Académique Documents
Professionnel Documents
Culture Documents
-+Définition :
La fiabilité est la probabilité qu’un certain produit accomplisse avec succès une fonction
requise sans défaillance, pendant une période de temps donnée, dans un environnement
défini et pour une utilisation dont les conditions de pour une utilisation dont les
conditions de fonctionnement sont spécifiées.
n (∆ t )
f ( t +∆ t )=
∆ t × No
Où
∆ t=t i+1 - ti
C’est une fonction qui tend vers 1. Un exemple de fonction cumulé de défaillance est montré
à la figure 1.1
Figure1.1 Fonction de défaillance
La probabilité de survie d’un produit est l’information de base à partir de laquelle la fiabilité
est évaluée. C’est la distribution de durée de vie de toutes les composantes dans la population
d’un produit.la durée de vie peut s’exprimer en heures, semaines, nombre de cycles, nombre
de kilomètres, etc.la distribution peut être estimée à partir d’un ensemble de données sur la
durée de vie d’échantillons dans une population.
La fiabilité R(t) est la probabilité de survie que le système remplisse sa mission entre
l’instant 0 et t.
C’est la fonction décroissante du temps qui tend vers 0, dont la forme est décrite à la figure
1.2.
R(t)=1-F(t)
Exemple 1 :
Un lot de 50 moteurs électriques a été soumis à des essais de fatigue. On constate qu’après
1000 heures de fonctionnement,32 moteurs ont présenté des défauts ; après 2000 heures,43
moteurs ont présenté des défauts et après 3000 heures,48 moteurs ont présenté des défauts.
Tracez les fonctions de défaillance et de fiabilité des moteurs.
Réponse de l’exemple :
Le taux de défaillance est la probabilité, par unité de temps ou d’usage, que le système
tombe en panne dans les instants qui suivent. Le taux de défaillance est une prédiction
faite à l’instant t, qui dépend par conséquent de l’instant considéré.il s’exprime en
nombre de composantes défaillantes par unité de temps.
Lorsque la distribution de vie d’un produit est exponentielle, par exemple, le taux de
défaillance reste constant dans le temps et fournit toute l’information nécessaire à
l’évaluation de la fiabilité.
Exemple 2 :
Sur un lot de 50 moteurs électriques a été soumis à des essais de fatigue. On constate
qu’après 1000 heures de fonctionnement,32 moteurs ont présenté des défauts ; après 2000
heures,43 moteurs ont présenté des défauts et après 3000 heures,48 moteurs ont présenté des
défauts.
Tracez la courbe représentant le taux de défaillance des moteurs.
Réponse de l’exemple2 :
λ (0) = (50-18)/(1000*50)=6.4*10^-4.
λ (1000) = (18-7) / (18*1000) =6.1^-4.
λ (2000) = (7-2) / (7*1000) =7.1^-4.
Le dernier résultat signifie que dans les prochaines 1000 heures,0.071 % des moteurs
présenteront des défauts après avoir opéré les 2000 premières heures sans panne.
∆ t =Tmax/r
Ou Tmax représente le temps d’observation total et r représente le nombre de classes.
Le nombre de classes r peut être estimé d’après l’analyse de la courbe de fiabilité R(t),
De façon à ne pas trop la déformer .il n’est pas toujours souhaitable de réaliser des essais de
fatigue jusqu’à épuisement complet des échantillons .il est plutôt préférable de se baser sur
des données partielles alors que de nombreuse composantes sous test son encore en
fonction .cette dernière façon de procéder nécessite que le taux de défaillance soit calculé à
partir du nombre d’échantillons n(Tmax) trouvés défectueux après un certain temps d’essai
Tmax prédéfini .le nombre de classes à considérer dans l’étude ,en se basant sur certaines règles
telles que celle exposée par lyonnet (1992) ,peut être estimé comme la valeur la plus
appropriée entre les 2 équations suivantes:
r =1+(3.3∗log ( n ( T max ) ) )
Ou bien :
r =√ n ( T max )
Exemple 3 :
Reprenons l’exemple 3. Un lot de 50 moteurs électrique a été soumis à des essais de fatigue.
On constate d’après l’historique recensé, le nombre de bris suivant en fonction des relevés
temporels.
Période de 100 200 25 400 50 600 70 750 1000 1500 1800 200 2500 3000
relevé 0 0 0 0
(heure)
Répertoire 5 4 3 5 3 3 3 2 4 7 3 1 3 2
des
défaillances
1) Tracer la courbe de fiabilité.
b) faites le regroupement des défaillances en classes et
c) tracez la courbe du taux de défaillance correspondante.
Réponse :
Le nombre n d’échantillons défectueux est de 48 par conséquent :
r =1+ 3.3 log ( 48 )=6.55 ou r =√ 48=6.9
On doit donc choisir7 classes, mais considérons–en 6 pour plus de facilité.la période
d’échantillonnage est donc de :(∆t )=3000/6=500 heures
Après regroupement des données, on obtient :
Piéride Nombre Nombre de Fiabilité Taux de
d’échantillonnage de composants en R(t) défaillance λ(t)
(heures) pannes fonction
0-500 20 30 0.6 0.0008
500-1000 12 18 0.36 0.0008
1000-1500 7 11 0.22 0.00077
1500-2000 4 7 0.14 0.00073
2000-2500 3 4 0.08 0.00086
2500-3000 2 2 0.04 0.001
On peut constater que les résultats obtenus après classification des données différent de ceux
obtenus dans l’exemple 2 (bien que les données soient les mêmes) et présentant un taux de
défaillance de l’ordre 8-4 en se basant sur une classe.
Type de défaillances :
Pour mettre en place une politique de maintenance efficace.il importe de comprendre les
phénomènes de défaillances et de dégradation des équipements.
D’une manière très générale, la classification des défaillances s’établit en deux ;
Défaillances catalectiques (ou accident) :
Les défaillances catalectiques, généralement accidentelles, sont complète et soudaines. Elles
se présentent sous la forme d’une rupture brusque.il est donc impossible d’utiliser dans ce cas
une maintenance conditionnelle.
Défaillance par dérive :
Les défaillances par dérivé sont généralement dues à l’usure (frottent, par exemple). On voit
progresser la dégradation. Les techniques de surveillance en maintenance conditionnelle
sont bien adaptées à ce type de défaillance.
Courbe en baignoire
On retrouve en général trois familles dc courbes représentant des taux de défaillance, selon le
Type d'équipement considéré. On peut avoir trois grands types de taux de défaillance
( voir Figure) :
Décroissant
Constant
Croissant
Paramètres de calcul :
Ces paramètres caractérisent les dispositifs réparables et les dispositifs non réparables :
MTTF : (mean time to first failure) : moyenne des temps avant la 1 ère défaillance
MTTR : (mean time to repair) : temps moyen de réparation
MUT : (mean up time) : temps moyen de disponibilité.
MDT : (mean down time) : appelé encore MIL c’est le temps moyen d’indisponibilité ou
temps moyen d’arrêt propre.
MTBF : moyenne des temps de bon fonctionnement (Mean Time Between Failures).
MTTF=1/λ
Chapitre2 : Distribution de fiabilité
La fiabilité d’un équipement peut être évaluée si la loi décrivant sa distribution de vie découle
de données observées sur un échantillon, comme cela a été décrit dans le chapitre précédant,
mais elle peut être aussi estimé à partir de modèles mathématiques décrivant la distribution de
vie.
2.1 fonction de défaillance exponentielle :
Lorsque le produit est arrivé à maturité (période de vie utile comprise entre la période
infantile et la période de vieillesse), une des loi usuelles de fiabilité ,que l’on retrouve
notamment pour les composants électroniques, est la fonction exponentielle
décroissante .cette loi s’applique bien à tous les appareils convenablement mis au point qui ne
souffrent pas encore de phénomènes d’usure ni de détérioration .en lissant
l’histogramme ,on obtient une fonction de densité de probabilité exponentielle.
On trouve ce type de défaillance dans les systèmes ayant un grand nombre de composants
et de modes de défaillance.la loi exponentielle est utilisée pour prévoir la durée séparant
les événements, par exemple, le temps mis par un distributeur automatique pour délivrer de
l’argent.
Dans le cas d’une loi de type exponentiel, le taux de défaillance λ est constant λ(t)=λ.
Ceci signifie que les défaillances sont aléatoires durant cette période et indépendantes du
temps.
−∫ λ ( t ) dt
− λt (2.1)
R ( t )=e 0
=e
C’est l’aptitude d’un dispositif à accomplir une fonction requise, dans des conditions données,
pendant une durée donnée entre un instant 0 et un instant t. C’est donc une probabilité de
succès. Elle débute à 1 et tend vers 0.
2.1.2 Fonction de défaillance instantanée f(t) :
La fonction de défaillance instantanée (ou densité de probabilité) se calcule de la façon
suivante :
t
−∫ λ ( t ) dt
− λt (2.2)
f ( t )= λ ( t )∗R ( t )= λ ( t )∗e 0
=λ∗e , t ≥ 0.
L’espérance mathématique E(t) de cette fonction de densité f(t) représente le temps moyen de
bon fonctionnement MTTF :
E(t)=1/λ=MTTF (2.3)
Sa variance est :
2 1
σ = 2 (2.4)
λ
On constate que le taux de défaillance λ s’exprime comme la fonction de défaillance à
l’instant initial :
f ( t+ ∆ t )
λ= =f (0) (2.5)
R(t)
La probabilité qu’un système tombe en panne entre deux instants t 1 et t2 équivaut à la surface
sous la courbe de la fonction de densité de probabilité entre ces deux instants :
t2
P ( t 1<t< t 2 )=F ( t 2 )−F ( t 2 )=∫ λ∗¿ e dt=( 1−e )−( 1−e− λt 1 ) ¿
− λt − λt 2
t1
∞
MTBF=∫ t∗¿ ¿λ*e− λt dt =1/ λ (2.8)
0
∞ ∞
1
MTBF=∫ R ( t ) dt =∫ e
−λt
dt= (3.8)
0 0 λ
Le temps moyen de bon fonctionnement, MTBF, est l’inverse du taux de défaillance λ lorsque
la loi de fiabilité R(t) est exponentielle.
Exemple 2.1 :
Une ampoule électrique a un taux de défaillance de 0.0008 défaillances par heure.
a) Déterminez la probabilité que le composant dure plus de 1000 heures.
b) Quel est le MTTF du composant ?
c) Quelle est la fiabilité à l’instant MTTF ?
d) Si le concepteur du composant a prévu que 90% des composants devaient survivre, de
déterminez la durée de vie de conception.
e) Quelle la probabilité d’avoir une défaillance entre 1200 et 1300 heures ?
e) P(1200<t<1300)== ∫ λ e
−λt − λt 1 − λt 2
dt=e −e =G
1200
−0.00008∗1200 −0.0008∗1300
G = e −e =0.029
On se rend compte que seul le taux de défaillance suffit pour déterminer tous les
paramètres de fiabilité dans une distribution exponentielle.
2.2 Estimation du taux de défaillance selon le type de données
Les données expérimentales disponibles, pour estimer les durées de vie consistent en la
connaissance plus ou moins complète des instants de défaillance.
Le suivi en exploitation aura par conséquent deux objectifs :
Collecter les données concernant les événements afin de tirer les défaillances
selon leur mode, leur source ou leur conséquence.
Mesurer le paramètres d’observation correspondant aux défaillances choisies.
Quand on examine des données, complète ou incomplètes, on doit connaitre leur type et les
traiter différemment selon le cas.
Le taux de défaillance peut être estimé selon la formule :
nombre de défaillances
λ*= (2.10)
temps total d ' essai
Cette formule doit être exprimée différemment selon le type de données de l’essai.
n
λ= n
(2.11)
∑ ti
i=1
Exemple 2.2:
Une observation en entreprise est menée sur 6 pompes jusqu’à défaillance de chacune
d’elles. Les temps de défaillance de chacune ont été les suivantes :
Pompe 1 2 3 4 5 6
Heures 1000 150 2000 3500 5000 8000
0
En faisant l’hypothèse que la fonction de défaillance est exponentielle, déterminez le taux
de défaillance et la durée de vie moyenne de ces pompes.
On peut remarquer qu’étant donné que le résultat correspond à une analyse statistique
sur des échantillons prélevés parmi une multitude de composants, on trouve un temps
moyen de bon fonctionnement supérieure à la durée d’essai.
Intervalle de confiance du taux de défaillance estimé par troncation en temps :
Après avoir estimé le taux de défaillance, il est nécessaire d’établir l’intervalle de
confiance à l’intérieure duquel se situé l’estimation pour pouvoir porter un jugement
sur la variabilité du résultat obtenu. En effet, l’estimation obtenue peut être différente
d’un ensemble d’échantillons à l’autre, même s’ils sont extraits de la même
population. L’intervalle de confiance permet de définir la probabilité que l’estimation
soit comprise entre des bornes. On peut définir des bornes inférieures, supérieures ou
extrêmes. L’intervalle de confiance est obtenu l’aide d’un test de χ 2.
Si pour avoir une estimation μ d’un lot N, on choisit une valeur X d’après un échantillon n du
lot, alors :
Prob (X-k <μ<X+k) =1-α
Où :
1-α représente le pourcentage de chances qu’on donne à l’estimation de μ.
X-k , X+k est l’intervalle de confiance.
La valeur de k est déterminée selon la loi de probabilité.
Les bornes attribuées à l’estimation du taux de défaillance pour des données tronquées en
temps sont, pour un pourcentage de chances de 100(1- α) :
2 2
χ α χ α
[λ * (2 n , 1− ), λ^ * (2 n+2 , )]
^
2n 2 2n 2
n
^ n
λ =
∑ ti+( No−n )∗tr
i=1
2 2
χ 1−α χ α
[λ^ * (2 n , )<¿λ <λ^ * (2 n , )] (2.14)
2n 2 2n 2
Ou λ^ est l’estimation de λ
n est le nombre de défaillances prévues dans le test,
2 1−α 2 α
χ (2 n , ) et χ (2 n , ) sont les valeurs de χ 2(calculées d’après les tables)
2 2
Avec υ=2n, telles que définies à la figure.
Une fois les valeurs correspondant à l’intervalle de confiance obtenues pour λ^, on trouve les
valeurs de MTTF en calculant les valeurs réciproques.
Exemple2.7
Une campagne d’observation en service est menée sur un échantillon de 8 moteurs. Par souci
d’économie, on décide d’arrêter l’essai après la défaillance du 5e moteur.
Les temps de défaillances observés sont les suivants :
unité 1 2 3 4 5 6 7 8
Temps 1000 3000 6000 10000 20000 ? ? ?
(h)
Exemple 2.9 :
Une campagne d’observations en service est menée sur un échantillon de 5 moteurs pendant
une certaine période de temps. Lorsqu’un défaut survient, on répare et on continue
l’observation. Les données suivantes sont observées (le symbole R indiquant qu’une
réparation a été effectuée). Une campagne d’observations en service est menée sur un
échantillon de 5 moteurs pendant une certaine période de temps. Lorsqu’un défaut survient,
on répare et on continue l’observation. Les données suivantes sont observées
(Le symbole R indiquant qu’une réparation a été effectuée).
-
- Déterminez le taux de défaillance et la période de vie utile (MTBF).
2.2.2.5 Données observées par intervalles de temps :
Parfois, on ne relève les données. On inspecte les échantillons et on note le nombre de
composants défectueux dans ces intervalles de temps (sans que la durée de vie de chaque
échantillon ne soit pas précise).
Dans ce cas, le taux de défaillance est estimé d’après la moyenne des taux de défaillance dans
chaque intervalle de temps se calcule d’après l’équation suivante :
( N ( t )−N ( t+ ∆ t ))/∆ t
λ ( t )= (2.13)
N (t)
Ou ∆ t représente l’intervalle de temps et
N(t) le nombre de composants sains à l’instant t.
Le taux de défaillance moyen peut être estimé comme la moyenne des taux de défaillance
calculés dans chaque intervalle de temps, à condition de respecter la loi exponentielle (zone
de maturité qui devrait correspondre à des intervalles de temps monteront des taux de
défaillance à peu près constants), c ’est à dire en éliminant les données indiquant une zone de
rodage ou de vieillesse.
Exemple 2.10:
Un montage par automate programmable est réalisé pour actionner mécaniquement jour et
nuit les touches de 100 répondeurs téléphoniques.
A chaque trois jours (72 heures) on note le nombre de répondeurs ne fonctionnant plus,
jusqu’à épuisement complet des échantillons. On obtient les résultats suivants :
Intervalle de 0-72 72-144 144- 216- 288- 360- 432- 504-
temps 216 288 360 432 504 576
(heures)
Nombre de 35 20 15 10 8 4 3 5
défectuosités
a) Calculez la fiabilité
b) Calculez l’évolution du taux de défaillance
c) Calculez le taux de défaillance moyen
d) Déterminez le temps de bon fonctionnement des répondeurs.
2.2.2.6 Modèle de défaillance nulle :
Très souvent, on devra arrêter l’essai après un certain temps car aucune composante ne
sera brisée. Dans ce cas, l’estimation de λ^ =0. On peut alors estimer la valeur maximale
de λ et la limite inférieure de MTTF avec un pour pourcentage de chances de (1-α) *100
par :
2
χ (2 , α)
λ< (2.18)
2∗No∗t
t −1
1 1 2 lnt−m 2
R ( t )=1− ∫
σ √2π 0 t
e (
σ
) dt (2.22)
MTBF= (m + 2 )
2
σ
e
Exemple 2.11
La durée de vie d’un aspirateur suit une loi log-normale de paramètre :m=4 et σ =1.2.
Calculez :
La probabilité pour que les aspirateurs fonctionnent jusqu’à 400 heures
d’utilisation.
Leur MTTF
2.3 taux de défaillance λ(t) linéairement constant :
Un taux de défaillance linéaire se retrouve dans certains phénomènes d’usure en
mécanique en fin de période de maturité.
Le taux de défaillance se calcule de la manière suivante :