Académique Documents
Professionnel Documents
Culture Documents
Rapport de projet
Titre :
2023/2024
1
REMERCIEMENT
Nous tenons à exprimer nos sincères remerciements à toutes les personnes qui
ont contribué au succès de notre projet de fin de module. Ce périple
académique a été une expérience enrichissante, et nous sommes reconnaissant
envers chacun qui a joué un rôle dans cette réussite.
Nous souhaitons exprimer notre gratitude envers Madame. ELMENZHI , qui
a été un guide exceptionnel tout au long de ce module. Son expertise, son
dévouement et ses conseils éclairés ont été des éléments clés dans
l'achèvement de ce projet.
Enfin, merci à l’Ecole nationale des sciences appliquée pour fournir un
environnement propice à l'apprentissage et pour offrir les ressources
nécessaires à la réalisation de ce projet.
2
Table des matières
Liste des figures.................................................................................................................................................. 5
Chapitre 03 : Etude cas Estimation de la durée de vie résiduelle d’un pipeline corrodé ................................. 32
3
III.1 IIntroduction ............................................................................................................................................. 32
III.5 Synthèse.................................................................................................................................................... 44
Bibliographie: ................................................................................................................................................... 48
4
Liste des figures
FIGURE 1: ÉVALUATION DE LA DUREE DE VIE RESIDUELLE D'UNE BATTERIE ELECTRIQUE AU LITHIUM-
ION ............................................................................................................................................................ 10
5
Liste des tableaux
TABLEAU 1:COMPARAISON DES 3 TYPES DE METHODE DE PRONOSTIC SELON PLUSIEURS CRITERES ................. 17
TABLEAU 2:PARAMETRES DU MODELE DE GUEDES SOARES ET GORBATOV ...................................................... 33
TABLEAU 3:COEFFICIENTS DU MODELE DE PAIK ............................................................................................... 37
TABLEAU 4:MONTRE LES VALEURS DES PARAMETRES DES MODELES DE QIN ET CUI ISSUE DE [12] .................. 41
TABLEAU 5:REGROUPE L’ENSEMBLE DES RESULTATS OBTENUS SELON CHAQUE MODELE PREDICTIF DE
CORROSION, DANS LE BUT DE FAIRE UNE COMPARAISON. .......................................................................... 44
6
Introduction générale
Dans le secteur industriel, la gestion efficace des coûts de production tout en maintenant un niveau
de qualité optimal représente un défi majeur. Les industriels s'efforcent de minimiser les coûts
associés aux inconvénients de la maintenance corrective, tels que l'arrêt de la production, le
remplacement inutile de pièces de rechange, ainsi que les dommages matériels et humains
imprévus, pouvant entraîner d'importantes pertes financières.
Afin de remédier à ces problèmes, la transition vers la maintenance prédictive est cruciale. Cette
approche repose principalement sur le pronostic, qui consiste à estimer le temps de fonctionnement
restant avant la défaillance (durée de vie résiduelle) d'un équipement.
L'objectif de ce travail est de développer une procédure complète pour la modélisation prédictive de
la dégradation à travers des modèles empiriques, avec une estimation précise de l'instant de
défaillance. Le premier chapitre offre une introduction générale sur la durée de vie résiduelle,
mettant en lumière les principales approches pour son estimation. Le deuxième chapitre détaille les
modèles prédictifs existants pour la corrosion, tandis que le troisième chapitre applique ces modèles
à l'évaluation de la dégradation d'un pipeline par corrosion, tout en estimant sa durée de vie
résiduelle.
7
Chapitre 01 : GENERALITES
I.1. Introduction
Au cours des périodes antérieures, le paradigme de la maintenance se caractérisait par une
approche diagnostique post-défaillance, désignée actuellement sous le terme de maintenance
curative. La mise en œuvre imprévue de cette stratégie de maintenance exposait les
industries à d'importants surcoûts financiers, résultant des arrêts prolongés de la production
liée à l'incapacité de planifier efficacement une stratégie de maintenance au moment de la
défaillance. Afin de minimiser ces surcoûts et d'optimiser la disponibilité des équipements
au sein des chaînes de production, les spécialistes de la fiabilité ont envisagé l'amélioration
d'une nouvelle stratégie de maintenance permettant de planifier des interventions avant
l'apparition des défaillances et de prédire avec précision le moment de leur survenue. Cela a
conduit à l'émergence de la maintenance préventive, comprenant des approches
systématiques, conditionnelles et prévisionnelles.
Dans ce premier chapitre, nous entreprenons une analyse approfondie des trois modèles les
plus pertinents pour l'implémentation d'une politique de maintenance prévisionnelle. Cette
étude vise à fournir une compréhension approfondie des fondements théoriques et des
applications pratiques de ces modèles, jetant ainsi les bases nécessaires pour une mise en
œuvre efficace de la maintenance préventive dans le contexte des opérations industrielles
modernes. En examinant de près ces modèles, nous cherchons à identifier leurs forces, leurs
limites et leur applicabilité dans des environnements industriels spécifiques, contribuant
ainsi à orienter les choix stratégiques et à favoriser l'innovation dans le domaine de la
gestion de la maintenance.
8
définition précise de la durée de vie résiduelle est cruciale pour la mise en œuvre efficace de
stratégies de maintenance prédictive visant à prolonger la durée de vie opérationnelle des
composants, tout en minimisant les interruptions non planifiées dans les processus
industriels.
9
Figure 1: Évaluation de la durée de vie résiduelle d'une batterie électrique au lithium-ion
Durant une période significative, des investigations incessantes ont été déployées afin de perfectionner les
méthodes de pronostic, lesquelles ont été soumises à des essais rigoureux et ajustements au gré des avancées
technologiques, comme attesté par les travaux scientifiques. Cette démarche a abouti à la distinction de trois
approches fondamentales pour l'évaluation de la durée de vie résiduelle, ou méthodes de pronostic [4], que
nous aborderons de manière détaillée par la suite :
10
Figure 2: Classification des approches techniques pour le pronostic
Par la suite, nous procéderons à une analyse approfondie de chacune de ces trois approches,
en fournissant des explications détaillées et des exemples concrets pour illustrer leur mise en
œuvre.
11
L'application de ces méthodes nécessite une compréhension approfondie du phénomène de
dégradation, de son évolution et du seuil critique [4]. Elle requiert également une
connaissance du mode de fonctionnement du système à analyser ainsi que de ses modes de
défaillance. Une fois que des modèles pertinents ont été élaborés, ils sont exploités pour
décrire et suivre au fil du temps le comportement du système et l'évolution de sa
dégradation, représentée par un ou plusieurs paramètres. La variation de ces paramètres
influence la dynamique et le comportement global du système [6]. Ces modèles de
dégradation, des représentations mathématiques de l'évolution de l a dégradation au fil du
temps pour un système fonctionnel, permettent également de modéliser l'état dans lequel
peut se trouver un système de production. Généralement, la dégradation entraîne une
diminution de la performance du système, et lorsque son niveau atteint un certain seuil, cela
provoque la défaillance du système [8].
Pour modéliser un processus de dégradation au fil du temps, deux mécanismes sont souvent
nécessaires, comme suggéré par la littérature. Le premier consiste à utiliser une distribution
existante des durées de vie du système, tandis que le deuxième mécanisme consiste à
contrôler le phénomène physique (corrosion, érosion, etc.) qui provoque la défaillance.
Chaque discipline scientifique possède ses propres mécanismes de dégradation et, par
conséquent, ses propres modèles [8].
En règle générale, la construction d'un modèle de dégradation nécessite l'identification d'un
ou plusieurs paramètres spécifiques au système, permettant ainsi de le décrire. Une fois le
modèle construit, ces paramètres sont mesurés pendant l'utilisation du système et comparés
aux sorties du modèle. Les différences entre les données réelles et les sorties du modèle
permettent de détecter une panne : une faible différence indique un état de fonctionnement
normal, tandis qu'une grande différence indique l'apparition prochaine d'une panne.
L'avantage principal du pronostic basé sur les modèles physiques réside dans la possibilité
d'incorporer directement la compréhension du phénomène physique responsable de la
dégradation. Cependant, l'inconvénient de ce modèle réside dans ses limitations face aux
systèmes complexes, nécessitant une compréhension globale du comportement du système
et une modélisation approfondie. Plus le système est complexe, plus il devient difficile
d'obtenir une compréhension physique des phénomènes liés à la dégradation. Par exemple,
les méthodes basées sur les modèles peuvent ne pas convenir pour traiter les f(t)pronostics
des machines rotatives dans des scénarios tels que les modèles de défaut des machines
variant selon les conditions de fonctionnement, et le système mécanique est si complexe que
12
la compréhension des principes de fonctionnement n'est pas simple, et le développement
d'un modèle précis est prohibitif. Ainsi, le pronostic basé sur les modèles est généralement
utilisé pour des cas bien spécifiques et des défaillances bien connues, dans des systèmes
relativement simples [1]..
À titre d'exemple d'application de cette technique, mentionnons le pronostic basé sur un
modèle physique appliqué à un problème de corrosion. Malgré les progrès des moyens de
protection contre la corrosion, celle-ci demeure la cause de nombreuses dégradations. Une
loi générale permet de modéliser le taux d'usure par corrosion, représenté l’équation
suivante :
𝑫(𝒕) = 𝑪𝒕𝒏
Tels que 𝐷(𝑡) est la profondeur d'usure en fonction du temps, 𝐶 est le taux effectif de
corrosion, et 𝑛 est un coefficient dépendant des propriétés du matériau et du milieu. Pour
estimer la durée de vie résiduelle du système dégradé par corrosion, il est nécessaire de
calculer sa durée de vie résiduelle par une équation [9].
∞
𝟏
𝑴𝑹𝑻(𝒕) = ∫ 𝑹(𝒕)𝒅𝒕 (𝑰. 𝟏)
𝑹(𝒕)
𝒕
Où 𝑅(𝑡) est la fonction de fiabilité .Soit f(t) est la fonction de densité de probabilité, alors
∞
𝑹(𝒕) = ∫ 𝒇(𝒕)𝒅𝒕
𝒕
−𝒅𝑹(𝒕)
𝑹(𝒕) =
𝒅𝒕
I.3.2. Le pronostic guidé par les données statistiques
Le pronostic guidé par les données, également connu sous le terme « data-driven » en
anglais, émerge comme l'une des approches de pronostic les plus largement appliquées dans
les actions de maintenance prédictive. Cette popularité s'explique par sa simplicité
d'exploitation, ses coûts d'implémentation réduits, et le niveau limité de connaissances
intrinsèques de l'équipement qu'elle requiert, en comparaison avec les approches basées sur
les modèles physiques qui demandent une compréhension approfondie de la physique du
phénomène de dégradation [1].. Cette méthode repose sur un processus de surveillance des
données pour construire des indicateurs d'état, permettant de suivre l'avancement d'une
dégradation, dont l'évolution future est déterminée soit par une méthode d'analyse de
tendance, soit par une méthode d'apprentissage.
13
L'approche consiste à évaluer l'état de santé d'un système et à estimer sa durée de vie
résiduelle à partir des données disponibles. Toutes les informations disponibles sur le
système peuvent contribuer à décrire facilement les mécanismes de dégradation liés à la
problématique. Un indicateur, tel que défini dans, « est une grandeur reflétant une
caractéristique de la santé, qu'elle soit de performance ou de dégradation, permettant de
quantifier la déviation par rapport au mode de fonctionnement nominal » [1].
Ce type de pronostic repose sur l'hypothèse que les caractéristiques statistiques des données
sont relativement constantes, à moins qu'un dysfonctionnement ne se produise dans le
système. Il permet ainsi de donner un sens aux données bruitées en fournissant des
informations claires et précises reflétant l'état réel du système, facilitant ainsi une prise de
décision éclairée en matière de pronostic [10].
Les approches basées sur les données sont privilégiées notamment pour les équipements qui
présentent une grande disponibilité de données historiques tout en étant limités dans leur
capacité à connaître leur physique de dégradation. Il peut également être préférable d'utiliser
cette approche lorsque la physique de dégradation est complexe, notamment dans les cas où
la propagation des mécanismes de défaillance menant au mode de défaillance est fortement
corrélée[5].. Le principe fondamental de cette approche repose sur la collecte d'informations
et de données sur le système, suivie de leur projection en vue d'envisager l'évolution future
de certains paramètres descripteurs ou caractéristiques, permettant ainsi de prévoir
d'éventuelles erreurs probables.
Selon [1], le pronostic guidé par les données peut être classé en deux catégories distinctes :
les modèles statistiques et stochastiques, et les réseaux de neurones artificiels.
A) Les modèles statistiques et stochastiques :
Dans ces modèles, on peut représenter mathématiquement les temps avant défaillances par
un calcul de la densité de probabilité, étant donné que ces modèles reposent sur l'hypothèse
que les temps avant défaillances des composants non distincts peuvent être considérés
comme des variables aléatoires identiques et non relatives. L'état de santé du composant
étudié peut être décrit par un ou plusieurs indicateurs de dégradation, constituant l'aspect
principal de ces modèles.
Après un processus de surveillance, une sélection de données est effectuée pour l'analyse,
permettant ainsi d'estimer ou de déterminer l'état de santé actuel du composant. L'estimation
de l'état de santé repose sur deux phases : une phase d'apprentissage, qui nécessite la
précision du point central des classes et la construction d'un modèle capable de représenter
14
le cycle de vie d'un système à partir des résidus sur des cycles complets de dégradation ; et
une phase d'exploitation, qui dépend de la phase d'apprentissage. Elle exploite le modèle
construit et les points centraux des classes [1]. L'estimation est réalisée par la recherche de la
séquence d'états à l'aide de l'algorithme de Viterbi [6].. La dégradation du composant est
considérée dans ce modèle comme une succession d'états depuis sa mise en service jusqu'à
son état de panne. Cela nécessite de décrire les lois de passage d'un état à l'autre, distinguant
ainsi deux classes de modèles : ceux qui décrivent une dégradation continue et ceux qui
décrivent une dégradation discrète.
B) Les réseaux de neurones artificiels (ANN)
incarnent un paradigme de traitement de l'information inspiré du fonctionnement du cerveau
humain. Leur capacité efficace d'apprentissage et de généralisation des relations non
linéaires entre les données d'entrée et de sortie les positionne comme des outils flexibles
pour l'apprentissage et la détection des défauts dans les systèmes. Leur aptitude à modéliser
des systèmes complexes constitue leur principal avantage, offrant des solutions adaptées
même avec des jeux de données limités. Les ANN ont acquis une position significative en
tant que technique puissante d'intelligence artificielle, particulièrement dans le diagnostic
des défauts des machines en rotation.
L'utilisation de classificateurs ANN dans le diagnostic des pannes contribue notablement à
accroître la fiabilité des méthodes de diagnostic. Un ANN est structuré en couches multiples
(MLP), composées d'unités (ou neurones) interconnectées par des bords dirigés (synapses).
Chaque couche reçoit les informations de la couche suivante, ce qui permet une
représentation hiérarchique des caractéristiques[7].
En fin, les modèles guidés par les données, en particulier les réseaux de neurones artificiels,
présentent une applicabilité étendue à divers systèmes, notamment dans des domaines
complexes comme les moteurs d'avion. Néanmoins, leur efficacité reste tributaire de la
qualité et de la quantité des données disponibles, soulignant l'importance d'une acquisition
de données exhaustive pour optimiser leur performance.
15
physique de la dégradation d'un système est impossible, ou lorsque la surveillance du
système est complexe en raison de contraintes d'installation de capteurs, le pronostic basé
sur l'expérience est fortement recommandé.
Cette approche s'adapte particulièrement bien aux systèmes complexes difficiles à modéliser
par des approches basées sur la physique, ou lorsque les données de surveillance sont moins
fiables. La condition préalable à l'application de cette forme de pronostic est la disponibilité
de données historiques de défaillances, une base de connaissances ou des données issues de
l'expertise sur le composant étudié. La modélisation de la dégradation dans cette approche se
fait de manière stochastique ou probabiliste, souvent basée sur des modèles fiabilistes [10].
Cette approche est préconisée pour des équipements présentant une probabilité élevée de
défaillance et un manque de moyens préventifs.
Le principe fondamental consiste à établir des modèles probabilistes ou stochastiques basés
sur les retours d'expérience accumulés au cours du cycle de vie de l'équipement, c'est-à-dire
pendant sa période d'exploitation. L'objectif est d'estimer la fiabilité du système en analysant
les retours d'expérience sur un ensemble de composants identiques. Grâce à leur expérience
et leur connaissance des modes de défaillance et de leurs causes, ce type de pronostic permet
une prise de décision immédiate en cas de changement inattendu du système étudié[1,5,10].
Les modèles probabilistes peuvent prendre la forme de processus stochastiques, tels que les
processus markoviens ou semi-markoviens, ou de fonctions de probabilité, parmi lesquelles
la loi exponentielle et la loi Weibull sont les plus couramment utilisées.
La loi exponentielle est spécifiquement utilisée lorsque le taux de défaillance est supposé
constant. Cela signifie que la dégradation du système est très faible, voire quasiment nulle.
Ainsi, la probabilité de défaillance est indépendante du temps de fonctionnement écoulé. La
loi de fiabilité suit donc la forme suivante :
𝑹(𝒕) = 𝒆−𝛌 𝐭 (𝑰. 𝟐)
Dans cette équation, 𝑅(𝑡) représente la fiabilité du système à un instant t, 𝑒 est la base du
logarithme naturel, λ est le taux de défaillance constant, et t est le temps de fonctionnement.
La RUL est estimée par cette forme :
∞ ∞
∫𝒕 𝑹(𝒕)𝒅𝒙 ∫𝒕 𝒆−𝛌𝐱 𝒅(𝒙) 𝟏
𝑹(𝒕) = = = (𝑰. 𝟑)
𝑹(𝒕) 𝒆−𝛌𝐱 𝛌
La simplicité de ce modèle permet aux experts de simplifier les calculs de fiabilité. Pour se
concentrer sur le vieillissement du système étudié, on peut utiliser un modèle basé sur la loi
de Weibull ou la loi Gamma.
16
L'avantage principal des approches basées sur l'expérience réside dans leur facilité
d'application dans une politique de maintenance prévisionnelle, car elles ne nécessitent pas
de conditions contraignantes telles que l'installation de capteurs ou une connaissance
approfondie de la physique de dégradation. Cela les rend moins coûteuses en termes
financiers. Cependant, elles présentent certains inconvénients, notamment le besoin d'une
quantité substantielle de données d'historique de pannes pour estimer les paramètres des lois
utilisées. Par conséquent, ce type d'approche ne peut être appliqué efficacement sur de
nouveaux systèmes qui ne disposent pas de données historiques. Un autre inconvénient est
que leurs résultats fournissent uniquement des estimations globales pour l'ensemble des
composants identiques, sans fournir une véritable RUL (Remaining Useful Life). Ainsi, on
constate que ces modèles manquent de précision par rapport aux autres modèles présentés
dans ce chapitre.
17
Méthode de pas necessaire Necessaire Necessaire
reconnaissance
des
défaillances
Historique de Utile pas necessaire Utile
maintenance
Besoin général ni capteur ni capteurs, pas de capteurs et
modèle modèle modèle
Les approches basées sur les modèles n'exigent pas de données historiques une fois que le modèle
est établi [Vachtsevanos et al., 2006]. Bien qu'elles puissent fournir des résultats précis, il peut être
complexe dans certains cas de créer des modèles englobant tous les processus physiques du
système. Parfois, il est nécessaire de développer plusieurs modèles, chacun représentant une facette
spécifique du problème. La création de ces modèles est souvent chronophage et exige un haut
niveau de compétence de la part des concepteurs et développeurs [El Koujok, 2010].
En revanche, les méthodes orientées données présentent l'avantage d'apprendre le comportement
d'un système uniquement à partir des données collectées, sans nécessiter une connaissance préalable
du composant ou du système considéré. Elles sont également adaptables à diverses applications
disposant de données de qualité et en quantité suffisante. Toutefois, elles dépendent fortement des
données de capteurs utilisées lors de l'apprentissage pour déterminer les corrélations et évaluer les
tendances menant à une défaillance.
Quant aux méthodes basées sur l'expérience, elles ont l'avantage de ne pas exiger une connaissance
approfondie des mécanismes de dégradation des éléments étudiés. Elles utilisent des modèles
simples plutôt que des modèles mathématiques complexes. Cependant, leur principal inconvénient
réside dans la difficulté à disposer d'un historique d'expérience passé représentatif de toutes les
conditions d'utilisation du système. De plus, ces méthodes sont moins réactives aux changements de
comportement d'un système, et leurs résultats sont souvent moins précis que ceux des approches
basées sur les modèles et orientées données, surtout en cas de conditions de fonctionnement
variables.
18
I.5. Conclusion
Dans ce premier chapitre, une idée générale sur la durée de vie résiduelle a été présentée, avec une
explication de son estimation à travers des méthodes de pronostics. Pour parvenir à estimer cette
durée de vie résiduelle, plusieurs points essentiels doivent être pris en considération, tels que la
dégradation, l'état d'avancement dans un composant et la vitesse d'évolution de cette dégradation.
Ainsi, une réponse précise à de nombreuses questions est nécessaire, comme détaillé dans ce
chapitre.
Trois méthodes ont été présentées pour la réalisation d'un pronostic dans ce chapitre, classées
comme suit :
Le pronostic basé sur les modèles physiques, qui exige une connaissance approfondie de la
physique du phénomène de dégradation.
Le pronostic basé sur les données, qui repose sur la surveillance du cycle de vie d'un
système par l'installation de capteurs.
Le pronostic basé sur l'expérience, applicable uniquement aux systèmes disposant de
données issues d'un historique de pannes.
Chacune de ces méthodes présente des avantages et des inconvénients, et le choix de la méthode
appropriée dépend des caractéristiques du système étudié. Ce chapitre fournit ainsi une base pour la
compréhension des différentes approches de pronostic en vue d'estimer la durée de vie résiduelle
des composants.
19
Chapitre 02 : Modélisation du phénomène de corrosion
II.1 Introduction :
Le phénomène de dégradation représente l'une des contraintes les plus préjudiciables pour les secteurs
industriels, entraînant d'importantes pertes sur divers plans tels que financier, matériel et en termes
de main-d'œuvre. La corrosion, en particulier, se pose comme l'une des principales causes de
dégradations, surtout dans les systèmes de transport souterrain des matières fluides tels que les
pipelines. Malgré les avancées dans les moyens de protection des matériaux contre ce problème, la
corrosion persiste en tant que phénomène de dégradation, suscitant ainsi la recherche de solutions
efficaces pour atténuer ses conséquences dévastatrices. Des spécialistes renommés tels que Guedes
Soares, Paik, Qin, et Cui ont envisagé des approches concrètes pour minimiser les impacts négatifs
de ce phénomène, considéré comme un obstacle majeur à l'évolution des entreprises. Malgré les
efforts déployés dans les études et les recherches, l'éradication totale de la corrosion demeure une
tâche insurmontable. Ainsi, nous nous tournons vers la modélisation prédictive à travers des
méthodes d'évaluation de la dégradation par corrosion [9,11]. Ce chapitre se propose d'expliquer les
trois modèles prédictifs les plus pertinents pour la modélisation du phénomène de dégradation par
corrosion.
II.2 La corrosion :
Au sein des secteurs industriels, la corrosion est identifiée comme un phénomène majeur de
dégradation, se traduisant par l'oxydation des métaux ou la perte de matière, comme observé
notamment dans les pipelines. La norme ISO 8044 offre la définition suivante de la corrosion : « La
corrosion est une interaction physico-chimique entre un métal et son environnement entrainant des
modifications dans les propriétés du métal et souvent une dégradation fonctionnelle du métal lui-
même, de son environnement ou du système technique constitué par les deux facteurs … »
20
Figure 3:Perte de métal dû à une corrosion profonde
21
II.3.2 Modèles physico-chimiques
Le modèle physico-chimique de prédiction de la corrosion généralisée du métal dans l’eau de mer
naturelle, est décrit par la relation suivante :
𝒑 −𝐕𝐩𝐤
𝒌− (𝟏 − 𝒆𝒙𝒑 ( )) = 𝐕𝐩𝛕 (𝐈𝐈. 𝟏)
𝐕𝐩 𝒑
Tel que :
K : perte d’épaisseur de métal (pm)
𝛕 : Temps d’exposition (année)
P : coefficient caractérisant les propriétés protectrices de la couche de produit de corrosion
(pm2/an)
VP : vitesse de corrosion à long terme (pm/an)[11].
22
II.3.1 .1 Modèles de Guedes Soares et Gorbatov
Ce type de modèle comprend trois phases [13] :
La première étape : se caractérise par l'absence de corrosion, résultant de l'efficacité du
système de protection.
La deuxième étape : débute lorsque le système de protection perd en efficacité, marquant le
début de la perte de matière (métal) au fil du temps.
La troisième étape : représente une évolution de l'état de corrosion, passant d'un
ralentissement à une stabilisation totale. La formation de produits de corrosion à la surface
du métal offre une protection contre l'agressivité du milieu environnant, entraînant une
diminution de la vitesse de corrosion jusqu'à atteindre zéro [11,12].
Ce modèle se présente sous la forme générale suivante.
𝒕 − 𝑻𝒔𝒕 𝒕
𝒅(𝒕) = 𝒅∞ {𝟏 − 𝐞𝐱𝐩 [− ]} = 𝒅∞ (𝟏 − 𝒆−𝛕 ) (𝑰𝑰. 𝟑)
𝜼
𝑑(𝑡) = 0 𝑡 ≤ 𝑟𝑐
𝒕
− 𝝉𝒄
𝒅(𝒕) = 𝐝∞ (𝟏 − 𝒆 𝝉𝒕 ) 𝒕 > 𝝉𝒕
Avec :
d∞
𝜏𝑡 = 𝑡𝑎𝑛𝑔∝ ; Avec 𝛼 angle défini
23
Figure 4:Evaluation de la dégradation selon le modèle de Guèdes Soares
24
3. La troisième phase représente l'évolution de la corrosion.
(II.4)
Avec
Une fois que l'efficacité du revêtement atteint zéro, la phase de transition débute. La durée
de la transition peut être traitée comme une variable aléatoire suivant une certaine
distribution statistique. Initialement, Paik a postulé que la corrosion débutait
immédiatement après l'échec du revêtement, similaire à l'approche adoptée par le modèle
de Guedes Soares et Gorbatov. La phase ultérieure, caractérisant la progression de la
corrosion, est formulée comme suit [13]:
(II.5)
Avec :
d(t) : perte d’épaisseur (mm)
T : âge de navire (année)
d(𝑡) = 𝐶1(𝑇 − 𝑇𝑐 )
𝑇𝐶 : Durée de vie du système de protection (année)
𝑇𝑡 : Durée de transition
𝑐1 , 𝑐2: Coefficient déterminés à partir d’une analyse statistique des données de
corrosion collectées sur les navires
Lors des applications de son modèle, Paik prend un coefficient 𝐶2 = 1, 𝑇𝑡 = 0, ce qui
revient à un model linéaire avec une vitesse constante dans le temps[11,13] :
d( 𝑡 ) = 𝐶1(𝑇 − 𝑇𝑐 )
25
Exemple : La figure II.3 montre la modélisation faite par Paik, appliqué sur un cas de
corrosion.
26
corroder sous forme de piqûres dès que le revêtement commence à se dégrader. Lorsque
l'efficacité du système est entièrement perdue, la corrosion devient généralisée. Qin et Cui
suggèrent de décrire l'évolution de la vitesse de corrosion dans le temps à l'aide d'une loi
de Weibull [11,12].
𝑟 (𝑡) = 0 0 ≤ 𝑡 ≤ 𝑇𝑠
(II.6)
Tel que :
27
Lorsque𝜂 = 1, le développement en série de Taylor au voisinage de 0 à l’ordre 1 de la
fonction Permet d’aboutir au modèle de la corrosion proposé par Paik :
28
Figure 6:modélisation de la perte d’épaisseur selon le modèle de Qin et Cui
La figure suivante présente simultanément les trois modèles précédents (Guèdes Soares
et Gorbatov, Paik model, Qin and Cui) sur un même graphique. L'objectif est d'établir
une comparaison graphique entre ces modèles afin d'évaluer l'état réel de la dégradation.
Cette visualisation permet une prise de décision éclairée en matière de plan de
maintenance.
29
Figure 7:Illustration qui regroupe la modélisation de corrosion selon les trois modèles
Nous constatons clairement une nette différence dans la trajectoire de chacune des trois
courbes, ce qui indique que les trois modèles reposent sur des visions de modélisation
distinctes. Plus précisément, le modèle de Guedes Soares a représenté la corrosion de
manière à montrer une perte d'épaisseur dès le début de la perte d'efficacité du système
de protection (deuxième phase) à une fréquence élevée. Ce n'est cependant pas le cas
pour le modèle de Paik, où la corrosion se manifeste de manière un peu plus lente,
intervenant uniquement lorsque l'efficacité du système de protection atteint zéro.
Comme évoqué précédemment, les modèles de Qin et Cui ne prennent pas en compte les
systèmes de protection et supposent que la corrosion se produit indépendamment de ces
systèmes.
30
II.4 Conclusion
Dans ce chapitre, nous avons fourni une explication générale sur le phénomène de
dégradation causé par la corrosion, mettant en lumière l'importance de le prendre en
considération dans les études de fiabilité afin de le prévenir à l'avenir. Nous avons
principalement fondé notre analyse sur les modèles physiques, qui se révèlent
particulièrement utiles dans la modélisation de l'état de corrosion. Ces modèles
comprennent :
- Les modèles empiriques,
- Les modèles physique-chimiques,
- Les modèles phénoménologiques.
L'approfondissement des modèles empiriques nous a permis de saisir les principes sous-
jacents aux modèles prédictifs de corrosion tels que les modèles de Guedes Soares et
Gorbatov, le modèle de Paik, ainsi que les modèles de Qin et Cui. Nous avons également
évalué leur efficacité dans le cadre des plans de maintenance prévisionnelle.
31
Chapitre 03 : Etude cas Estimation de la durée de vie
résiduelle d’un pipeline corrodé
III.1 IIntroduction
Les pipelines jouent un rôle crucial dans les secteurs gazier et pétrolier, contribuant
significativement à leur développement durable en assurant les fonctions cruciales de
production, de transport, et de distribution. Cependant, parfois, les conditions
opérationnelles peuvent être plus sévères que celles prévues lors de la conception,
entraînant ainsi la corrosion des pipelines.
Ce chapitre applique les modèles prédictifs de maintenance, détaillés dans le chapitre 2,
à un cas concret de corrosion de pipeline. L'objectif est d'évaluer la dégradation du
pipeline, permettant ainsi d'estimer sa durée de vie résiduelle (Remaining Useful Life en
anglais). Cette estimation représente le temps restant de fonctionnement du pipeline
avant qu'il ne devienne défaillant, et revêt une importance cruciale dans les études de
fiabilité.
32
Évaluer la perte d'épaisseur selon chaque modèle en modélisant l'évolution de la
dégradation.
Extraire les valeurs de perte d'épaisseur à l'instant choisi (t).
Calculer la moyenne et l'écart type de l'échantillon.
En utilisant l'équation (II.3) du modèle de Guèdes, nous avons généré la figure III.1 ci-
dessous, illustrant l'évolution de la dégradation en fonction du temps.
33
Figure 8:Estimation de la perte d’épaisseur selon le modèle Guèdes Soares
Nous notons une faible disparité dans l'échantillon au départ, indiquant une initiation de
la corrosion de manière uniforme sur l'ensemble du métal. Par la suite, l'écart commence
à s'accentuer après 15 ans, expliquant ainsi la persistance de la variation du phénomène
de dégradation avec un ralentissement de la vitesse de corrosion.
Après avoir extrait les valeurs de perte d'épaisseur à t=25 ans, nous allons créer un
histogramme pour la figure afin d'évaluer l'état de dégradation du pipeline.
34
Figure 9: La distribution aléatoire de l’échantillon (d) selon le modèle de Guèdes Soares
35
III.3.2 Estimation de la durée de vie résiduelle à partir de l’instant
(25ans)
La figure montre les instants correspond au seuil de défaillance
36
Figure 11:Distributions aléatoires de l’échantillon des instants d’apparition de défaillance selon le
modèle de Guedes Soares
37
L'application de l'équation (II.5) du modèle de Paik a généré la figure III.5 illustrant, sur
un échantillon de n paramètres, l'évolution de l'écart entre les courbes au fil du temps.
L'écart entre les courbes connaît une croissance progressive, avec une variation
significative à l'instant de 40 ans, reflétant un comportement de corrosion aléatoire. Pour
toutes les valeurs de perte d'épaisseur à cet instant (40 ans), l'histogramme de la figure
III.5 illustre la distribution de ces pertes en fonction de la densité de probabilité.
38
Figure 13:Distribution aléatoire de la variable (d) selon le modèle de Paik
Les données présentent une dispersion aléatoire, allant de valeurs peu observées à des
valeurs très observées. Pour garantir une évaluation plus fiable, nous estimons une
moyenne de perte d'épaisseur à 1.3281 mm, avec un écart type de 0.0367 mm. Dans ces
conditions, le pipeline continuera à remplir sa fonction requise tant que la valeur estimée
ne correspond pas au seuil de défaillance. Les inspections peuvent donc être planifiées de
manière optimale.
39
Figure 14:Illustration du seuil de défaillance selon le modèle de Paik
L'écart entre les courbes devient visible au niveau du seuil de défaillance, soulignant ainsi
la nécessité d'estimer l'instant moyen de défaillance. À cette fin, l'histogramme de la figure
14 présente une distribution aléatoire de toutes les valeurs d'instant de défaillance
probables, telles qu'indiquées dans la courbe ci-dessus.
Figure 15:Distributions aléatoires des instants d’apparition de défaillance selon le modèle de Paik
40
Selon la courbe en cloche, l'instant moyen de défaillance est estimé à 71.1160 ans, avec
un écart type de 2.8969 ans. En conséquence, la durée de vie résiduelle est d'environ
31.116 ans, avec un écart type de 2.8969 ans. Ces estimations fournissent des informations
cruciales pour la planification de la maintenance et l'assurance du bon fonctionnement
continu du pipeline.
La figure 16, une modélisation d’évolution de la perte d’épaisseur selon les paramètres ci-
dessus avec n effectif (n=100), obtenue suite à l’application de l’équation (II.8) du modèle
41
Figure 16:Illustration d’évolution de corrosion selon le modèle de Qin et Cui
Les courbes présentent un décalage constant entre elles, avec un écart initial minime qui
atteint son maximum à partir de 20 ans, stabilisant les valeurs de perte d'épaisseur dans la
plage de [1,5 ; 1,8 mm]. Afin d'obtenir une évaluation plus précise de la dégradation, la
valeur moyenne de la perte d'épaisseur du pipeline à l'instant t=40 ans est estimée.
L'histogramme de la figure III.9 distribue de manière aléatoire l'ensemble des valeurs de
perte d'épaisseur à cet instant particulier. Cette analyse contribue à une compréhension
approfondie de la dynamique de dégradation du pipeline.
42
Figure 17:Répartition empirique de perte d’épaisseur selon le modèle de Qin et Cui
L'analyse de la courbe en cloche révèle une moyenne de perte d'épaisseur se situant entre
[1,65 ; 1,7 mm]. L'estimation de la valeur moyenne s'établit à 1,6717 mm, avec un écart
type de 0,0692 mm. Ces paramètres statistiques fournissent une indication précise de la
tendance centrale ainsi que de la dispersion des valeurs, renforçant ainsi la fiabilité de
l'estimation de la dégradation du pipeline.
43
Figure 18:illustration du seuil de défaillance selon le modèle de Qin et Cui
La stabilisation des courbes à une valeur moyenne de 1,6 mm pour tous les points
temporels à partir de 20 ans suggère l'absence d'atteinte de défaillance dans ce scénario.
Cependant, en tenant compte des paramètres choisis, la probabilité de défaillance est
pratiquement nulle. En réalité, le pipeline subit une corrosion sévère au fil du temps, ce
qui remet en question l'adéquation des paramètres sélectionnés. Par conséquent,
l'estimation de la durée de vie résiduelle ne peut être fiable dans ces conditions, soulignant
ainsi l'importance d'une sélection judicieuse des paramètres pour une évaluation précise
de la dégradation.
III.5 Synthèse
Tableau 5:regroupe l’ensemble des résultats obtenus selon chaque modèle prédictif de corrosion,
dans le but de faire une comparaison.
44
dégradati Moyenne Ecart type Moyenne Ecart type
onprédictifs de
Corrosion
Modèle de Guèdes Soares 1.7855 0.0713 8.6465 4.2664
etGorbatov
L'estimation de la perte d'épaisseur présente une légère variation entre les résultats obtenus
selon chaque modèle, avec des valeurs moyennes d'environ 1,5 mm. Pour un choix
optimal, la considération de l'écart type est cruciale, privilégiant une valeur aussi basse
que possible par rapport à la moyenne. Dans ce contexte, les trois modèles démontrent
une efficacité similaire.
En ce qui concerne l'estimation de la durée de vie résiduelle (RUL), le modèle de Paik se
distingue comme le plus approprié. La moyenne de la RUL est de 31,116 ans avec un
écart type de 2,8969 ans. En comparaison, les modèles de Guèdes Soares et Gorbatov
présentent un écart type équivalant à la moitié de leur moyenne de RUL, rendant le modèle
de Paik plus fiable dans ce scénario spécifique.
III.6 Conclusion
Ce chapitre nous a permis d'aborder en premier lieu l'application des modèles prédictifs,
étudiés dans le chapitre précédent, sur un pipeline soumis à une corrosion. Ensuite, nous
avons décrit la démarche pour estimer la durée de vie résiduelle, se déroulant comme
suit :
45
Évaluation de la perte d'épaisseur au moment de l'inspection, en fonction du temps pour
estimer la dégradation.
Estimation de la durée de vie résiduelle à partir du moment de l'inspection.
Ces résultats fournissent aux ingénieurs en maintenance des informations
cruciales pour :
Planifier les inspections de manière optimale, réduisant ainsi les coûts d'intervention.
Préparer le remplacement du pipeline lorsque celui-ci atteint sa durée de vie prévue
46
Conclusion générale
Cette étude a développé une méthodologie novatrice pour évaluer la dégradation des
structures soumises à la corrosion, tout en permettant l'estimation de leur durée de vie
résiduelle. L'approche adoptée intègre des modèles prédictifs de corrosion, établissant
ainsi une relation entre la perte d'épaisseur et le temps, afin de modéliser l'évolution de
la dégradation, représentée par la perte d'épaisseur, au fil du temps.
L'objectif principal de cette méthodologie est d'optimiser la programmation des
inspections au fil du temps, permettant ainsi de déterminer de manière efficace les
moments propices au remplacement des systèmes défaillants. Cette approche offre une
perspective proactive pour la maintenance des structures, contribuant à la gestion
efficiente des actifs et à la prévention des défaillances inattendues.
47
Bibliographie:
[1] A, Delmas. Contribution à l’estimation de la durée de vie résiduelle des systèmes en
présence d’incertitude. Thèse de doctorat. Université de technologie de Compiègne,
(2019).
[2] ISO 13172 :2012, 1.15
[3]R.J Hyndman et A.B Koehler , « Another lookat measures of forcast
accuracy »,International Journal of forecasting ,22,2006,pp.679.688.
[4] C, Letot. Pierre, Dehombreux. Modèles de dégradation pour l’estimation de la
fiabilité et de la durée de vie résiduelle : applications à la fissuration.18 pages. Page 3.
(2009)
[5] O, Blancke. Développement d’une approche de pronostic pour mes équipements
complexes permettant l’application de la maintenance prévisionnelle. Thèse de doctorat.
Ecole de Technologie Supérieur Université de Québec,(2020).
[6] T, Aggab. Pronostic des systèmes complexes par l’utilisation conjointe de modèle de
Markov caché et d’observateur. Thèse de doctorat, Université d’Orléans, (2016).
[7] Y, Lei. Intelligent Fault Diagnosis and Remaining Useful life Prediction of Rotating
machinery. USA. Joe Hayton, (2007).
[8] H, Chouikhi. Optimisation des stratégies de maintenance verte pour les systèmes de
productions de bien et de services. Thèse de doctorat, Université de Lorraine, (2012).
[9] K .K. Govil & K. K. Aggarwal. Mean residual life function for normal gamma and
lognormal densities. Reliability engineering, 5, 47,51, (1982).
[10] Z, Bouzidi. Pronostic des systèmes industriels basé sur l’intelligence artificielle
Maintenance prédictive. Thèse de doctorat, Université de Mohamed Khider-Biskra,
(2019).
[11] S, Yacine. Optimisation des méthodes d’inspection des pipes. Thèse de doctorat,
Université Badji Mokhtar-Annaba, (2014).
[12] S-P Qin, WC Cui. A discussion of the ultimate strength of ageing ships, with
particular reference to the corrosion model, 216, 155, 160, (2002).
48
[13] Guedes Soares, C. and Garbatov, Y. Reliability of maintained, corrosion protected
plates subjected to non-linear corrosion and compressive loads. Mar. Structs, 1999, 12,
425–445. Bibliographie 38
[14] Paik, J. K., Kim, S. K. and Lee, S. K. Probabilistic corrosion rate estimation model
for longitudinal strength members of bulk carriers. Ocean Engng, 1998, 25(10), 837–860
[15] https://www.researchgate.net/figure/Classification-des-approches-de-pronostic-
49