Académique Documents
Professionnel Documents
Culture Documents
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
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.
3
Chapitre III Analyse des systèmes avec prise en compte de certaines dépendances 2023/2024
III.2.2 REPRESENTATION
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
4
Chapitre III Analyse des systèmes avec prise en compte de certaines dépendances 2023/2024
𝑃𝑖 (𝑡)
𝑹𝒂𝒑𝒑𝒆𝒍 ∶ ∑ 𝑃𝑖 = 1 𝑜𝑢 ∑ = ∑ 𝑃′ 1 + 𝑃̀′ 2 = 0 ⇒ 𝑖𝑐𝑖 𝑃1 + 𝑃2 = 1∀𝑡
𝑑𝑡
𝑜𝑢 𝑃′ 1 + 𝑃′ 2 = 0
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
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
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)
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
Série µ1
𝐴𝐵
λ2
µ2 𝐴𝐵̅
𝐴̅𝐵
Parallèle
𝜆1 𝜆 ̀2
𝐴𝐵 𝜆2 𝜆1̀ 𝐴̅𝐵̅
𝜇2
𝐴𝐵̅
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
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.
9
Chapitre III Analyse des systèmes avec prise en compte de certaines dépendances 2023/2024
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 :
(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
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) = 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
µ µ
SOLUTION
−2𝜆 2𝜆 0
La matrice de taux de transition : 𝑀 = [ μ − (μ + 𝜆) 𝜆 ]
0 μ −μ
EQUATIONS D’ETATS
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)
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
14
Chapitre III Analyse des systèmes avec prise en compte de certaines dépendances 2023/2024
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 :
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 :
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
17
Chapitre III Analyse des systèmes avec prise en compte de certaines dépendances 2023/2024
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