Académique Documents
Professionnel Documents
Culture Documents
net/publication/259639225
CITATIONS READS
0 1,449
3 authors:
Pierre Dehombreux
Université de Mons
90 PUBLICATIONS 741 CITATIONS
SEE PROFILE
All content following this page was uploaded by Christophe Letot on 10 January 2014.
1. Introduction
Dans le monde industriel actuel, les équipements sujets à des pannes et/ou
détériorations sont nombreux. Souvent critiques, ces équipements doivent être
maintenus afin de continuer à remplir les missions pour lesquelles ils ont été conçus.
La maintenance joue ainsi un rôle primordial permettant de garantir la disponibilité
pour la production. Toutefois, cette fonction a souvent été négligée car trop
fréquemment perçue comme une source de dépenses. Mais cet état d’esprit tend à
changer avec l’évolution des équipements et des techniques de production. Qui plus
est, les machines sont de plus en plus complexes et les industriels cherchent à les
exploiter à leur plein régime dans un souci de compétitivité et de respect des délais
tout en cherchant à garantir les exigences de qualité et de sécurité requises. Ces
objectifs peuvent difficilement être atteints sans une maintenance adéquate.
Une politique de maintenance se définit par un ensemble d’actions exécutées et
ordonnées selon une certaine stratégie. Dans le cadre de cette recherche, nous
développons une approche fiabiliste basée sur l’analyse de la fiabilité des
équipements en vue de la définition des actions de maintenance préventive à
entreprendre. D'une manière générale, la théorie de la fiabilité s'intéresse à
caractériser la durée de vie résiduelle d'un système (installation, équipement, …).
Quel est le risque d'observer l'arrêt d'une ligne de production suite à la défaillance
d'un de ses postes ? Quelle est l’incidence de dédoublement d’un élément ? Les
théories fiabilistes permettent d'apporter des réponses à ces différentes questions.
La suite de cet article s’organise de la façon suivante. Tout d’abord, nous
présentons la méthodologie suivie dans son ensemble. Par après, nous détaillons les
procédures de calcul des différentes étapes en les illustrant sur un système fictif.
2. Méthodologie
Décomposition du système
en schémas blocs
Incertitudes Méthodes de
régression
Données de Estimation des lois de
maintenance fiabilité pour chaque
(durée, coûts composant Méthodes du
intervention…) maximum de
Incertitudes vraisemblance
Incertitudes
Solution analytique
pour un système
Optimisation monobloc
- coûts
- disponibilité Simulation de
Monte Carlo dans
Incertitudes les autres cas
les méthodes mises en œuvre doivent donc être capables de prendre en compte les
données censurées.
Dans le deuxième cas, les données de dégradation mesurées peuvent soit
provenir d’inspections ponctuelles réalisées manuellement ou être enregistrées en
continu à l’aide d’un dispositif de monitoring (Kilundu, 2009). On distingue
également les cas où la dégradation est directement mesurable des cas où elle est
mesurée de façon indirecte par l’intermédiaire de variables explicites de la
dégradation (co-variables). Par exemple, l’évolution de la fissuration d’un arbre de
machine peut être mesurée directement (taille de fissure) si ce dernier est accessible,
ou indirectement à l’aide de mesures de variables explicatives. A ce stade, on
distingue les variables actives (les causes) des variables passives (les conséquences)
qui sont corrélées à la dégradation. Dans le cas de l’arbre fissuré, la variable active
est le niveau de charge et la variable passive la vibration mesurée. Par ailleurs, la
notion de dégradation peut s’étendre aux notions de rentabilité, productivité, qualité.
Le principe est d’avoir un seuil de performance minimal en dessous duquel on
considère que le système est défaillant.
Figure II. Les trois approches pour l’estimation de la fiabilité et de la durée de vie
Bloc
Joints d’étanchéité
Bloc
Roulements
Bloc
Arbre de sortie
Sur base de ces hypothèses, la structure du système est composée de trois blocs
associés en série (figure 4).
1 2 3 4
Bloc Bloc Bloc
Roulements Joints d’étanchéité Arbre de sortie
ij 1 2 3 4
1 0 1 0 0
2 0 0 1 0
3 0 0 0 1
4 0 0 0 0
Christophe Letot, Guillaume Fleurquin, Pierre Dehombreux
ième jour
0 5 8 16 18 21 30 32 34 39
d'inspection
niveau
0 0,01 0,04 0,1 0,11 0,15 0,21 0,22 0,23 0,26
indicateur
ième jour
46 51 56 69 71 79 86 91 96 100
d'inspection
niveau
0,3 0,33 0,34 0,4 0,42 0,46 0,49 0,54 0,56 0,6
indicateur
cycles [106] 1 2 3 4 5 6 7 8 9 10
taille [mm] 1,17 1,36 1,59 1,86 2,18 2,56 3,01 3,54 4,17 4,92
6
cycles [10 ] 11 12 13 14 15 16 17 18 19 20
taille [mm] 5,82 6,88 8,15 9,67 11,49 13,67 16,29 19,44 23,24 27,83
« Reliabilitix », un outil d’optimisation de la maintenance basé sur la fiabilité
h h1
f ( x) x exp( x)
( h)
où Γ(αh) =
0
x h1 exp( x)dx
L’ajustement de ce modèle aux données de l’indicateur de dégradation s’effectue
à l’aide d’une méthode de maximum de vraisemblance (Feillée, 2010). Cette
méthode exprime la vraisemblance L sous la forme d’un produit des fonctions de
densité f(x) évaluées aux N valeurs observées. Pour faciliter les calculs, il est d’usage
d’avoir recours à une transformation logarithmique pour obtenir la log-
vraisemblance :
N N
ln L( xi | , ) ln f ( xi ) ln f ( xi )
i i
N N
ln L( xi | , ) N ln( ) N ln(( )) ( 1) ln( xi ) xi
i i
En recherchant le maximum de cette fonction en prenant les dérivées partielles
par rapport à α et β, on obtient les estimateurs des paramètres α et β:
'(ˆ ) 1 N
N
N ln(ˆ ) N
(ˆ )
N ln
N
x ln( x )
i i
i i
Nˆ
ˆ N
i xi
La figure 5 représente la recherche du maximum de vraisemblance et les
paramètres estimés (α=4.65 et β=723.5).
Christophe Letot, Guillaume Fleurquin, Pierre Dehombreux
R(t )
0
x t 1 exp( x)dx
0
x t 1 exp( x)dx
Figure VI. Indicateur de dégradation. Les points représentent les données mesurées
tandis que les lignes en escalier représentent des simulations du processus Gamma
ajusté sur les données.
Figure VII. Lois de fiabilité obtenues par simulation du processus Gamma (en
escalier rouge) et par voie analytique (en continu bleu)
Christophe Letot, Guillaume Fleurquin, Pierre Dehombreux
t ˆ
Fˆ (t ) 1 Rˆ (t ) 1 exp
ˆ
en passant deux fois le logarithme naturel, nous obtenons :
1
ln ln
ˆ ˆ ln(t ) ˆ ln(ˆ )
1 F (t )
l’identification des paramètres avec une droite Y=AX+B donne finalement :
ˆ A
ˆ exp B / ˆ
La figure 8 représente la droite de régression obtenue à partir de l’estimateur non
paramétrique. La figure 9 reprend la loi de fiabilité obtenue, ainsi que le modèle non
paramétrique et les intervalles de confiance à 95%.
« Reliabilitix », un outil d’optimisation de la maintenance basé sur la fiabilité
β = 2,73
η = 176,9 jours
ΔtR0.8=72 jours
Incertitudes sur les
paramètres :
ΔRt150 = 0.6
β = 3,87
η = 157 jours
ρ² = 99,1%
β = 2,73
η = 139,3 jours
Figure IX. Lois de fiabilité de Weibull en bleu continu, fiabilité non paramétrique
en escalier rouge et intervalles de confiance à 95% en vert continu.
Christophe Letot, Guillaume Fleurquin, Pierre Dehombreux
ˆ
Z
ˆ
est la loi normale centrée réduite. Dans ce cas, l’intervalle de confiance de niveau
α est déterminé par la relation :
dN
où C et m sont spécifiques pour chaque matériau. Ces paramètres sont obtenus
par régression après avoir linéarisé la loi de Paris :
da m m
ln ln C m ln ln a ln
dN 2 2
l’identification des paramètres avec une droite Y=AX+B donne finalement :
« Reliabilitix », un outil d’optimisation de la maintenance basé sur la fiabilité
m 2A
m
C exp B m ln 2 ln
Dans le cas présent, nous obtenons m=2,0915 et C=1,12*10-11 [m/cycles
(1/2) -m
(MPa.m ) ].
X 1 ( x C )2
P(C X ) exp dx
C 2 2 C 2
La figure 10 représente des courbes de fissuration aléatoires en considérant la
distribution statistique du paramètre C.
R( N ) P( N C N )
En intégrant la relation de Paris, nous obtenons l’expression de Nc :
Figure XI. Lois de fiabilité ; par simulation en escalier rouge à partir de 100
courbes de Paris générées ; par ajustement d’une loi lognormale en bleu ; par voie
analytique en vert.
« Reliabilitix », un outil d’optimisation de la maintenance basé sur la fiabilité
a ( m /2)1 a ( m /2)1
2
c 0
C
((m / 2) 1)( ) n dn
m m /2
N 1
R( N ) exp
C 2 2 C 2
La fiabilité par simulation est obtenue par une méthode de Monte Carlo en tirant
des valeurs du paramètre statistique dans sa distribution et en générant des courbes
de fissuration afin d’obtenir des temps de défaillance sur lesquels un modèle de
fiabilité lognormal est ajusté. La figure 11 représente les fiabilités obtenues.
Fiabilité des
roulements
Fiabilité de
l’arbre de sortie
Fiabilité du
système
Fiabilité des
joints
MRL(t )
0
R( y )dy
R(t )
Par exemple, la durée de vie résiduelle moyenne du système après 90 jours vaut
5,28 jours et les intervalles de confiance inférieur et supérieur à 95% valent
respectivement 3,92 jours et 8,22 jours comme représenté à la figure 13.
A | Tp
0
R(t )dt
Tp
R(t )dt F (Tp ).MTTRc (1 F (Tp )).MTTR p
0
Tp MTTRp
h(Tp ) R(t )dt F (Tp )
0 MTTRc MTTR p
Cette équation est alors résolue numériquement pour trouver la périodicité
optimale. Pour le calcul des coûts, l’équation est la suivante :
Optimum
Tp = 51,1 jours
Coûts = 62,2€/jour
Tp (jours)
Figure XIV. Recherche du minimum des coûts
Disponibilité
Optimum
Tp = 51,1 jours
Disponibilité = 97%
Tp (jours)
Figure XV. Recherche du maximum de la disponibilité
« Reliabilitix », un outil d’optimisation de la maintenance basé sur la fiabilité
On peut constater que le maximum est bien marqué dans les deux cas. La
périodicité optimale de maintenance préventive pour le composant des joints
d’étanchéité est donc de 51 jours.
Tp (jours)
Figure XVI. Evolution de la disponibilité en fonction de la périodicité de
maintenance préventive. Optimum pour Tp=45 jours.
Coûts (€/jour)
Tp (jours)
Figure XVII. Evolution des coûts en fonction de la périodicité de maintenance
préventive. Optimum pour Tp=45 jours.
« Reliabilitix », un outil d’optimisation de la maintenance basé sur la fiabilité
4. Conclusion
5. Bibliographie
Basile O., Prise en compte de l’incertitude dans les modèles fiabilistes de maintenance
industrielle ; extensions aux sollicitations variables, Thèse de doctorat, Faculté
Polytechnique de Mons (Université de Mons), 2007.
Basile O., « Evaluation on the uncertainty affecting reliability models ». Journal for Quality
in Maintenance Engineering, Vol. 13 (2), pp.137-151, 2007.
Feillée J., Modélisation et prévision de la dégradation du fil de contact caténaire dans l’espace
et dans le temps, Thèse de doctorat, Université de Paris, 2010.
Fleurquin G., « OPTIMAIN : plateforme d’élaboration de stratégies de maintenance pour la
gestion des systèmes complexes ». Revue Française de Gestion Industrielle, Vol. 26 (1),
2007.
Hadni S., « La réduction du risque comme objectif dans l’élaboration d’un plan de
maintenance », Actes du 4ème congrès PENTOM, Autrans (France), 2009
Kilundu B., « Early Detection of Bearing Damage by Means of Decision Trees ». Journal of
Automation, Mobile Robotics & Intelligent Systems, Vol. 3 (3), pp. 70-74, 2009.
Christophe Letot, Guillaume Fleurquin, Pierre Dehombreux
Letot C., « Degradation models for reliability estimation and mean residual lifetime »,
Proceedings of the 8th National Congress on Theoretical and Applied Mechanics, pp.
618-625, Brussels, Belgium, 2009.
Letot C., « Modèles de dégradation pour l’estimation de la fiabilité et de la durée de vie
résiduelle : applications à la fissuration. », Actes du 4ème congrès PENTOM, Autrans
(France), 2009.
Smith P.J., Analysis of failure and survival data, texts in statistical science, USA, Chapman
& Hall/CRC, 2002.
VanNoortwijk J.M., « A survey of the application of gamma processes in maintenance »,
Reliability Engineering and System Safety, Vol. 94, pp. 2-21, 2009.