Chapitre III Analyse des systèmes avec prise en compte de certaines dépendances 2023/2024

CHAPITRE III

Analyse des
systèmes avec
prise en
compte de
certaines
dépendances
1
Chapitre III Analyse des systèmes avec prise en compte de certaines dépendances 2023/2024

III.1 INTRODUCTION

En sûreté de fonctionnement des systèmes (SdF), un processus markovien est un modèle

mathématique utilisé pour représenter le comportement dynamique d'un système en termes de
probabilités de transition entre différents états. Ces modèles sont particulièrement utiles pour
analyser la fiabilité, la disponibilité et la maintenabilité des systèmes.

Un processus markovien dans le contexte de la sûreté de fonctionnement des systèmes

suppose que l'évolution du système au fil du temps peut être caractérisée par une séquence
d'états discrets, et que la probabilité de passer d'un état à un autre dépend uniquement de l'état
actuel du système, et non de la manière dont le système a atteint cet état.

Les caractéristiques clés d'un processus markovien incluent la propriété de Markov, qui
stipule que l'état futur dépend uniquement de l'état présent, et la propriété de stationnarité, qui
signifie que les probabilités de transition restent constantes au fil du temps.

Les processus markoviens sont souvent utilisés pour modéliser des systèmes complexes tels
que les réseaux de communication, les systèmes de production, les réseaux informatiques, etc.
Ces modèles permettent d'analyser la performance du système, d'identifier les points faibles
potentiels et de prendre des décisions en matière de maintenance et de gestion des ressources
pour améliorer la sûreté de fonctionnement du système.
P(Xt ∈ A ⁄ Xtn ∈ An, … . X1 ∈ A1) = (Xt ∈ A ⁄ Xtn ∈ An)
III.2 LES NOTIONS BASIQUES DE LA CHAINE DE MARKOV
III.2.1 METHODOLOGIE ET CONSTRUCTION
Pour établir un graphe d'état d'un système, vous devez prendre en considération plusieurs
éléments liés à la modélisation de la dynamique du système à l'aide d'une chaîne de Markov.
Voici les principaux aspects à considérer :
1. Définition des États : Identifiez les états possibles dans lesquels votre système peut se
trouver. Ces états devraient représenter les conditions distinctes ou les configurations du
système.
2. Matrice de Transition : Établissez une matrice de transition qui définit les probabilités
de passer d'un état à un autre en une seule itération. Chaque élément de la matrice
indique la probabilité de transition d'un état à un autre.

2
Chapitre III Analyse des systèmes avec prise en compte de certaines dépendances 2023/2024

3. Probabilités Initiales : Spécifiez les probabilités initiales pour chaque état, indiquant la
probabilité que le système commence dans un état particulier.
4. Chapitre de Temps : Décidez du chapitre de temps discret pour votre modèle. Cela
détermine la fréquence à laquelle les transitions d'état se produisent.
5. États Absorbants (le cas échéant) : Si votre système comporte des états absorbants (dans
lesquels le système reste indéfiniment), assurez-vous de les identifier.
6. Analyse de la Stationnarité : Si votre système atteint un équilibre, analysez la
distribution stationnaire des états. Cela peut vous donner des informations sur le
comportement à long terme du système.
7. Graphique d'État : Représentez graphiquement les états et les transitions sous forme de
graphe d'état. Chaque nœud représente un état, et les flèches entre les nœuds
représentent les transitions avec les probabilités associées.
8. Annotations : Vous pouvez annoter le graphe avec des informations supplémentaires,
telles que les probabilités de transition, les probabilités initiales, et toute autre
information pertinente.
9. Analyse des Performances : Une fois que le graphe d'état est établi, vous pouvez
l'utiliser pour analyser les performances du système, telles que la fiabilité, la
disponibilité, et d'autres métriques importantes.
La création d'un graphe d'état permet de visualiser de manière claire et intuitive le
comportement dynamique d'un système modélisé par une chaîne de Markov, ce qui
facilite l'analyse et la compréhension du système en question.

Pour établir un graphe d’état d’un système, il faut prendre en considération:

Méthodologie Construction

 Le nombre de composants qui constituent le système ;  Recenser les états 𝐸𝑖 du système à

partir de ceux des ses composants (un
système ayant n composants a au plus 𝑝 =
2𝑛 états).
 La structure du système ;  Définir les transitions entre les états
du système et identifier leurs causes
(défaillances, arrêt, réparation ou mise en
service des composants).
 Le nombre de réparateur ;  classer les états en états de
fonctionnement ou états de panne.
 La politique de maintenance.

3
Chapitre III Analyse des systèmes avec prise en compte de certaines dépendances 2023/2024

III.2.2 REPRESENTATION

 Chaque état du système est un sommet du graphe. Il est représenté par un

cercle. A chaque état 𝐸𝑖 est associée une probabilité qui dépend du temps :
𝑃𝑖(𝑡) = 𝑃(𝐸 (𝑡) = 𝐸𝑖 ) (𝐼𝐼𝐼. 1)
 Chaque transition est symbolisée par une flèche dirigée de l’état initial vers l’état
final. A chaque transition est associé un taux défini par la probabilité
conditionnelled’occurrence de la transition :
𝑎𝑖𝑗 (𝑡)𝑑𝑡 = 𝑃(𝐸 (𝑡 + 𝑑𝑡 ) = 𝐸𝑗(𝐸 (𝑡 ) = 𝐸𝑖 ) (𝐼𝐼𝐼. 2)
III.2.3 TAUX DE TRANSITION

𝑎𝑖𝑗 = 𝜆 ∶ 𝑆𝑖 𝑙𝑎 𝑡𝑟𝑎𝑛𝑠𝑖𝑡𝑖𝑜𝑛 𝑒𝑠𝑡 𝑢𝑛𝑒 𝑑é𝑓𝑎𝑖𝑙𝑙𝑎𝑛𝑐𝑒 𝑒𝑛 𝑓𝑜𝑛𝑐𝑡𝑖𝑜𝑛𝑛𝑒𝑚𝑒𝑛𝑡 ;

𝑎𝑗𝑖 = 𝜇 ∶ 𝑆𝑖 𝑙𝑎 𝑡𝑟𝑎𝑛𝑠𝑖𝑡𝑖𝑜𝑛 𝑒𝑠𝑡 𝑢𝑛𝑒 𝑟é𝑝𝑎𝑟𝑎𝑡𝑖𝑜𝑛.
III.3 SYSTEME A UNE ENTITE

Le processus de Markov stipule que l'état futur dépend uniquement de l'état présent et pas de
la séquence complète des événements passés. Cela signifie que l'histoire passée du système
est encapsulée dans son état actuel.

En particulier, si les probabilités de transition entre deux états ne sont pas affectées par le
temps, on parle de processus de Markov à temps homogène. Cela signifie que la probabilité
de passer d'un état à un autre reste constante au fil du temps. C'est le cas de tous les
phénomènes à distribution exponentielle.

λ.dt

Etat1 Etat2
A 1 0
Marche panne
Système
µ.dt

Figure III.1 : Graphique d’état modélisent la disponibilité

4
Chapitre III Analyse des systèmes avec prise en compte de certaines dépendances 2023/2024

III.3.1 Matrice des probabilités

La matrice de transition est un concept clé dans la modélisation des chaînes de Markov. Elle
représente les probabilités de transition entre différents états d'un système.
On considère le système simple à deux états présenté à la figure de dessus (III.1)

𝐶𝑜𝑛𝑑𝑖𝑡𝑖𝑜𝑛𝑠 𝑖𝑛𝑖𝑡𝑖𝑎𝑙𝑒𝑠 ∶ 𝑃(0) = (1, 0) ⇔ 𝑎𝑢 𝑑é𝑝𝑎𝑟𝑡 𝑙𝑒 𝑠𝑦𝑠𝑡è𝑚𝑒 𝑓𝑜𝑛𝑐𝑡𝑖𝑜𝑛𝑛𝑒 𝑃1(0) = 1 𝑒𝑡

𝑃2(0) = 0.

𝑃𝑖 (𝑡)
𝑹𝒂𝒑𝒑𝒆𝒍 ∶ ∑ 𝑃𝑖 = 1 𝑜𝑢 ∑ = ∑ 𝑃′ 1 + 𝑃̀′ 2 = 0 ⇒ 𝑖𝑐𝑖 𝑃1 + 𝑃2 = 1∀𝑡
𝑑𝑡
𝑜𝑢 𝑃′ 1 + 𝑃′ 2 = 0

𝑃1(𝑡 + 𝑑𝑡) = 𝑃1(𝑡) × (1 − 𝜆𝑑𝑡) + 𝑃2(𝑡) × 𝜇𝑑𝑡 (𝐼𝐼𝐼. 3)

( ) ( ) ( )
𝑃2 𝑡 + 𝑑𝑡 = 𝑃1 𝑡 × 𝜆𝑑𝑡 + 𝑃2 𝑡 × 1 – 𝜇𝑑𝑡 ( ) (𝐼𝐼𝐼. 4)
Sous forme matricielle, on obtient :
1 – λdt λdt
[𝑃1 (𝑡 + 𝑑𝑡) 𝑃2 (𝑡 + 𝑑𝑡) ] = [𝑃1 (𝑡) 𝑃2 (𝑡)] × [ ]
μdt 1 − μdt
⇒ 𝑃(𝑡 + 𝑑𝑡) = 𝑃(𝑡) × 𝑀 (𝐼𝐼𝐼. 5)
1 – λdt λdt
Où 𝑀 = [ ] est la matrice des probabilités qui caractérise le système
μdt 1 − μdt
Après le développement, la mise en ordre conduit à :
𝑑𝑃1 (𝑡) 𝑃1 (𝑡 + 𝑑𝑡) − 𝑃1 (𝑡)
= lim = −𝜆𝑃1 (𝑡) + 𝜇𝑃2 (𝑡) (𝐼𝐼𝐼. 6)
𝑑𝑡 ℎ→0 ℎ
𝑑𝑃2 (𝑡) 𝑃2 (𝑡 + 𝑑𝑡) – 𝑃2 (𝑡)
= lim = +𝜆𝑃1 (𝑡) − 𝜇𝑃2 (𝑡) (𝐼𝐼𝐼. 7)
𝑑𝑡 ℎ→0 ℎ
𝑑𝑃1 (𝑡) 𝑑𝑃2 (𝑡)
REMARQUE III.1 + = 0 … . 𝑒𝑠𝑡 𝑛𝑢𝑙𝑙𝑒
𝑑𝑡 𝑑𝑡

L’écriture sous forme matricielle des équations (𝐼𝐼𝐼. 6) 𝑒𝑡 (𝐼𝐼𝐼. 7) conduit à :

𝑑𝑃1 (𝑡) 𝑑𝑃2 (𝑡) –λ μ
[ ] = [𝑃1 (𝑡) 𝑃2 (𝑡)] × [ ]
𝑑𝑡 𝑑𝑡 λ −μ
𝑑𝑃(𝑡)
⇒ = 𝑃(𝑡) × 𝑄 (𝐼𝐼𝐼. 8)
𝑑𝑡

𝑑𝑃(𝑡) 𝑑𝑃1 (𝑡) 𝑑𝑃2 (𝑡) –λ μ

Où = [ ] ; 𝑃(𝑡) = [𝑃1 (𝑡) 𝑃2 (𝑡)]; 𝑄 = [ ] (𝐼𝐼𝐼. 9)
𝑑𝑡 𝑑𝑡 𝑑𝑡 λ −μ

5
Chapitre III Analyse des systèmes avec prise en compte de certaines dépendances 2023/2024

Cette nouvelle matrice Q, appelée matrice des taux de transition peut être construite aisé-
ment suivant le principe :
Etat 1 Etat 2
La somme des probabilités de
Etat 1 −𝜆 𝜆 chaque ligne est toujours nulle
Etat 2 𝜇 −𝜇

Tableau III.1 : Matrice des taux de transition

III.3.2 RESOLUTION DE L'EQUATION DIFFERENTIELLE

Les équations obtenues par le graphe d’état de Markov sont indiqué ci-dessous :

𝑑𝑃1(𝑡)
= −𝜆𝑃1(𝑡) + 𝜇𝑃2(𝑡) P1̇ (t) = −λP1 (t) + μP2(t) (III. 9)
{𝑑𝑃𝑑𝑡 ⇒{
2(𝑡)
= λP1 (t) − μP2(t) P2̇ (t) = λP1 (t) − μP2(t) (III. 10)
𝑑𝑡

𝑁𝑜𝑢𝑠 𝑠𝑎𝑣𝑜𝑛𝑠 𝑞𝑢𝑒 𝛴 𝑃𝑖 = 1 ⇒ 𝑃1(𝑡) + 𝑃2(𝑡) = 1 Donc P2(t) = 1 − P1(t) (III. 11)
Si en remplaçant (III.11) en (III.9) nous obtenons ce qui suit:
(𝐼𝐼𝐼. 9) ⇒ 𝑃1̇ (𝑡) = −𝜆𝑃1(𝑡) + 𝜇(1 − 𝑃1(𝑡)) ⇒ 𝑃1̇ (𝑡) + 𝜆𝑃1(𝑡) − 𝜇(1 − 𝑃1(𝑡)) = 0
⇒ 𝑃1̇ (𝑡) + 𝜆𝑃1(𝑡) − 𝜇 + 𝜇𝑃1(𝑡) = 0
⇒ 𝑃1̇ (𝑡) + 𝜆𝑃1(𝑡) + 𝜇𝑃1(𝑡) = 𝜇
⇒ 𝑃1̇ (𝑡) + (𝜆 + 𝜇)𝑃1(𝑡) = 𝜇
𝐸𝑞𝑢𝑎𝑡𝑖𝑜𝑛 ℎ𝑜𝑚𝑜𝑔è𝑛𝑒 ∶ 𝑃1̇ (𝑡) + (𝜆 + 𝜇)𝑃1 (𝑡) = 0
𝑆𝑜𝑙𝑢𝑡𝑖𝑜𝑛 ℎ𝑜𝑚𝑜𝑔è𝑛𝑒: 𝑃1 𝐻(𝑡) = 𝐶𝑒 −(𝜆+𝜇)𝑡
𝑆𝑜𝑙𝑢𝑡𝑖𝑜𝑛 𝑝𝑎𝑟𝑡𝑖𝑐𝑢𝑙𝑖è𝑟𝑒 ∶ 𝑃1 𝑝 (𝑡) = 𝐴
𝜇
𝑃1(𝑡) = 𝐴 ⇒ 𝑃1̇ (𝑡) = 0 𝐷𝑜𝑛𝑐 (𝜆 + 𝜇). 𝐴 = 𝜇 ⇒ 𝐴 =
𝜆+𝜇
𝜇
Solution globale : 𝑃1 (𝑡) = 𝐶𝑒 −(𝜆+𝜇)𝑡 +
𝜆+𝜇
Les conditions initiales étant 𝑃1(0) = 1 𝑒𝑡 𝑃2(0) = 0
𝜇 𝜇 𝜇 𝜆
𝑃1(0) = 𝐶𝑒 0 + =1⇒ 𝐶 + =1⇒𝐶 =1− ⇒
𝜆+𝜇 𝜆+𝜇 𝜆+𝜇 𝜆+𝜇
𝜆 𝜇
L'équation finale devient : 𝑃1 (𝑡) = 𝑒 −(𝜆+𝜇)𝑡 +
𝜆+𝜇 𝜆+𝜇
𝜆 −( 𝜆+𝜇) 𝑡 𝜇
La disponibilité vaut : 𝐴(𝑡) = 𝑃1(𝑡) = 𝜆+𝜇 𝑒 + 𝜆+𝜇
𝜆
L’indisponibilité vaut : 1 − 𝐴(𝑡) = 𝑃2(𝑡) = 𝜆+𝜇 . (1 − 𝑒−(𝜆+𝜇)𝑡 )

6
Chapitre III Analyse des systèmes avec prise en compte de certaines dépendances 2023/2024

Exemple d’application III.1

Application numérique : 𝜆 = 0.2 𝑒𝑡 𝜇 = 0.7

Donc A(t) = P1 (t) = 0.22𝑒 −0.9𝑡 + 0.77 et 1 − A(t) = P2 (t) = 0.22(1 − 𝑒 −0.9𝑡 )

L’utilisation d’un programme simple sur MATLAB ou bien SIMULINK/MATLAB permet

de tracer les courbes d’évolution de la disponibilité P1 (t) et de l’indisponibilitéP2 (t).

0.25
1

0.95 0.2

L'indiponibilité P2(t)
La disponibilité P1(t)

0.9 0.15

0.85 0.1

0.8 0.05

0.75 0
0 2 4 6 8 10 0 2 4 6 8 10
Temps t (sec) Temps t (sec)

Figure III.2 : Disponibilité et indisponibilité du système pour 𝜆 = 0.2 𝑒𝑡 𝜇 = 0.7

III.4 SYSTEME A 2 ENTITES

III.4.1 DISPOSITIF NON REPARABLE

𝜆1 + 𝜆2

Série
𝐴̅𝐵 + 𝐴𝐵̅
𝐴𝐵
𝐴̅𝐵

Parallèle 𝜆1 𝜆2̀

𝐴𝐵 𝐴̅𝐵̅

𝜆2
𝜆1̀

𝐴𝐵̅
Figure III.3 Dispositif non réparable d’un système à deux entités

7
Chapitre III Analyse des systèmes avec prise en compte de certaines dépendances 2023/2024

III.4.2 DISPOSITIF REPARABLE

λ1
𝐴̅𝐵

Série µ1
𝐴𝐵

λ2

µ2 𝐴𝐵̅

𝐴̅𝐵
Parallèle
𝜆1 𝜆 ̀2

𝐴𝐵 𝜆2 𝜆1̀ 𝐴̅𝐵̅

𝜇2

𝐴𝐵̅

Figure III.4 : Dispositif réparable d’un système à deux entités

III.5 SIMPLIFICATION
La simplification d'une chaîne de Markov avec n composants peut également être réalisée en
suivant des principes similaires à ceux décrits pour deux états. Voici quelques étapes
générales à suivre pour simplifier une chaîne de Markov avec n composants :
1. Élimination des Transitions Nulles : Supprimez les transitions qui ont une probabilité
nulle.
2. Réduction des États Équivalents : Si certains composants ont des comportements
équivalents, vous pouvez les regrouper en un seul état. Cela réduit le nombre total
d'états dans la chaîne de Markov.
3. Élimination des Transitions Répétitives : Si les probabilités de transition sont les
mêmes dans les deux sens entre deux états, vous pouvez les simplifier en utilisant une
seule probabilité de transition.

8
Chapitre III Analyse des systèmes avec prise en compte de certaines dépendances 2023/2024

4. Combinaison d'États Absorbants : Si certains composants sont absorbants (pas de

transitions sortantes), vous pouvez les combiner en un seul état absorbant.
5. Réduction du Nombre de Transitions : Si certaines transitions sont redondantes ou ne
contribuent pas significativement à la modélisation du système, vous pouvez les
éliminer.
6. Réduction de la Dimension de la Matrice de Transition : Si votre système est trop
complexe, vous pouvez essayer de réduire la dimension de la matrice de transition en
agrégeant des groupes d'états similaires.
Assurez-vous que la simplification ne compromet pas la précision du modèle par rapport à
vos objectifs d'analyse. Une simplification trop agressive peut conduire à une perte
d'information importante.

III.6 REDONDANCE
La redondance peut se produire lorsqu'il y a des transitions qui n'apportent pas d'information
significative ou qui sont déjà implicites dans d'autres parties du modèle.

III.6.1 REDONDANCE ACTIVE OU CHAUDE

La redondance active peut être interprétée comme un système dans lequel plusieurs chemins
sont actifs simultanément, et le système peut fonctionner tant qu'au moins un de ces chemins
est actif. Cela peut être modélisé en utilisant une approche de redondance active dans la
matrice de transition de la chaîne de Markov.
Dans la redondance k sur n le système fonctionne si et seulement si au moins k composants
parmi les n fonctionnent

Figure III.5 : Redondance active

9
Chapitre III Analyse des systèmes avec prise en compte de certaines dépendances 2023/2024

III.6.2 REDONDANCE PASSIVE OU FROIDE

Une redondance froide signifie qu'il existe une copie de secours ou un système de
remplacement, mais il n'est pas activé ou prêt à prendre en charge les opérations en temps
réel. Il doit être activé manuellement ou automatiquement lorsque le système principal
échoue.

Figure III.6 : Redondance passive ou froide

Exemple d’application III.2

Un système PV est supposé fonctionner sur 30 ans, nous divisons cette période en quatre (4)
intervalles (𝑇1 , 𝑇2 , 𝑇3 𝑒𝑡 𝑇4 ) 𝑑𝑒 7 𝑎𝑛𝑠 𝑐ℎ𝑎𝑐𝑢𝑛𝑒 :
1 à 7 𝑎𝑛𝑠 (𝑇1 );
8 à 14 𝑎𝑛𝑠 (𝑇2 );
15 à 21 𝑎𝑛𝑠 (𝑇3 );
22 à 28 𝑎𝑛𝑠 (𝑇4 ).

Période T1 T2 T3 T4
Début 0.9 0.06 0.04 0
Défaut
0 0.5 0.3 0.2
mineurs
Défaut majeur 0 0 0.3 0.7
Défaillance
0 0 0 1
complète
Tableau III.2 : Matrice de transition des probabilités
Les différentes études faites sur le terrain ont montré que la dégradation d’un système
photovoltaïque est évaluée à 1% par année.
Il ya quatre états possible pour construire la chaine de Markov, les probabilités sont
déterminées suite aux résultats des inspections.

10
Chapitre III Analyse des systèmes avec prise en compte de certaines dépendances 2023/2024

Au début, le système est bon. La matrice des probabilités est donnée ci-dessus :

0.9 0.06 0.04 0

0 0.5 0.3 0.2 0 0.5 0.3 0.2
0 0 0.3 0.7 0 0 0.3 0.7
0 0 0 1 0 0 0 1

Les quatre états du système photovoltaïque sont :

𝐸1 : système en bonne condition.
𝐸2 : système avec une dégradation partielle et est totalement opérationnel.
𝐸3 : système avec la majorité des défauts et est partiellement opérationnel.
𝐸4 : système complètement défaillant.
Les états 𝐸𝑖 sont définis compte tenus des seuils des caractéristiques du système étudié :
Le système PV est en bon état de fonctionnement au début, ce qui peut être traduit par
𝑃1 (0) = 1
La probabilité du système après :
 Première inspection ou après 7 ans est :
0.9 0.06 0.04 0
0 0.5 0.3 0.2 0 0.5 0.3 0.2
(𝑃1(1) 𝑃2(1) 𝑃3(1) 𝑃4(1))= × (𝑃1(0) 𝑃2(0) 𝑃3(0) 𝑃4(0)) (III.12)
0 0 0.3 0.7 0 0 0.3 0.7
0 0 0 1 0 0 0 1

0.9 0.06 0.04 0

(III.12)⇒ (𝑃1(1) 𝑃2(1) 𝑃3(1) 𝑃4(1)) = 0 0.5 0.3 0.2 × (1 0 0 0)0 0.5 0.3 0.2
0 0 0.3 0.7 0 0 0.3 0.7
0 0 0 1 0 0 0 1
⇒ (𝑃1(1) 𝑃2(1) 𝑃3(1) 𝑃4(1)) = (0.9 0.06 0.04 0)

P1(1) = 0.9
P2(1) = 0.06
⇒{
P3(1) = 0.04
P4(1) = 0

11
Chapitre III Analyse des systèmes avec prise en compte de certaines dépendances 2023/2024

 Seconde étape : 0.9 0.06 0.04 0

(𝑃1(2) 𝑃2(2) 𝑃3(2) 𝑃4(2)) = 0 0.5 0.3 0.2 0 2(1)

× (𝑃1(1) 𝑃 0.5𝑃3(1)
0.3𝑃40.2
(1)) (III.13)
0 0 0.3 0.7 0 0 0.3 0.7
0 0 0 1 0 0 0 1

0.9 0.06 0.04 0

0 0.5 0.3 0.2 0 0.5 0.3 0.2
(III.13) ⇒ (𝑃1(2) 𝑃2(2) 𝑃3(2) 𝑃4(2)) = × (0.9 0.06 0.04 0)
0 0 0.3 0.7 0 0 0.3 0.7
0 0 0 1 0 0 0 1

⇒ (𝑃1(2) 𝑃2(2) 𝑃3(2) 𝑃4(2)) = (0.81 0.084 0.066 0.04)

P1 (2) = 0.81
P (2) = 0.084
⇒ 2
P3 (2) = 0.066
{P4 (2) = 0.04

 Troisième étape :
0.9 0.06 0.04 0

(𝑃1(3) 𝑃2(3) 𝑃3(3) 𝑃4(3)) = 0 0.5 0.3 0.2 × (𝑃1(2) 0𝑃2(2)

0.5𝑃3(2)
0.3 𝑃40.2
(2)) (III.14)
0 0 0.3 0.7 0 0 0.3 0.7
0 0 0 1 0 0 0 1

0.9 0.06 0.04 0

0 0.5 0.3 0.2 0 0.5 0.3 0.2
(III.14) ⇒ (𝑃1(3) 𝑃2(3) 𝑃3(3) 𝑃4(3)) = × (0.81 0.084 0.066 0.04)
0 0 0.3 0.7 0 0 0.3 0.7
0 0 0 1 0 0 0 1

⇒ (𝑃1(3) 𝑃2(3) 𝑃3(3) 𝑃4(3)) = (0.729 0.0906 0.0774 0.103)

P1 (3) = 0.729
P (3) = 0.0906
⇒ 2
P3 (3) = 0.0774
{P4 (3) = 0.103

12
Chapitre III Analyse des systèmes avec prise en compte de certaines dépendances 2023/2024

Exercice III.1

La figure ci-dessous représente le graphe de Markov d’un système en redondance active à un

réparateur :
2λ λ

µ µ

1- Déterminer la matrice de taux de transition.

2- Ecrire l’équation d’état de la chaîne de Markov.
3- Déterminer 𝑃1(𝑡)

SOLUTION
−2𝜆 2𝜆 0
La matrice de taux de transition : 𝑀 = [ μ − (μ + 𝜆) 𝜆 ]
0 μ −μ

EQUATIONS D’ETATS

𝑑𝑃1 (𝑡) 𝑑𝑃2 (𝑡) 𝑑𝑃3 (𝑡) −2𝜆 2𝜆 0

( ) = [ μ − (μ + 𝜆) 𝜆 ] × (P1 (t) P2 (t) P3 (t)) (III. 15)
𝑑𝑡 𝑑𝑡 𝑑𝑡 0 μ −μ
𝑑𝑃1 (𝑡)
= −2𝜆. P1(t) + μ. P2(t) (III. 16)
𝑑𝑡
𝑑𝑃2 (𝑡)
⇒ = 2𝜆. P1(t) − (μ + 𝜆). P2(t) + μ. P3 (t) (III. 17)
𝑑𝑡
𝑑𝑃3 (𝑡)
= μ. P2 (t) − μ. P3 (t) (III. 18)
𝑑𝑡
{

DETERMINONS LA PROBABILITE 𝑃1(𝑡) :

2𝜆 1
𝐷𝑒 (III. 16)𝑃2(𝑡) = 𝑃1(𝑡) + 𝑃1̇ (𝑡) (𝐼𝐼𝐼. 19)
µ µ
En remplaçant l’équation (𝐼𝐼𝐼. 19) dans (III. 17) , donc on obtient :
2𝜆 1 2𝜆 1
𝑃̇2 (𝑡) = 𝑃1̇ (𝑡) + 𝑃1̈ (𝑡) = 2𝜆. P1 (t) − (μ + 𝜆) ( 𝑃1 (𝑡) + 𝑃1̇ (𝑡)) + μ. P3 (t)
μ μ μ μ
𝑂𝑛 𝑎 𝑃1(𝑡) + 𝑃2(𝑡) + 𝑃3(𝑡) = 1 ⟹ 𝑃3(𝑡) = 1 − 𝑃1(𝑡) − 𝑃2(𝑡)
En remplaçant dans (III. 17) , donc on obtient :
2𝜆 1 2𝜆 1
𝑃̇2 (𝑡) = 𝑃1̇ (𝑡) + µ 𝑃̈1 (𝑡) = 2𝜆. P1 (t) − (μ + 𝜆) ( µ 𝑃1 (𝑡) + µ 𝑃1̇ (𝑡)) + μ. (1 − 𝑃1(𝑡) −
µ

2𝜆
μ 1
𝑃 (𝑡) + 1μ 𝑃̇ 1(𝑡))

13
Chapitre III Analyse des systèmes avec prise en compte de certaines dépendances 2023/2024

2𝜆 1 2𝜆 1
𝑃1̇ (𝑡) + 𝑃1̈ (𝑡) − 2𝜆. P1 (t) + (μ + 𝜆) ( 𝑃1 (𝑡) + 𝑃1̇ (𝑡))
μ μ μ μ
2𝜆 1
− μ. (1 − 𝑃1(𝑡) − 𝑃1 (𝑡) + 𝑃̇ 1(𝑡)) = 0
μ μ

1 2𝜆 2𝜆 1
𝑃̈1 (𝑡) + 𝑃1̇ (𝑡) − 2𝜆. P1 (t) + (μ + 𝜆) ( 𝑃1 (𝑡) + 𝑃1̇ (𝑡))
μ μ μ μ
2𝜆 1
− μ. (1 − 𝑃1(𝑡) − 𝑃1 (𝑡) + 𝑃̇ 1(𝑡)) = 0
μ μ

1 2𝜆 (μ + 𝜆) 2𝜆(μ + 𝜆)
𝑃̈1 (𝑡) + ( + + 1) 𝑃1̇ (𝑡) + ( − 2𝜆 + 2𝜆 + μ) P1 (t) = μ
μ μ μ μ

2
P̈1 (t)+(3λ+2μ)Ṗ1 (t)+ (2λ +2λμ+μ2 ) P1 (t)= μ2 (III.20)

(III.20) est équation différentielle d’ordre deux nécessite d’être résolues.

RESOLUTION DE L’EQUATION DIFFERENTIELLE

 La solution homogène :
2
𝑆 2 (t)+(3λ+2μ)S(t)+ (2λ +2λμ+μ2 ) = μ2 (III.21)
𝒂=𝟏
{ = 𝟑𝛌 + 𝟐𝛍
𝒃
𝟐𝛌𝛍 + 𝟐𝛌𝟐 + 𝛍𝟐

Calcul du déterminant Δ:
𝛥 = 𝑏2 − 4𝑎𝑐 ⟹ 𝛥 = (3𝜆 + 2𝜇)2 − 4 × (2𝜆𝜇 + 2𝜆2 + 𝜇2 )
⟹ 𝛥 = 9𝜆2 + 12𝜆𝜇 + 4𝜇2 − 8𝜆𝜇 − 8𝜆2 − 4𝜇2
𝜆>0
⟹ 𝛥 = 𝜆2 + 4 𝜆𝜇 { ⟹ 𝛥> 0
μ>0
−𝑏−√∆ −(3𝜆 + 2𝜇)−√𝜆2 + 4 𝜆𝜇
𝑆1 = =
2𝑎 2
Les solutions de l’équation (III.21) sont {
−𝑏+√∆ −(3𝜆 + 2𝜇)+√𝜆2 + 4 𝜆𝜇
𝑆2 = =
2𝑎 2
Donc la solution homogène de l’équation différentielle est : 𝑃1(𝑡) = 𝐴𝑒 𝑆1𝑡 + 𝐵𝑒 𝑆2𝑡
 La solution particulière:
𝑃1(𝑡) = 𝐾 ⟹ 𝑃̇ 1 (𝑡) = 0 𝑒𝑡 𝑃̈1 (𝑡) = 0

(𝐼𝐼𝐼. 20) ⟹ (2𝜆𝜇 + 2𝜆2 + 𝜇2 )𝐾 = 𝜇2

𝜇2
⟹ 𝐾 =
2𝜆𝜇 + 2𝜆2 + 𝜇2

14
Chapitre III Analyse des systèmes avec prise en compte de certaines dépendances 2023/2024

La solution Particulière est :

µ2
𝑃1(𝑡) =
2µ𝜆 + 2𝜆2 + µ2
La solution générale :
µ2
𝑃1(𝑡) = 𝐴𝑒𝑆1 𝑡 + 𝐵𝑒𝑆2 𝑡 +
2µ𝜆 + 2𝜆2 + µ2
Déterminons 𝐴 et 𝐵 :
Les conditions initiales sont 𝑃1 (0) = 1 𝑒𝑡 𝑃̇1 (0) = 0
µ2
𝑃1(𝑡) = 𝐴𝑒𝑆1 𝑡 + 𝐵𝑒𝑆2 𝑡 + ⟹ 𝑃1̇ (𝑡) = 𝐴𝑆1 𝑒𝑆1 𝑡 + 𝐵𝑆2 𝑒𝑆2𝑡
2µ𝜆 + 2𝜆2 + µ2
𝑆1
Donc 𝑃1̇ (0) = 𝐴𝑆1 + 𝐵𝑆2 ⟹ 𝐴𝑆1 + 𝐵𝑆2 = 0 ⟹ 𝐵 = −𝐴. 𝑆2
µ2 µ2
𝑃1 (0) = 𝐴 + 𝐵 + ⟹𝐴 + 𝐵+ =1
2µ𝜆 + 2𝜆2 + µ2 2µ𝜆 + 2𝜆2 + µ2

2µ𝜆 + 𝜆2
𝐴 + 𝐵=
2µ𝜆 + 2𝜆2 + µ2

𝑆1 2µ𝜆 + 𝜆2 𝑆2 2µ𝜆 + 𝜆2
𝐴 − 𝐴. = ⟹ 𝐴 = .
𝑆2 2µ𝜆 + 2𝜆2 + µ2 𝑆2 − 𝑆1 2µ𝜆 + 2𝜆2 + µ2

2µ𝜆 + 𝜆2
𝑆1
⟹ 𝐵 = −( ).
𝑆2 − 𝑆1 2µ𝜆 + 2𝜆2 + µ2
𝑆2 2µ𝜆+𝜆2 𝑆1 2µ𝜆+𝜆2 µ2
𝑃1(𝑡) = ( . ) 𝑒 𝑆1 𝑡 + (− ( ). ) 𝑒 𝑆2 𝑡 +
𝑆2 −𝑆1 2µ𝜆+2𝜆2 +µ 2 𝑆2 −𝑆1 2µ𝜆+2𝜆2 +µ 2 2µ𝜆+2𝜆2 +µ2

𝑆2 2µ𝜆+𝜆2
𝐴=( . )
𝑆2 −𝑆1 2µ𝜆+2𝜆2 +µ2
𝑆1 2µ𝜆+𝜆2
𝐵 = (− ( ). ) ⟹ 𝑃1(𝑡) = 𝐴𝑒𝑆1 𝑡 + 𝐵𝑒𝑆2 𝑡 + 𝐾
𝑆2 −𝑆1 2µ𝜆+2𝜆2 +µ2
µ2
{ 𝐾 = 2µ𝜆+2𝜆2 +µ2
III.7 CALCUL DE LA FIABILITE
La nouvelle chaîne de Markov associée à un système en redondance active à 2 composants
devient :

La fiabilité du système est : 𝑅(𝑡) = 𝛴𝑖 ∈ é𝑡𝑎𝑡 𝑑𝑒 𝑓𝑜𝑛𝑐𝑡𝑖𝑜𝑛𝑛𝑒𝑚𝑒𝑛𝑡 𝑃𝑖(𝑡)

15
Chapitre III Analyse des systèmes avec prise en compte de certaines dépendances 2023/2024

EXERCICE III.2 : Les mêmes données que dans l'exercice précédent (Exercice III.1), sauf
que λ=0,6 et μ=0,3.
 Déterminer 𝑃1(𝑡), 𝑃2(𝑡) et 𝑃3(𝑡)
 Calculer la fiabilité du système.
SOLUTION
Afin de calculer la fiabilité, nous éliminons d'abord la transition de réparation d'un état de
panne. Après avoir fait cette étape, nous obtenons la figure ci-dessous :

1- Déterminons de la probabilité 𝑃1(𝑡)

Equations d’état de la chaîne de Markov : la matrice de taux de transition est
−1.2 1.2 0
𝑀 = [ 0.3 − 0.9 0.6 ]
0 0 0
𝑑𝑃1 (𝑡)
= −1.2P1(t) + 0.3P2 (t) (III. 22)
𝑑𝑡
𝑑𝑃2 (𝑡)
⇒ = 1.2P1 (t) − 0.9P2 (t) (III. 23)
𝑑𝑡
𝑑𝑃3 (𝑡)
= 0.6P2 (t) (III. 24)
𝑑𝑡
{
De l’équation(𝐼𝐼𝐼. 22), donc on obtient :
1 𝑑𝑃1 (𝑡) 1
P2 (t) = ×[ + 1.2P1 (t)] = × [𝑃1̇ (𝑡) + 1.2P1 (t)]
0.3 𝑑𝑡 0.3
En remplaçant l’équation (𝐼𝐼𝐼. 22) dans (III. 23) , donc on obtient :
1
⟹0.3 × [𝑃1̈ (𝑡) + 1.2𝑃1̇ (t)] − 1.2P1 (t) + 3 × [𝑃1̇ (𝑡) + 1.2P1 (t)] = 0

⟹ 𝑃1̈ (𝑡) + 2.1 × 𝑃1̇ (t) + 0.72 × P1 (t) = 0

En résoudre l’équation
𝑆 2 (t)+2.1S(t)+0.72= 0
Calcule le déterminant Δ :
𝛥 = (2.1)2 − 4 × (0.72) ⟹ 𝛥 = 1.53

16
Chapitre III Analyse des systèmes avec prise en compte de certaines dépendances 2023/2024

−𝑏−√∆ −2.1−√1.53
𝑆1 = = = −1.67
2𝑎 2
Les solutions de l’équation sont : {
−𝑏+√∆ −2.1+√1.53
𝑆2 = = = −0.43
2𝑎 2

𝐷𝑜𝑛𝑐 𝑃1(𝑡) = 𝐴𝑒 −1.67𝑡 + 𝐵𝑒 −0.43𝑡

Déterminons A et B :
Les conditions initiales sont : 𝑃1(0) = 1 𝑒𝑡 𝑃̇1̇ (0) = 0
𝑃1(𝑡) = 𝐴𝑒 −1.67𝑡 + 𝐵𝑒 −0.43𝑡 ⟹ 𝑃1̇(𝑡) = −1.67. 𝐴𝑒 −1.67𝑡 − 0.43. 𝐵𝑒 −0.43𝑡
𝑃1̇(0) = −1.67. 𝐴 − 0.43. 𝐵 = 0 ⟹ B = −3.88 × A
𝑃1(0) = 1 ⟹ 𝐴 + 𝐵 = 1 ⟹ A − 3.88 × A = 1 ⟹ A = −0.35 et B = 1.35
L’expression finale devient 𝑃1(𝑡) = −0.35 × 𝑒 −1.67𝑡 + 1.35 × 𝑒 −0.43𝑡
2- Déterminons de la probabilité 𝑃2 (𝑡)
De l’équation(𝐼𝐼𝐼. 23), donc on obtient :
P2̇ (t) = 1.2P1(t) − 0.9P2 (t)
P2̇ (t) + 0.9P2 (t) = −0.42 × 𝑒 −1.67𝑡 + 1.62 × 𝑒 −0.43𝑡 (𝐼𝐼𝐼. 25)
(𝐼𝐼𝐼. 25) est équation différentielle d’ordre 1
La solution homogène :
P2̇ (t) + 0.9P2 (t) = 0
S(t) + 0.9 = 0 ⟹ S = −0.9
Donc la solution homogène est : 𝑃2 (𝑡) = 𝐶𝑒 −0.9𝑡
La solution particulière :
𝑃2 (𝑡) = 𝑎𝑒 −1.67𝑡 + 𝑏𝑒 −0.43𝑡 ⟹ P2̇ (t) = −1.67𝑎𝑒 −1.67𝑡 − 0.43𝑏𝑒 −0.43𝑡
Dans (III.25)
−1.67𝑎𝑒 −1.67𝑡 − 0.43𝑏𝑒 −0.43𝑡 + 0.9𝑎𝑒 −1.67𝑡 + 0.9𝑏𝑒 −0.43𝑡 = −0.42𝑒 −1.67𝑡 + 1.62𝑒 −0.43𝑡
−0.77𝑎𝑒 −1.67𝑡 + 0.47𝑏𝑒 −0.43𝑡 = −0.42𝑒 −1.67𝑡 + 1.62𝑒 −0.43𝑡

−0.77𝑎 = −0.42 𝑎 = 0.55

⟹{ ⟹{
0.47𝑏 = 1.62 𝑏 = 3.45
La solution particulière est
𝑃2 (𝑡) = 0.55𝑒 −1.67𝑡 + 3.45𝑒 −0.43𝑡
La solution générale :
𝑃2 (𝑡) = 𝐶𝑒 −0.9𝑡 + 0.55𝑒 −1.67𝑡 + 3.45𝑒 −0.43𝑡

17
Chapitre III Analyse des systèmes avec prise en compte de certaines dépendances 2023/2024

La condition initiale est 𝑃2(0) = 0

𝐶 + 4 = 0 ⟹ 𝐶 = −4
−0.9𝑡 −1.67𝑡
𝑃2 (𝑡) = −4𝑒 + 0.55𝑒 + 3.45𝑒 −0.43𝑡
3-Déterminons la probabilité 𝑃3(𝑡)
𝑃1(𝑡) + 𝑃2(𝑡) + 𝑃3(𝑡) = 1 ⟹ 𝑃3(𝑡) = 1 − 𝑃1(𝑡) − 𝑃2(𝑡)
𝑃3 (𝑡) = 1 + 4𝑒 −0.9𝑡 − 0.55𝑒 −1.67𝑡 − 3.45𝑒 −0.43𝑡 + 0.35 × 𝑒 −1.67𝑡 − 1.35 × 𝑒 −0.43𝑡
𝑃3 (𝑡) = 1 + 4𝑒 −0.9𝑡 − 0.2𝑒 −1.67𝑡 − 4.8𝑒 −0.43𝑡
𝑅(𝑡) = 𝛴𝑖 ∈ é𝑡𝑎𝑡 𝑑𝑒 𝑓𝑜𝑛𝑐𝑡𝑖𝑜𝑛𝑛𝑒𝑚𝑒𝑛𝑡 𝑃𝑖(𝑡) ⟹ 𝑅(𝑡) = 𝑃1(𝑡) + 𝑃2(𝑡)
Déterminons la fiabilité du système
⟹ 𝑅(𝑡) = −0.35𝑒 −1.67𝑡 + 1.35𝑒 −0.43𝑡 − 4𝑒 −0.9𝑡 + 0.55𝑒 −1.67𝑡 + 3.45𝑒 −0.43𝑡

𝑅 (𝑡) = 0.2𝑒 −1.67𝑡 − 4𝑒 −0.9𝑡 + 0.48𝑒 −0.43𝑡

III.8 AVANTAGES ET LIMITES
III.8.1 AVANTAGES

Les modèles Markov sont largement utilisés dans l'analyse des systèmes en raison de
plusieurs avantages.

1. Simplicité conceptuelle : Les modèles Markov ont une structure conceptuelle simple
et intuitive. Ils sont basés sur des transitions d'états, ce qui rend facile la représentation
des changements d'état dans un système.
2. Modélisation des transitions stochastiques : Les modèles Markov sont
particulièrement adaptés pour modéliser des systèmes dont l'évolution dépend de
processus stochastiques, c'est-à-dire des processus aléatoires. Cela les rend utiles pour
représenter des systèmes dynamiques où les événements futurs sont incertains.
3. Analyse de la disponibilité : Les modèles Markov sont souvent utilisés pour évaluer
la disponibilité des systèmes, en calculant la probabilité qu'un système soit
opérationnel à un moment donné.
4. Facilité de simulation : Les modèles Markov peuvent être facilement simulés,
permettant aux ingénieurs et aux chercheurs de tester différentes configurations et
scénarios pour évaluer le comportement d'un système.

18
Chapitre III Analyse des systèmes avec prise en compte de certaines dépendances 2023/2024

III.8.2 LIMITES
1. Hypothèse de la mémoire courte : Les modèles Markov supposent que le futur d'un
système dépend uniquement de son état actuel et non de son historique complet. Cela
peut être une limitation importante pour les systèmes dont le comportement dépend de
l'historique des événements.
2. Statique dans le temps : Les modèles Markov sont souvent statiques dans le temps,
ce qui signifie qu'ils ne tiennent pas compte des changements dans les paramètres du
système au fil du temps. Cela peut être une limitation pour les systèmes dont les
caractéristiques changent au fil du temps.
3. Indépendance des événements : Les modèles Markov supposent souvent
l'indépendance des événements, c'est-à-dire que la probabilité d'aller dans un état futur
dépend uniquement de l'état actuel et non des états antérieurs. Cette hypothèse peut ne
pas être réaliste dans de nombreux scénarios réels.

19