I. 1Introduction aux modèles de fiabilité.

Fiabilité des produits :

Dans le processus de développement de produit, le concepteur va devoir se poser les questions

suivantes :
 Quelle est la durée de vie du produit ?
 Quel pourcentage de la production pourrait se trouver défectueux et combien d’articles
pourraient être retournés par des clients mécontents avant la fin de la garantie ?
 Quelle période de la garantie peut-on donner à un nouveau produit ?
 Quand doit-on effectuer les travaux de maintenance ou remplacer une pièce ?

L’étude de fiabilité va permettre de répondre à ces questions.

-+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.

Pour établir la fiabilité d’un produit, il faut au préalable avoir :

 Spécifier la fonction du produit ;
 Établi ce qu’est une défaillance (bris, consommation trop importante ou manque de
confort, etc.). Par exemple, une ampoule électrique fait défaut quand elle brulée ; une
batterie électrique fait défaut lorsque sa charge est vide ; un moteur fait défaut quand il
consomme trop ; une voiture utilitaire fait défaut l’lorsqu’elle n’avance plus ; alors
qu’une voiture de luxe fait défaut quand sa conduite est simplement inconfortable
(bruit, vibration, etc) ;
 Établi les conditions d’accomplissement de la tâche.
1.2 Fonction de défaillance
La fonction de défaillance f(t) est représenter par le quotient du nombre de composants
défectueux (nombre comptabilité pendant un intervalle temps ∆ t)pa rapport au nombre initial
de composants :

n (∆ t )
f ( t +∆ t )=
∆ t × No

Où
∆ t=t i+1 - ti

n(∆t ) représente le nombre d’échantillons qui seront défectueux pendant l’intervalle de

temps observé ∆ t ;
No= N(to) : nombre d’échantillons initial.
La fonction de défaillance cumulée F(t) est représentée par le quotient du nombre initial
d’échantillons :

F(t)=∑ (f ( t ) ¿+∆ t )¿=

∑ n(¿ ∆ t) ¿
No

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

1.3 Loi de fiabilité (ou probabilité de survie) :

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.

Figure1.2 Exemple de loi de fiabilité R(t)

La loi de distribution représente la proportion d’échantillons en fonction par rapport au

nombre initial d’éléments à chaque instant. Elle s’exprime sous la forme suivante :
 N (t)
R ( t )=
No
Ou N(t) : nombres de d’échantillons encore en fonction à l’instant t.
La loi de fiabilité peut également s’exprimer ainsi :

R(t)=1-F(t)

La loi de fiabilité doi

t être établie :
- soit de façon empirique, à partir d’échantillons (laboratoire des conditions d’utilisation),
- soit de façon semi –analytique, à partir d’hypothèses sur le profil de vie basées sur
l’historique (par exemple, la durée de vie suit une loi exponentielle ; les mesures d’inspection
suivent une loi normale, etc.).

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 :

Intervalle de Nombre de f(t) F(t) R(t)

temps défaillances
0 0 0 0 50/50=1
1000 32 32/(50*1000)=0.00064 32/50=0.64 18/50=0.36
2000 11 11/(50*1000)=0.00022 43/50=0.86 7/50=0.14
3000 5 5/(50*1000)=0.0001 48/50=0.96 2/50=0.04

Ces 3 fonctions sont décrites aux figures 1.1 à 2.3

1.4 Taux de défaillance :
Le taux de défaillance représente la disposition d’un produit à briser en fonction de son âge
, de son usure ou de sa durée d’opération.

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.

Le taux de défaillance peut être évalué à partir de la connaissance de vie. Le taux de

défaillance à un instant donné correspond à la proportion des produits qui présenteront des
défectuosités dans la prochaine unité de temps par rapport aux produits qui fonctionnent
encore normalement à l’instant considéré.
f ( t +∆ t ) [ N ( t )−N ( t+ ∆ t ) ]
λ ( t )= =
R (t ) ∆ t∗N ( t )
Des défectuosités à différents instants de la vie du produit. L’information obtenue aide à
élaborer des stratégies d’amélioration de la fiabilité et de l’entretien préventif ; ainsi qu’à
planifier le remplacement des pièces et l’inventaire.la façon dont le taux de défaillance change
dans le temps est une indication sur la période de vie pendant laquelle opère un produit.

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.

Le taux de défaillance peut être estimé expérimentalement d’après l’historique d’un

équipement et le nombre de pannes à différentes périodes de temps.

4.5 Détermination expérimentale de taux de défaillance :

La détermination expérimentale du taux de défaillance nécessite la collecte d’un grand

nombre de données sur une période très longue (toute la durée de vie), ce qui est impossible
pour des mécanismes nouveaux ou lorsqu’il y a une manque d’information statistique .la
méthode de l’actuariat permet de déterminer le taux de défaillance
 avec des données partielles, sous hypothèse que le nombre d’éléments mis en
fonctionnement soit suffisant.il n’est pas utile de commencer l’observation au temps initial
pour appliquer la méthode .le taux de défaillance est calculé par intervalle de temps comme
précédemment.
Il est utile alors d’établir un intervalle de temps ∆ t (durée d’échantillonnage) pendant lequel
vont être comptabilisées les défaillances afin de regrouper les données en classe r .

∆ 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

Période jeunesse (infantile) :

 La région de mortalité infantile (au Période de rodage) est généralement due à des
défauts de Fabrication ou de matériaux. Le rodage consiste à vérifier le fonctionnement des
produits Pendant un certain temps avant la livraison au client. Les produits défectueux sont
soit Réparés, soit jetés. Un taux de défaillance élevé dans cette période ou une longue
période Indique un contrôle de qualité déficient. La durée de la période infantile indique le
temps d'expérimentation nécessaire pour des essais destructifs.

Age adulte (bon fonctionnement) :

Dans la période de maturité, les défauts proviennent d'accidents ou de charges excessives.
Durant cette période, le taux de défaillance est généralement constat mais, comme tout
système mécanique est sujet à l'usure, le taux défaillance peut être légèrement croissant
lorsqu'on considère du matériel mécanique ou des machines. Le profil de vie R(t) est
considéré comme une fonction exponentielle croissante. Le type de maintenance appliqué
peut être préventif, systématique, correctif ou proactif.
Période de vieillesse
La période de vieillesse est causée par la fatigue, l'âge, l'usure. Durant cette période, la
dégradation est importante et le taux de défaillance est croissant. C'est la période pendant
laquelle il est recommandé de surveiller le matériel et d'organiser un système de
maintenance préventive, prédictive ou conditionnelle intense. La Période de transition
entre la période de maturité et celle de vieillesse permet de savoir quand faire la
maintenance et quand remplacer les pièces.
1.2 Système
Un système est un ensemble de composants (éléments) en interaction destiné à accomplir Une
tâche donnée. C’est le cas par exemple des systèmes de production, systèmes de transport,
Systèmes informatiques, etc...
Ce système est mis en service à l’instant t=0, il existe 2 types de systèmes :
1. Système non réparable : est un système qui est mis au rebut dès qu’il tombe en panne.
C’est le cas des petits systèmes, par exemple des ampoules, ou des systèmes qui coûtent Plus
cher à réparer qu’à remplacer.
2. Système réparable : est un système qui, après sa défaillance, peut être remis en état de
Marche par des actions de réparation ou maintenance. C’est le cas de tous les systèmes
complexes tels Les systèmes mécaniques et informatiques.

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).

Figure : Représentation de la disposition réparable.

Temps moyen avant défaillance :

Le MTTF (mean time to failure) correspond à la moyenne de la durée de vie (espérance
mathématique de défaillances).on utilise cette notion pour les produits qui n’ont qu’une seule
vie (ceux qui ne sont pas réparables).
Pour les produits réparables,on utilise la notion de temps moyen entre les défaillances ou
entre les réparations (MTBF ,Mean Time Between Failure).
Les notions de MTTF et MTBF ont une signification spéciale quand le profil de vie est
exponentiel parce qui’ils sont égaux à la réciproque du taux de défaillance dans ce cas :

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.

2.1.1 loi de fiabilité R(t)

La fiabilité d’un spécimen pour tout moment de sa vie est exprimée, puisque λ est constant,
par la formule suivante :

−∫ 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)

2.1.3Fonction cumulée de défaillance F(t) :

Voici la fonction de défaillance cumulée de défaillance (ou fonction de répartition) :
t
t
∫ λ (t ) dt
F ( t )=∫ f ( t )∗dt =1−R ( t )=1−e
−λt
0
=1−e (2.6)
0

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

=e− λt 1−e−λt 2 (2.7)

La fonction LOI.EXPONENTIELLE dans EXCEL permet de calculer les fonctions de

densité et cumulée de défaillance.
Loi. Exponentielle d’Excel
On peut utiliser la fonction LOI.EXPONENTIELLE pour prévoir la durée séparant les
événements.
LOI.EXPONENTIELLE (t ; λ ; cumulative)
t :représente la durée d’usage du composant.
λ : représente le taux de défaillance.
Cumulative représente une valeur logique indiquant le mode de calcul de la fonction
exponentielle.
 Si l’argument cumulative est VRAI, la fonction LOI.EXPONENTIELLE renvoi la
fonction de distribution cumulée.
 Si l’argument cumulative est FAUX, la fonction LOI.EXPONENTIELLE renvoi la
fonction de densité de probabilité.
Exemple 2.0
La fonction de distribution cumulée d’une machine ayant un taux de défaillance de
0.0005 après 1000heures d’usage est de :
LOI.EXPONENTIELLE(1000 ;0.0005 ;VRAI)=0.39
Ceci représente une probabilité de bien fonctionner après 1000heures d’usage de 61% .
La fonction de densité de probabilité est :
LOI.EXPONENTIELLE(1000 ;0.0005 ;FAUX)=0.0003
2.1.4 Temps moyen de bon fonctionnement MTBF ou MTTF :
La valeur moyenne de la distribution ou la durée de vie moyenne, appelée MTTF
(mean time between failure) si la composante est réparable, s’exprime comme
l’espérance mathématique des défaillances :

MTBF ou MTTF=∫ t∗f ( t ) dt (2.7)

o

∞
MTBF=∫ t∗¿ ¿λ*e− λt dt =1/ λ (2.8)
0

Le temps moyen de bon fonctionnement peut également s’exprimer comme la surface de la

courbe de fiabilité :

∞ ∞
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 ?

Réponse de l’exemple 2.1 :

λ= 0.0008d déf/h.
a) R(t)=e− λt
R(1000)=e−( 0.0008 )∗(1000)=0.45
 45% des produits survivant après 1000 heures d’utilisation.
b) MTTF=1/λ=1/0.0008=1250
1
c) R(MTTF)=e− λ( λ )=e−1=0.367

Lorsque la loi de fiabilité est exponentielle,36.7% des composants dureront au-delà de la

durée de vie moyenne. Cette valeur est une constante.
d) Si T la durée de vie recommandée :
R(t)=e−0.0008 T =0.9
-0.0008T=ln 0.9=-0.1054
T=132 heures.
1300

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.

2.2.1 Données complètes :

On considère que les données sont complètes lorsque tous les échantillons testés ont été
observés et ont subi une défaillance.
Lorsqu’on obtient autant des résultats(observation) que d’échantillons testés ont examiné
(comme c’est le cas dans une tache de contrôle de qualité), les données sont alors
complètes.
Si les données sont complètes :

n
λ= n
(2.11)
∑ ti
i=1

Ou n représente le nombre d’unité de l’échantillon et ti le nombre d’heures (cycles)

pendant lequel la ie unité a fait défaut.

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.

2.2.2 Données incomplètes :

Les données sont incomplètes lorsqu’au moment de l’analyse, certains échantillons sont
encore sains. Lorsque le nombre d’observations est différent du nombre d’échantillons
observés, les données sont incomplètes. Par exemple, lors d’un essai de durée de vie dans
un temps donné, il est possible que certains composants brisent tout de suite alors que
d’autres jamais.
- Les données incomplètes sont différents types, les plus classiques sont :
 Tronquées en durée d’essai,
 Tronquées en nombre prédéterminé de défaillances ;
 Réparables ou relevées par intervalle de temps.
2.2.2.1 Données Tronquées en durée d’essai
On retrouve ce type de donnés dans les essais de fatigue. L’essai est arrêté à un instant
prédéterminé T. Tous les échantillons encore sains sont retirés du test en même temps. Les
données sont dites tronquées en durée d’essai.
Le taux de défaillance est estimé selon l’équation suivante :
 n
λ= n
(2.12)
∑ ti+( No−n ) T
i=1

Ou n est le nombre de défaillance dans le test,

No est le nombre d’échantillons mis à l’épreuve,
T est la durée prévue de l’essai et
ti est la durée de vie de chaque composant défectueux.
Exemple 2.3 :
On réalise un essai de fatigue sur le bon fonctionnement des piles. Durant un test de 72
h, on constate des défauts sur une des piles au bout de 8 h, sur une autre au bout de
32h et sur une troisième au bout de 40h.aucun défaut n’a été observé sur les deux
dernières.
En faisant l’hypothèse que la distribution est exponentielle, estimez le taux de
défaillance et la durée de vie moyenne.

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

Figure2.1 : courbe de χ 2( 2n) pour le calcul des bornes inférieures et supérieures

Loi de khideux.inverse de Excel

KHDEUX.INVERSE(α ; υ) renvoi l’inverse de la probabilité unilatérale de la distribution
khi-deux.
Si la probabilité α=LOI.KHIDEUX(x, …), alors KHIDEUX.INVERSE(α, …) =x.
On utilise cette fonction pour comparer les résultats obtenus au résultats prévus afin de
déterminer si l’hypothèse de départ est juste.
α représente une probabilité associée à la distribution khi-deux.
υ représente le nombre de degrés de liberté.
Exemple :
KHIDEUX.INVERSE (0.05 ;10) égale 18.30703
Exemple 2.4
Une pompe à eau utilisée dans des conditions sévères s’est brisée 6 fois en 300 jours depuis
son installation. Si la période entre les bris peut être supposée exponentielle, déterminez les
bornes de l’estimation de λ et MTBF en admettant un pourcentage de chances de 90% dans
l’estimation.

2.2.2 Données tronquées en nombre de défaillances

Souvent pour des raisons économiques, notamment lorsque le cout de l’équipement est élevé,
il s’avère nécessaire de planifier la durée de l’essai selon un nombre prédéterminé de bris. On
attribue alors aux éléments qui n’ont pas failli, le taux de défaillance du dernier échantillon
défectueux. Les données sont dites tronquées en nombre de défaillances.
Le taux de défaillances est estimé d’après l’équation suivants :

n
^ n
λ =
∑ ti+( No−n )∗tr
i=1

Ou tr est le temps du dernier échantillon défectueux,

n est le nombre de défaillances préalablement prévu dans le test,
No est le nombre d’échantillons testés et
ti est la durée de vie de chaque élément défectueux.
Exemple 2.6
Un échantillon de 8 moteurs électriques en marche est observé. Par souci d’économie, on
décide d’arrêter d’essai après la défaillance du 5 e moteur. Estimez le taux de défaillance et la
durée de vie moyenne des moteurs.
Les temps de défaillances observés sont les suivants :
unité 1 2 3 4 5 6 7 8
Temps 1000 3000 6000 10000 20000 ? ? ?
(h)

Intervalle de confiance du taux de défaillance estimé par troncation en défaillance :

Dans le cas d’un taux de défaillance estimé par troncation de défaillances, les bornes de
l’estimation, sont établies avec un pourcentage de chances de 100(1-α) :

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.

Figure2.2 : courbe de χ 2( 2n) pour le calcul des bornes inférieures et supérieures

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)

Un estimé de λ^ =5-5 /h a été établi (exemple2.6).Déterminez l’intervalle de confiance pour λ

et MTTF , en admettant un pourcentage de chances de 95% dans l’estimation.
2.2.2.3Taux de défaillance maximal
Dans les exemples précédents, on cherchait les bornes inférieures et supérieures entre
lesquelles se situait le taux de défaillance. Parfois, il suffira de déterminer la valeur maximale
du taux de défaillance (ou minimale du MTTF)
avec un pourcentage de chances de (1-α)% (figure.3).dans ce cas ,on utilisera la formulation
suivantes :
2
χ
λ ≤ λ^ * (2 n , α ) ] (2.15)
2n

Figure2.3 : courbe de χ 2( 2n) pour le calcul de la borne supérieure

Exemple 2.8 :
Des moteurs doivent répondre aux spécifications suivantes :
MTTF≥100000 h avec un pourcentage de chances de 95% moteurs sont choisis aléatoirement
pour être mis sous test. Au bout de 20000 heures, un des moteurs se brise et le test est arrêté
par souci d’économie. Est-ce qu’on peut considérer que les moteurs répondent tout de même à
la spécification, en admettant un pourcentage de chances de 95% ?
2.2.2.4 Composants réparables :
Si les composants sont réparables et qu’on continue à observer l’échantillon après réparation,
on utilise l’estimation suivante :
 λ^ =nombres de réparations/total d’heures d’essais. (2.16)

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

Où : No : le nombre d’unités testées

t : temps du test
Le modèle de défaillance nulle s’applique quand le matériel est très fiable, quand les
événements attendus sont rare, quand les durées d’essai sont trop longues, quand la
population des matériel est trop faible ou l’lorsqu’il est nécessaire de ne pas réduire la vie
utile comme c’est le cas dans les techniques ESS (Environmental stress screening).
Exemple 2.11 :
Deux moteurs sont testés pendant 2000heures sans briser. L’essai est alors arrêté par souci
d’économie. Est-ce que le MTTF est supérieur à 2000heures en admettant un pourcentage
de chances de 95 % .

2.3 Fiabilité suivant un modèle log-normal

On retrouve le modèle log-normal dans des phénomènes de fatigue ou d’usure en

mécanique (période de vieillesse).
La loi log-normale s’écrit comme une loi normale pour laquelle on aurait remplacé la
variable t par ln t et le calcul se fait en passant en variable centrée réduite :
ln t−m
U=
σ
Ou m est la moyenne des ln(t) et σ est l’écart-type des ln(t).
La loi de fiabilité est la suivante :

t −1
1 1 2 lnt−m 2
R ( t )=1− ∫
σ √2π 0 t
e (
σ
) dt (2.22)

La moyenne de temps de bon fonctionnement est l’espérance de ln(t) :

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 :