Machine Translated by Google

18e Symposium européen sur l'ingénierie des procédés assistée par ordinateur –
ESCAPE 18 Bertrand Braunschweig et Xavier Joulia
(éditeurs) © 2008 Elsevier BV/Ltd. Tous droits réservés.

Optimisation de la maintenance préventive

Planification dans les usines de transformation
DuyQuang Nguyen et Miguel Bagajewicz The
University of Oklahoma, R. T­335 SEC, 100 E. Boyd, Norman, OK 73019, États­Unis

Abstrait
Une nouvelle méthodologie conçue pour optimiser à la fois la planification de la maintenance préventive
et la quantité de ressources nécessaires pour effectuer la maintenance dans une usine de traitement
est présentée. La méthodologie est basée sur l'utilisation d'une simulation Montecarlo pour évaluer le
coût attendu de la maintenance ainsi que la perte économique attendue, un indicateur économique de
la performance de la maintenance. La simulation Montecarlo décrit différents modes de défaillance
des équipements et utilise la priorisation de la maintenance fournie, la disponibilité de la main d'œuvre
et des pièces de rechange. Un algorithme génétique est utilisé pour l'optimisation.
Le problème bien connu de l’usine Eastman du Tennessee est utilisé pour illustrer les résultats.

Mots clés : Maintenance préventive, Optimisation de la maintenance, Simulation Montecarlo

1. Introduction
La maintenance peut être définie comme toutes les actions appropriées pour conserver un élément/
une pièce/un équipement ou le restaurer dans un état donné (Dhillon, 2002). Plus précisément, la
maintenance sert à réparer les équipements cassés, à préserver leur état et à prévenir leur défaillance,
ce qui réduit finalement les pertes de production et les temps d'arrêt ainsi que les risques
environnementaux et de sécurité associés. On estime qu'une raffinerie typique subit environ 10 jours
d'arrêt par an en raison de pannes d'équipement, avec une perte économique estimée entre 20 000 et
30 000 dollars par heure (Tan et Kramer, 1997). À l’ère d’une forte concurrence et de réglementations
strictes en matière d’environnement et de sécurité, la perception de la maintenance est passée d’un «
mal nécessaire » à un outil efficace pour augmenter les profits, d’une partie de soutien à une partie
intégrée du processus de production. Une maintenance efficace et optimale fait depuis longtemps
l'objet de recherches tant dans le milieu universitaire que dans l'industrie.

Il existe une très large littérature sur les méthodes, philosophies et stratégies de maintenance. Par
ailleurs, il existe un grand nombre de progiciels de gestion informatisée de la maintenance (GMAO)
dédiés à l'aide à la gestion/organisation des activités de maintenance. Malgré cette abondance,
l'optimisation des variables de décision dans la planification de la maintenance, comme la fréquence
de la maintenance préventive ou la politique d'inventaire des pièces de rechange, n'est généralement
pas abordée dans les manuels ni incluse comme une fonctionnalité des progiciels.
Néanmoins, il a été largement étudié dans la recherche universitaire : de nombreux modèles ont été
discutés et résumés dans l'excellent manuel de Wang et Pham (2006)] et dans divers articles de
synthèse, par exemple Wang (2002). La plupart des modèles sont des modèles déterministes obtenus
en utilisant des hypothèses simplifiées, qui permettent l'utilisation de techniques de programmation
mathématique pour résoudre. Le critère d'optimisation le plus courant est le coût minimum et les
contraintes sont des exigences sur les mesures de fiabilité du système : disponibilité, temps de
disponibilité ou temps d'arrêt moyen. Des modèles de maintenance plus complexes qui prennent
simultanément en compte de nombreuses variables de décision telles que l'intervalle de temps de maintenance préventive (PM),
Machine Translated by Google

2 Nguyen et Bagajewicz

taille de la main­d'œuvre, l'allocation des ressources est généralement résolue par un algorithme génétique (par exemple
Sum et Gong, 2006 ; Saranga, 2004). La simulation Monte Carlo est généralement utilisée pour estimer les paramètres
de fiabilité du modèle. Tan et Kramer (1997) ont utilisé à la fois la simulation de Monte Carlo et l'AG.

Aucun modèle de planification de maintenance préventive ne prend en compte les contraintes sur les ressources
disponibles dans les usines de transformation, qui incluent la main­d'œuvre et les matériaux (pièces de rechange). Par
exemple, le personnel de maintenance, qui est généralement limité, ne peut pas effectuer les tâches de maintenance
planifiées pour certains équipements à l'heure prévue de la maintenance en raison de la nécessité de réparer d'autres
équipements défaillants. De telles situations dynamiques ne peuvent pas être gérées par les modèles de planification de
maintenance déterministes ou ne sont pas prises en compte dans les modèles de planification de maintenance publiés
qui utilisent les outils de simulation de Monte Carlo.

Pour remédier à toutes les lacunes susmentionnées, nous avons développé un nouveau modèle de maintenance basé
sur l'utilisation de la simulation Monte Carlo. Le modèle intègre trois questions pratiques qui n'ont pas été prises en
compte dans les travaux précédents : i) les différents modes de défaillance des équipements, ii) le classement des
équipements en fonction des conséquences de la défaillance, iii) les contraintes de ressources en main d'œuvre et les
contraintes de ressources matérielles. Le modèle de maintenance, développé par Nguyen et al. (2008) est intégré ici
avec une optimisation GA pour optimiser la fréquence PM.

2. Simulation de Monte Carlo – modèle de maintenance basé

2.1. La valeur objective La valeur
objective est le coût total de maintenance plus la perte économique (à minimiser).
La perte économique est la perte causée par des pannes d’équipement qui entraînent une réduction du taux de production
ou des temps d’arrêt. C'est l'indicateur économique de la performance de la maintenance, c'est­à­dire que plus le plan de
maintenance est efficace, plus la perte économique est faible. Ainsi en minimisant le coût de maintenance plus la perte
économique, on optimise simultanément le coût et les performances de la maintenance.

Le terme de coût comprend quatre types de coûts : le coût PM et le coût CM, qui sont respectivement les coûts associés
aux activités de maintenance préventive et de maintenance corrective, le coût de la main d'œuvre (le salaire versé aux
employés) et le coût des stocks (le coût associé aux stockage des pièces détachées des équipements).

Le terme de perte économique comprend deux types de pertes : i) la perte économique associée à des équipements
défectueux qui n'ont pas été réparés (par exemple, un échangeur de chaleur encrassé peut continuer à fonctionner mais
avec un taux de transfert de chaleur réduit, ii) la perte économique due à l'indisponibilité de l'équipement. pendant le
temps de réparation. La perte économique est calculée comme un taux de perte ($ par jour) multiplié par la durée de la
période au cours de laquelle la perte est réalisée. Pour déterminer les taux de perte économique, une analyse est
effectuée sur chaque équipement afin de déterminer les effets économiques d'une panne d'équipement, qui incluent une
réduction du taux de production, voire un arrêt, la détérioration de la qualité du produit, etc.

2.2. Données
d'entrée Les données suivantes sont nécessaires dans le modèle : i) les données de fiabilité de l'équipement, ii) le temps
et le coût matériel associé pour effectuer la maintenance corrective (CM) et la maintenance préventive, iii) les données
économiques : taux de main d'œuvre payée, taux de coût des stocks et le taux de perte économique, iv) d'autres données
comme le temps d'attente pour qu'une pièce de rechange commandée en urgence arrive.
Machine Translated by Google

Optimisation de la planification de la maintenance préventive dans les usines de transformation 3

Nous supposons que la distribution des pannes est exponentielle, donc un seul paramètre est nécessaire pour
décrire la fiabilité des équipements : le temps moyen entre pannes (MTBF). D'autres distributions peuvent être
utilisées mais elles nécessitent au moins deux paramètres.

2.3. Classement des

réparations Les équipements à réparer sont classés selon les conséquences des pannes : 1 pour émergent et 5
pour ne pas être réparés. L’entretien des équipements de rang supérieur a priorité sur ceux de rang inférieur. Ceci
est indiqué dans le tableau 1.

Tableau 1 : Classement des équipements à des fins de maintenance (d'après Tischuk, 2002)

Conséquence de l'échec

Probabilité de défaillance
catastrophique ultérieure Haut Moyen Faible

Haut 1 2 3

Moyen 2 3 4

Faible 3 4 5

2.4. Modes de défaillance des équipements

Un équipement peut avoir différents modes de défaillance impliquant différentes parties de l'équipement. Il peut
tomber en panne en raison de la détérioration des pièces mécaniques (la conséquence possible est une panne
complète nécessitant le remplacement de l'équipement) ou du dysfonctionnement des pièces électroniques (une
panne partielle qui peut être réparée). Différents modes de défaillance nécessitent des coûts et des délais de
réparation différents et induisent des pertes économiques différentes. L'échantillonnage des différents modes de
défaillance des équipements est effectué comme suit : i) attribuer une probabilité d'apparition pour chaque type de
mode de défaillance en utilisant des informations sur la fréquence d'un mode de défaillance, ii) au moment de la
défaillance simulée de l'équipement, le type de le mode de défaillance qui s'est réellement produit est échantillonné
conformément à la probabilité d'apparition des modes de défaillance.

2.5. Variables de décision

Trois variables de décision sont prises en compte dans le modèle : i) le calendrier de la MP qui implique deux
paramètres : le temps d'exécution de la première MP (appelé heure de début de la PM) et l'intervalle de temps de
la PM, ii) la politique d'inventaire, qui est la décision de conserver ou non un stock pour une pièce de rechange
spécifique nécessaire à la réparation d'un équipement spécifique, iii) le nombre d'employés de maintenance.
L'heure de démarrage PM et l'intervalle de temps PM sont exprimés en fraction du MTBF (par exemple intervalle
de temps PM = a*MTBF), la fraction a est à optimiser (pour chaque équipement).

3. Procédure de simulation de Monte Carlo La plupart

des éléments de cette section sont tirés d'un article récent (Nguyen et al, 2008) qui a exploré l'utilisation de la
simulation de Monte Carlo à des fins d'évaluation.
3.1. Règles de maintenance
­ Pas de retard dans la réalisation de la maintenance une fois les ressources disponibles ­ Si
l'équipement a fait l'objet d'une maintenance corrective une période de temps prédéterminée avant la PM
programmée (valeur actuelle = 7 jours), la MP est suspendue afin que les ressources puissent être
utilisées ailleurs
Machine Translated by Google

4 Nguyen et Bagajewicz

­
Si, en raison de l'indisponibilité des ressources, la réparation d'un équipement a été retardée de plus d'une
valeur seuil prédéterminée (valeur actuelle = 21 jours), la priorité de réparation de cet équipement est
augmentée d'un niveau.

3.2. Détails de la simulation

Cette technique est basée sur un échantillonnage répété des pannes d'équipements et une évaluation du coût des activités
de maintenance ainsi que des pertes économiques associées aux états défaillants des équipements. La méthode continue

d'échantillonner et de calculer une moyenne jusqu'à ce que la moyenne converge vers une valeur finie.

La procédure d'échantillonnage est la suivante :

­ Les temps de défaillance des équipements sont échantillonnés à l'aide de la fonction de fiabilité (taux de défaillance)
des équipements
­ Lors de pannes d'équipement, le type de modes de défaillance qui ont provoqué la panne de l'équipement est
échantillonné en fonction de la probabilité d'occurrence.
­ Le coût de la maintenance corrective, le délai de réparation et les pertes économiques sont déterminés en fonction
du type de modes de défaillance identifiés.
­ Les demandes de maintenance préventive des équipements sont générées conformément au calendrier de
maintenance préventive prédéterminé (politique PM prédéterminée)

­ L'horizon temporel de planification est divisé en intervalles de temps de plusieurs semaines.

­ Chaque semaine :
i) Toutes les requêtes CM (en cas de panne des équipements) et toutes les requêtes PM programmées
sont identifiées. ii) Les demandes CM
et PM pour les équipements ayant la priorité la plus élevée seront satisfaites. Poursuivre les demandes
CM et PM pour les équipements avec une priorité inférieure jusqu'à ce que les ressources (main­
d'œuvre et matériaux) disponibles soient épuisées. Si les ressources ne sont pas disponibles,
l'action de maintenance demandée doit être retardée jusqu'à ce que les ressources soient à
nouveau disponibles (par exemple, la pièce de rechange nécessaire est disponible via un achat
émergent).

­ Lorsqu'une action de maintenance est effectuée sur un équipement à l'instant t, cet équipement est supposé être
comme neuf et les événements de défaillance pour cet équipement seront rééchantillonnés (mis à jour) à partir
de l'instant t.

4. Algorithme génétique Nous

avons utilisé un GA binaire standard dont les détails peuvent être trouvés dans divers manuels sur GA.
Nous décrivons uniquement l'étape de codage des valeurs vraies des variables de décision en variables binaires dans le
chromosome comme suit :

­ La fréquence horaire PM est donnée par a*MTBF (pour chaque équipement). La fraction a, à optimiser par GA, se
borne à prendre l'une des 16 valeurs suivantes : [0,025, 0,05, 0,1, 0,15, 0,2, 0,25, 0,3, 0,35, 0,4, 0,5, 0,6, 0,7,
0,8, 0,9, 1,0, 1,2] (vecteur A). La valeur de a est indiquée par l'indice i (l'emplacement) des éléments du vecteur
A, par exemple si i = 2, alors a = A[2] = 0,05 ­ Un gène composé de 4 variables binaires klmn est utilisé pour
représenter le indice i.

­ Les gènes du stock de pièces détachées et de la main d'œuvre sont similaires (ces variables sont fixes
dans ce document).
Les paramètres GA sont les suivants : taille de la population = 20 ; fraction de population à conserver = 0,5 ; taux de mutation
= 0,3 ; Sélection de la roulette et méthode de croisement à deux points.
Machine Translated by Google

Optimisation de la planification de la maintenance préventive dans les usines de transformation 5

5. Exemple Le

nouveau cadre d'analyse et d'optimisation de la maintenance est démontré en utilisant la célèbre usine Tennessee
Eastman (TE). La description et le schéma de traitement du procédé TE peuvent être trouvés dans la littérature,
par exemple dans Ricker et Lee (1995). La liste des équipements en cours est donnée dans le tableau 2.

Tableau 2. Liste des équipements du procédé TE

Équipements MTBF Il est temps pour Il est temps pour Avant­ PM interfère avec

Quantité (jours) CM (heures) PM (heures) ce production ?

Vannes 11 1000 2­5 2 3

Compresseurs 1 381 12­18 6 1

Pompes 2 381 4­12 4 4

Échangeur de chaleur 2 1193 12­14 8 2 X

Tambour flash 1 2208 24­72 12 1 X

Décapant 1 2582 48­96 12 1 X

Réacteur 1 1660 12­72 12 1 X

Le MTBF et le temps d'entretien sont soit obtenus à partir de la littérature (CCPS, 1989 ; Bloch et Geitner, 2006),
soit estimés si l'information n'est pas disponible. Notre exemple montre les résultats lorsque les intervalles de
temps PM sont optimisés. D'autres variables sont fixes : dix employés, tenue d'un inventaire de toutes les pièces
détachées et nombre raisonnable pour l'heure de début du PM. Le modèle de maintenance et le GA sont
implémentés en Fortran fonctionnant sur un processeur de 2,8 GHz et un PC de 1 028 Mo de RAM. Les résultats
finaux pour la fraction a (intervalle de temps PM = a*MTBF) sont présentés dans le tableau 3.

Tableau 3. Fréquence optimale des particules

Équipements 11 Vannes 2 Compresseurs 2 Pompes Flash tambour

Fraction une 0,1 (6 soupapes) et 0,25 (5 soupapes) 0,1 0,2 1.2

Équipements Échangeurs de chaleur Décapant Réacteur

Fraction une 1.2 1.0 1.0

Ces résultats sont cohérents avec les résultats obtenus par Nguyen et al. (2008) : pour le groupe d'équipements
dont les PM n'interfèrent pas avec la production (ex : vannes et pompes), une fréquence de PM élevée est
obtenue : la fraction a varie de 0,1 à 0,25 ( Nguyen et al., 2008 (obtenu 0,1 par inspection). À son tour, pour un
groupe d'équipements dont les PM interfèrent avec la production (par exemple le réacteur) de telle sorte que les
PM entraînent une perte économique pendant la période de maintenance, l'utilisation fréquente des PM n'est pas
recommandée (fraction a = 1,0 , 1,2). L'évolution de la meilleure valeur actuelle de la fonction objectif est
représentée sur la figure 1, qui montre que la valeur objectif converge vers une valeur finie seulement après 7
itérations. Le temps de calcul (après 57 itérations) est de 1 h 24 min.
Machine Translated by Google

6 Nguyen et Bagajewicz

1,625

1,62

aO
lm
.lljib
)snrouie v(
1,615

1,61

1.605

1.6
0 dix 20 30 40 50 60
Itération

Figure 1. Evolution de la meilleure valeur objective actuelle dans les itérations GA

6. Conclusions

Un nouveau modèle de maintenance basé sur l'utilisation de la simulation Monte Carlo et intégré à l'optimisation
GA est présenté dans cet article. Le modèle intègre trois problèmes pratiques non pris en compte dans les
travaux précédents et est capable d'analyser et d'optimiser des opérations de maintenance complexes.

Les références

Bloch HP et Geitner FK (2006). Maximiser la disponibilité des machines, Elsevier, MA,

ETATS­UNIS.

Centre pour la sécurité des procédés chimiques, AIChE (1989). Lignes directrices pour les données sur la
fiabilité des équipements de traitement avec tableaux de données,
ISBN 0816904227 Dhillon BS 2002. Engineering Maintenance, CRC Press, Boca Raton, États­Unis.
Nguyen DQ, C. Brammer et M. Bagajewicz. (2008). Un nouvel outil pour l'évaluation de la planification de la
maintenance préventive des usines de transformation chimique.
Recherche en chimie industrielle et technique, à paraître.
Ricker NL et Lee JH (1995). Modélisation non linéaire et estimation d'état pour le processus de défi Tennessee
Eastman. Calculer. Chimique. Ang., 19(9), 983­1005.
Shum, YS et Gong, DC (2006). L'application de l'algorithme génétique dans le développement d'un modèle
analytique de maintenance préventive. Le Journal international des technologies de fabrication avancées.
Vol. 32, pages 169­183.
Saranga. H. (2004). Maintenance opportuniste à l'aide d'algorithmes génétiques. Journal de la qualité en
ingénierie de maintenance, 10(1), pp. 66­74.
Tan JS et Kramer MA (1997). Un cadre général pour l'optimisation de la maintenance préventive dans les
opérations de procédés chimiques. Informatique et génie chimique, 21(12), pages 1451­1469.

Tischuk, John L. (2002). L'application d'approches basées sur les risques à la planification des inspections.
Entreprises Tischuk (Royaume­Uni).
Wang H. et Pham H. (2006). Fiabilité et maintenance optimale, série Springer en
Ingénierie de la fiabilité, Springer­Verlag, Londres.
Wang H. (2002). Une enquête sur les politiques de maintenance des systèmes détériorés. Journal européen
de recherche opérationnelle, 139(3), pp. 469­489.