.
et
V ( X i)   2  0; i 1, 2,, n.

et si n est assez grand, la variable aléatoire Y  X1  X 2   X n obéit approximativement

à une loi normale

Y  N(n , n 2) .
Puisque Tk est la somme des variables aléatoires indépendantes et identiquement distribuées,

et d’après le théorème de la limite centrale et pour un nombre élevé k , Tk a

approximativement une distribution normale de moyenne k  et d’écart type  k ,

 t  k 
Pr Tk  t    
 k 

4 
 
L’approximation dans l’équation ci-dessus est valable pour k  30 bien qu’une valeur plus

faible de k est acceptable si la distribution de X i est approximativement symétrique. Ce

résultat pourrait apparaitre peu utile car souvent on s’intéresse à la distribution de Tk pour de

faibles valeurs de k . Cependant, si la distribution de X i est normale, Ti a une distribution

normale quelques soit la valeur de k et l’égalité dans l’équation ci-dessus est exacte.
Exemple 1

Une ligne de production présente plusieurs défaillances telles que des bourrages, des fuites de
lubrifiant et des défauts d’alignements. Le temps de défaillances a une distribution de Weibull

de paramètres   0.5 et  1.5 heure. Le taux de défaillances décroissant est compatible

avec l’observation que si la ligne va subir une défaillance, cette défaillance aura lieu
probablement immédiatement après le démarrage de la ligne. Le plus longtemps la ligne est
en fonctionnement, le plus probable qu’elle continue à fonctionner sans défaillances dues au
fonctionnement. Supposons que la réparation prend la forme d’un renouvellement, quelle est
la probabilité que la kème défaillance se produit avant le temps t.

Réponse

On calcule d’abord la moyenne et l’écart types correspondants à la loi de Weibull. Soit

 = 3 heures et   6.71 heures.
La probabilité que la kème défaillance se produit avant le temps t est

 t  k  (3) 
Pr Tk  t    
 6.71 k 
Ce résultat est valable pour une valeur élevée de k (approximativement supérieure à 30).

Exemple 2
Un outil de coupe a une durée de vie de distribution normale de moyenne 5 heures de
fonctionnement et d’écart type 1 heure. Neuf outils de rechange sont disponibles pour un
temps de production de 40 heures. Déterminer la probabilité (la fiabilité) de compléter la
production avec les outils disponibles.

Réponse
 t  9(5) 
Pr T9  40  1      0.95254
 (1) 9 

5 
 
Convolution de variables aléatoires continues

Si X et Y sont deux variables aléatoires continues indépendantes de densités respectives f et g ,

la densité de probabilité h de Z = X + Y est donnée par le produit de convolution f  g

h (t )  f (t )* g (t )

 f (t  ) g ( )d


 f ( ) g (t  )d


 g (t )  f (t )

Ce résultat se généralise à la somme de n variables aléatoires indépendantes, X1, X 2 , , X n .

Si, f1, f 2 , , f n , sont les densités de probabilités de X1, X 2 , , X n , alors la densité de

n

probabilité de S n  Xi est f1  f 2  f n . Cependant pour les applications, on écrit

i1

n1
S n  Xi  Xn  S n1  Xn et on procède par induction.
i1

Exemple : Somme de lois exponentielles

Si X et Y suivent des lois exponentielles indépendantes de même moyenne 1/  , la densité de

probabilité de la somme Z = X + Y des deux variables aléatoires

t t t
h (t )  ( f * g )(t )   f (t  ) g ( )d  e (t  )e d   2et d  2t et
 0 0

Par induction, on montre que la densité de la somme de n variables aléatoires d’une

distribution exponentielle de même moyenne 1/  est donné par

 et ( t )n1  et ( t )n1  n t n1et

f (t )    ; n  1, 2,
(n 1)! (n) (n)

6 
 
Pour t > 0. Cette densité est dite loi de Gamma de paramètres   et n. Le processus aléatoire,
dans ce cas, est appelé processus de Poisson (homogène).

La fonction de répartition de cette somme de n variables, Y, est


( t ) j t
F Y (t )  P(Y  t )  F (n) (t )   e
j n  ( j  1)
et
n1
( t ) j t n1 ( t ) j t
R Y (t )  1  FY (t )  P(Y  t )   e  e
j 0 ( j  1) j 0 j!

Si Y est une variable aléatoire de distribution Gamma de paramètres   et n. La moyenne

  E(Y )  n / 

et la variance

 2  V (Y )  n /  2

Densités de probabilité de loi de Gamma pour différentes valeurs de  et n (le symbole r est
utilisé dans la figure au lieu de n)

FY (t ) , on peut utiliser la relation suivante :

Pour calculer

Pr  N(t )  k  Pr Tk  t  F (k ) (t)

ou

7 
 
 k 1
(t )i
Pr Tk  t  Pr  N (t )  k  1  e t 
i 0 i!

k 1
( t ) i
Pr Tk  t  Pr  N (t )  k  e t 
i 0 i!

Exemple 1

Les défaillances des processeurs des grands ordinateurs sont souvent modélisées par un
processus de Poisson (homogène). Typiquement, les défaillances ne sont pas causées par
l'usure des composants mais plutôt par les défaillances aléatoires du grand nombre de circuits
de semi-conducteurs dans les processeurs. Supposons que les processeurs qui subissent des
défaillances sont immédiatement réparés et supposons que le nombre moyen de défaillances
par heure est de 0,0001. Soit Y le temps jusqu'à la quatrième défaillance. Déterminer la
probabilité que Y dépasse 40 000 heures.

Soit la variable aléatoire N qui représente le nombre de défaillances en 40 000 heures de

fonctionnement. Le temps jusqu'à la quatrième défaillance dépasse 40 000 heures si et
seulement si le nombre des défaillances dans 40 000 heures est trois ou moins. Donc,

P(Y > 40 000) = P(N ≤ 3)

L'hypothèse que les défaillances suivent un processus de Poisson implique que N a une
distribution de Poisson avec

E(N) = λT = 0,0001(40 000) = 4 pannes par 40 000 heures.

Donc,
k 1
( t )i 4 1
(4)i
P(Y > 40 000) = P(N ≤ 3) =  e  t   e 4   0.433
i 0 i! i 0 i !

Exemple 2

Le temps de préparation d’une lame pour étudier le génome est un processus de Poisson de
moyenne de deux heures par lame. Quelle est la probabilité que le temps de préparation de 10
lames dépasse 25 heures?

8 
 
Soit Y le temps de préparation de 10 lames. À cause de l'hypothèse d'un processus de
Poisson, Y a une distribution Gamma de paramètres λ = 1/2, et k = 10, et la probabilité
demandée est
P(Y > 25) ; soit t = 25 heures.

La probabilité peut être obtenue en utilisant la formule suivante

k 1
( t ) i 10 1
(12.5)i
P(Y > t) = P(Y > 25)  e  t   e 12.5   0, 2014
i 0 i! i 0 i!

Quels sont la moyenne et l'écart type du temps de préparation de 10 lames ?

La moyenne est

E(Y) = k ⁄ λ = 10 ⁄ 0.5 = 20 heures

La variance est

V(Y) = k ⁄ λ2 = 10 ⁄ 0,52 = 40 (heures)2.

L'écart type est de 401/2 = 6,32 heures.

Les lames seront complétées en combien de temps avec une probabilité égale à 0,95 ? La
question demandée est de trouver t tel que

P(Y ≤ t) = 0,95

où Y suit une loi de Gamma de paramètres λ = 0,5 et k = 10. En utilisant un logiciel (par
exemple, Minitab), on choisit la fonction de probabilité cumulée inverse de la loi de Gamma
et ont définit le paramètre de forme à 10, le paramètre d'échelle à 0,5 et la probabilité à 0,95.
La solution est
P(Y ≤ 31,41) = 0,95

On trouve la valeur t = 31.41 heures.

Interprétation pratique : Sur la base de ce résultat, un calendrier qui laisse 31,41 heures pour
préparer 10 lames doit être suffisant 95 % de fois.

9 
 
Utilisation de la transformée de Laplace (Cette partie est optionnelle)

On peut aussi trouver la densité de probabilité de la loi de Gamma en utilisant la transformée

de Laplace.

h (t )  f (t )* g (t )  f (s)  g (s)

1 
 et   
s s
2
  
e  t
 e  t
 
 s 

La somme de n variables qui suivent une même loi exponentielle a une densité de probabilité

n
 t  t     n t n1 et  n t n1et
e  e    
 s  (n  1)! (n)

Il s’agit de la loi de probabilité Gamma.

On peut aussi trouver la fonction de répartition de la somme des variables aléatoires de la

manière suivante. La transformée de Laplace de la fonction de répartition d’un seule variable
aléatoire exponentielle est

1 
1  et 
s s
n
 t 1    t
(1  e )  (1  e )   
 s s 
n
1   
(t ) j t
  F (t )  
( n)
 e
 s s  j n ( j  1)

10 
 
Notions de variables aléatoires discrètes

On s’intéresse dans ce chapitre à étudier le nombre de défaillances/réparations N (t ) pendant

un intervalle du temps (0, t ) . N (t ) est une variable aléatoire discrète.

On associe à une variable aléatoire discrète X, une probabilité à chaque valeur discrète xi ,

f ( xi )  P( X  xi )
f ( xi )  0
n

 f (x )  0
i 1
i

La fonction f ( xi ) constitue la fonction de masse (de probabilité de la variable aléatoire X).

La figure ci-dessous montre un exemple d’une fonction de masse.

La probabilité que la variable X prend une valeur inférieure ou égale à xi est

F ( x)  P( X  x)   f (xi )
xi x

Pour une variable discrète X, F ( x)   a les propriétés suivantes :

P(a  X  b)  P( X  b)  P( X  a)  F (b)  F (a)

f ( xi )  F ( xi )  F ( xi 1 )
0  F ( x)  1

Si x  y , alors F ( x)  F ( y) .

La figure ci-dessous montre un exemple d’une fonction F ( x)

11 
 
Moyenne et variance d’une variable aléatoire discrète

La moyenne ou l’espérance de la variable aléatoire discrète X , notée   ou  E ( X ) ,

  E ( x)   x f ( x)  
x

La variance de la variable aléatoire discrète X , notée  2  ou  V ( X )

 2  V ( X )  E ( X   ) 2   ( x   ) 2 f ( x)   x 2 f ( x)   2  
x x

L’écart type de X  est    2 .

Application à un Processus aléatoire : Nombre de défaillances pendant une durée du temps

Un processus stochastique peut aussi être caractérisé par le nombre de défaillances dans
l’intervalle (0, t ) . Soit N (t ) une variable aléatoire discrète qui représente le nombre de

défaillances cumulées qui se produisent dans l’intervalle (0, t ) . N (t ) est représenté sur l’axe
des ordonnées dans la figure ci-dessus (au début du chapitre). Cette variable a les propriétés
suivantes

Pr  N (t )  0  Pr T1  t

Pr  N(t )  k  Pr Tk  t  F (k ) (t)

Pr  N (t )  k  Pr  N (t )  k  Pr  N (t )  k 1
 Pr Tk 1  t  Pr Tk  t
 Pr Tk  t  Pr Tk 1  t
 F (k ) (t )  F (k 1) (t ) pour k  1,2,

Pr  N (t )  k  F (k ) (t )  F (k 1) (t ) pour k  1,2,

Cette relation est fondamentale car elle établit une relation entre la probabilité de la variable
discrète N(t) et la variable continue T k .

Pour une valeur élevée de k, on peut utiliser l’approximation suivante

 t  k   t  (k 1) 
Pr  N (t )  k        pour k  1,2,
 k    k 1 

12 
 
Exemple 3 (suite de l’exemple 2)

Le temps de défaillance a une distribution normale de moyenne 5 heures et d’écart type 1

heure. Exprimer la distribution du nombre de défaillances pour les 12 premières heures de
fonctionnement et la moyenne de nombre de défaillances en 12 heures de fonctionnement.

Réponse
 12  5 
Pr  N (12)  0  Pr T1  12  1     1   7  0
 1 
 12 10 
Pr  N (12)  1  Pr T2  12  Pr T1  12  1     0  1  1.414  0.07927
 2 

 12 15    12 10 
Pr  N (12)  2  Pr T3  12  Pr T2  12  1  
 1   
 3    2 
  1.732  1.414  0.87891
Continuant de la même manière
Pr  N (12)  3  0.04179

Pr  N (12)  4  0.00003

Pr  N (12)  5  0
La moyenne du nombre de défaillances est

   k Pr  N (12)  k approximativement égale à 1.96 défaillances.
k 1
 

3.2 Processus de Poisson Homogène

Si la distribution des temps Xi est une distribution exponentielle de paramètre , la

distribution de Tk est une distribution Gamma de paramètres  et k , soit

k 1
( t )i
Pr Tk  t  1  e  t

i 0 i!

La moyenne de Tk  

E (Tk )  k /   k    

et la variance de Tk est

V (Tk )  k /  2  k   2

13 
 
La distribution de la probabilité du nombre de défaillances dans l’intervalle (0, t ) , N (t ) est
obtenue en appliquant l’équation ci-dessus

Pr  N (t )  j  p j (t )  Pr T j 1  0  Pr T j  0
j
( t ) i j 1
( t ) i ( t ) j
 e  t   e  t   e  t
i 0 i! i 0 i! j!
Donc,
( t ) j
Pr  N (t )  j  e t
j!

L’équation ci-dessus correspond à une loi de probabilité de Poisson de moyenne  t . La loi de

Poisson est une loi de probabilité à variable discrète. Dans ce cas, la variable N (t ) ne prend
que des valeurs entières positives. Ce processus de renouvellement est appelé Processus de
Poissons Homogène (PPH) car dans ce cas  est constante. Un processus de Poisson est un
processus ponctuel dont les intervalles entre évènements successives sont des variables
aléatoires indépendantes et dont la distribution est exponentielle. L’espérance du nombre de
défaillances dans l’intervalle (0, t ) est égale à la moyenne de la loi de Poisson

E  N(t)   t

et la variance

Var  N (t)   t

La fonction fiabilité R (t ) peut être déterminée à partir de l’équation ci-dessus de la manière

suivante
( t ) 0
R (t )  p0 (t )  Pr T1  t  e   t  e  t  
0!
La probabilité d’un nombre de défaillances inférieur ou égale à S pendant un intervalle du
temps t est
S S
( t )i
Pr  N (t )  S    p j (t )  e  t 
j 0 i 0 i!

14 
 
Exemple
Données :   0.05 défaillance par an, t = 10 ans, S = 2. Déterminer Pr  N (10)  2 , E (T3 )  et 

Pr T3  10 .

Réponse
 t  0.05 10  0.5  défaillance. 
2
(0.5)i
Pr  N (10)  2  e 0.5   e 0.5 (1  0.5  0.25 / 2)  0.9856
i 0 i!
La troisième défaillance se produit au temps T3 qui a une loi de probabilité Gamma de

paramètres k  3 et   0.05 . La moyenne de T3 est

E (T3 )  3 /   3 / 0.05  60 ans

La probabilité que la troisième défaillance se produit avant 10 ans est
31
( t ) i (0.05  10) 2
Pr T3  10  1  e 0.0510   1  e 0.0510 (1  0.05 10  )  0.0144
i 0 i! 2!
A noter que 0.0144 = 1 – 0.9865 car la probabilité de deux ou moins de deux défaillances se
produisant en 10 ans est le complément de l’éventualité qu’une troisième défaillance se
produit dans 10 ans.

On peut ainsi calculer la probabilité de défaillances dans l’intervalle (0, t), N(0, t) = Nt


(t ) j t  (t ) j t (t )n t
Pr  N  n  F ( n) (t )  F (n1) (t )   e  e  e
j n ( j  1) j n 1 ( j  1) (n  1)

Il s’agit de la loi de Poisson.

3.3 La fonction de renouvellement

Pour tout processus de renouvellement, la fonction

m(t )  E  N (t )   j Pr  N (t )  j
j 1

est appelée la fonction de renouvellement. Un théorème important dans la théorie de

renouvellement est le théorème élémentaire de renouvellement :

15 
 
 m(t ) 1
lim 
t 
t 

où  est la moyenne de la durée d’un cycle de renouvellement. Dans l’hypothèse d’un temps
de réparation négligeable,
  E(Xi )  MTBF
et
MTBF  E(T1)

Ce théorème donne une approximation asymptotique. Lorsque t est relativement grande par
comparaison à la durée d’un cycle (c’est-à-dire le MTBF), la moyenne du nombre de
renouvellements dans l’intervalle (0, t ) est

t t
m(t )  E  N (t )  
MTBF 

Un corollaire au théorème élémentaire de renouvellement est le suivant

T T
lim  m(t  T )  m(t )   T 0
 MTBF
t 

Exemple

Un moteur a un temps de fonctionnement avant la première défaillance de distribution de

Weibull de paramètres   2400 heures et   1.8 . Déterminer la fiabilité du moteur à 500
heures si le moteur a subi une défaillance à 200 heures et a été restauré à son état initial (état
neuf). Combien de défaillances sont attendues pendant les premières 10 000 heures de
fonctionnement.

Réponses

Après la restauration à l’état neuf, le temps de bon fonctionnement a une distribution de

Weibull. Donc, on cherche sa fiabilité pour le fonctionnement de 300 heures supplémentaires.
Soit
1.8
R(300)  e(300/2400)  0.9766
Puisque la MTBF est égale à 2400 (11/1.8)  2135 heures, l’espérance du nombre de

défaillances, m(t )  10 000/ 2135  4.86 .

16