Cours Fiabilité 7.11.2023

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE
MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE

SCIENTIFIQUE
UNIVERSITE M’HAMED BOUGARA-BOUMERDES
Faculté des Sciences de l’Ingénieur
Polycopié de Cours
Spécialité : MMTR et MEM
Fiabilité des Systèmes
Dr. BENAMMAR Samir
FT-UMBB 2023
TABLE DES MATIERES
CHAPITRE I 3
LOIS DE PROBABILITES ET CARACTERISTIQUES DE LA FIABILITE 3
1 Rappel de probabilités 3
1.1 Variable aléatoire 3
1.2 Densité de probabilité et fonction de distribution cumulative 3
1.3 Fonction de densité conjointe 4
1.4 Mesures centrales 4
1.5 Mesures de dispersion 5
1.6 Mesures de corrélation 6
1.7 Propriétés des mesures centrales et de dispersion 7
1.8 Skewness 8
1.9 Kurtosis 8
2 Caractéristiques de la fiabilité 9
2.1 Fonction de fiabilité ou fonction de survie 9
2.2 Taux de défaillance instantané 10
2.3 Temps moyen avant la première défaillance 11
2.4 Temps moyen de réparation 11
2.5 Temps moyen de bon fonctionnement 11
2.6 Temps moyen d'arrêt 12
2.7 Temps moyen entre deux défaillances 12
2.8 Disponibilité 12
2.9 Maintenabilité 13
2.10 Disponibilité du système 13
CHAPITRE II 14
ANALYSE DE LA FIABILITE PAR LA LOI EXPONENTIELLE 14
1 Distribution exponentielle à 2 paramètres 14
2 Distribution exponentielle à 1 paramètre 14
3 Fonctions de la loi exponentielle 15
3.1 Moyenne, MUP ou MTTF 15
3.2 Médiane 15
3.3 Mode 16
3.4 Ecart-type 16
4 Fonction de fiabilité 17
5 Fonction de fiabilité conditionnelle 18
6 Durée de vie fiable 18
7 Fonction de taux de défaillance 18
8 Estimation des paramètres de la loi exponentielle 18
8.1 Méthode graphique 18
8.2 Méthode de régression 20
Polycopié de cours : Fiabilité des Systèmes 1

Auteur : Dr. S. BENAMMAR
CHAPITRE III 23
ANALYSE DE LA FIABILITE PAR LA LOI WEIBULL 23
1 Loi de Weibull à trois paramètres 23
2 Loi de Weibull à deux paramètres 23
3 Loi de Weibull à un paramètre 24
4 Fonctions de la loi Weibull 24
4.1 Moyenne, MUP ou MTTF 24
4.2 Médiane 26
4.3 Mode 26
4.4 Ecart-type 26
4.5 Fonction fiabilité 28
4.6 Fonction de fiabilité conditionnelle 29
4.7 Durée de vie fiable 29
4.8 Taux de défaillance 29
5 Estimation des paramètres de Weibull 29
5.1 Méthode graphique 29
5.2 Méthode de régression 47
CHAPITRE IV 51
ANALYSE DE LA MAINTENABILITE ET DE LA DISPONIBILITE DES SYSTEMES
REPARABLES 51
1 Introduction 51
2 Maintenabilité 52
2.1 Définition 52
2.2 Types de maintenabilité 52
2.3 Indicateurs de la maintenabilité 52
2.4 Temps techniques de réparation TTR 53
2.5 Approche mathématique de la maintenabilité 53
3 Disponibilité 56
3.1 Définition 56
3.2 Modélisation de la disponibilité instantanée 56
Références bibliographiques 64
Polycopié de cours : Fiabilité des Systèmes Mécaniques 2

CHAPITRE I
LOIS DE PROBABILITES ET
CARACTERISTIQUES DE LA FIABILITE
1 Rappel de probabilités
1.1 Variable aléatoire
Une variable aléatoire X prend différentes valeurs x dans l’intervalle ] -∞, +∞ [. Une variable
aléatoire est indiquée par un grand X, et sa valeur particulière est représentée par un petit x.
Les variables aléatoires sont de deux types: discrètes et continu.
Si la variable aléatoire prend seulement des valeurs discrètes, x1, x2, x3, ..., xn, on l'appelle
variable aléatoire discrète. D’autre part, si la variable aléatoire prend une valeur réelle dans
un intervalle spécifié, on l'appelle variable aléatoire continue [1].
1.2 Densité de probabilité et fonction de distribution cumulative

La fonction mathématique qui décrit la distribution d'une variable aléatoire sur l'espace
d’échantillon de la variable aléatoire continue, X, est appelée fonction de densité de
probabilité (PDF) et est désignée par fX (x). La PDF est uniquement définie pour les variables
aléatoires continues.
Une autre façon de décrire la distribution de probabilité pour les variables aléatoires discrètes
et continues est la fonction de distribution cumulative (CDF), FX (x). La CDF est définie pour
toutes les valeurs des variables aléatoires X dans l’intervalle ]-∞, +∞[ et est égale à la
probabilité que X est inférieur ou égal à une valeur réalisée x. Pour une variable aléatoire
continue, FX (x) est calculé en intégrant la PDF pour toutes les valeurs de X inférieures ou
égales à x:
De plus, si FX (x) est continu, alors la probabilité que X ait une valeur entre a et b peut être
calculée comme :
− =

1.3 Fonction de densité conjointe
La probabilité conjointe exprime la probabilité que deux ou plusieurs événements aléatoires
se produisent simultanément. En général, s'il y a n variables aléatoires, le résultat est un
vecteur aléatoire à n dimensions. Par exemple, la probabilité conjointe à deux dimensions est
calculée comme [1]:
[ < < , < < ]= ,
Où f XY (x, y) est la PDF conjointe des variables aléatoires X et Y.
, ≥ 0, , = 1$
La densité de probabilité de X pour toutes les valeurs possibles de y est la densité marginale
de x, elle est déterminée par:
= ,
La PDF de X pour un y spécifié représente la probabilité conditionnelle de X donnée par:
,
| | = , >0
Si X et Y sont indépendants, alors:
| | = et | | =
La PDF conditionnelle devient la PDF marginale et la PDF conjointe devient le produit des
marginaux:
, =
En général, la PDF commune est égale au produit des marginaux lorsque tous les variables
sont mutuellement indépendants:
.
= ' ( ) * … ,-' . ( , . =/ 0 1
12(
1.4 Mesures centrales

La moyenne de la population, également appelée espérance mathématique, est utilisée pour
décrire la tendance centrale d'une variable aléatoire. Ceci est une moyenne pondérée de toutes
les valeurs qu'une variable aléatoire peut prendre. Si f (x) est la fonction de densité de
probabilité de la variable aléatoire X, la moyenne est donnée par :

∞
3 =4 =
∞
Ainsi, 3 est la distance de l'origine vers le centre de la PDF. On l'appelle le premier moment
puisque c'est le premier moment de la zone de la PDF.
En générale, si g (x) est une fonction arbitraire de x, l’espérance mathématique de g (x) est
définie comme :
4[5 ]= 5
L'espérance mathématique, E [.], Possède les propriétés utiles suivantes: si X et Y sont

indépendants,
E [X Y] = E [X] E [Y]
Si c est un constant
E [c] = c
E [c X] = c E [X]
Si Z= X1 + X2 + ..... + Xn, alors E(Z) = E(X1) + E(X2)..... + E(Xn)
Les autres mesures centrales utiles sont la médiane et le mode des données: la médiane est la
valeur de X pour laquelle la fonction de distribution cumulative a une valeur de 0.5, et le mode
est la valeur de X correspondant à la valeur de crête de la fonction de densité de probabilité.
1.5 Mesures de dispersion

L’espérance mathématique ou valeur moyenne est une mesure de la tendance centrale, qui
indique l'emplacement de la distribution sur l'axe des coordonnées représentant la Variable
aléatoire. La variance, V (X), un deuxième moment central de X, est une mesure de
propagation dans les données sur la moyenne:
*]
6 = 4[ −3 = 4[ − 4[ ] * ]
= 4[ *
−2 4[ ] + 4[ ]* ]
*]
= 4[ − 2 4[ ] 4[ ] + 4[ ]*
*]
= 4[ − 4[ ]*
*]
Alors : 6 = 4[ −3 *
Tel que : µX = E[X].

1- Pour une variable aléatoire continue on a :
6 9 = −3 *
= *
−23 + 3 *
6 9 = *
−3 *
2- Pour une variable aléatoire discrète, on peut écrire :

.
6 9 = : ;1 1 −3 *
12(
6 9 = : ;1 1
*
$ −3 *
12(
Tel que :
.
3 = : ;1 1$
12(
<1
;1 =
<
ni est effectif et n est la somme des effectifs.
Une mesure de la variabilité de la variable aléatoire est généralement donnée par une quantité
connue sous le nom d'écart-type. L'écart-type est une racine carrée de la variance:
= = >6 9
L'écart type est souvent préféré à la variance comme mesure de dispersion parce que les
unités sont compatibles avec la variable X et sa valeur moyenne µX. La non
dimensionnalisation de l'écart-type se traduira par le coefficient de Variation (COV), δx, qui
indique la quantité relative d'incertitude ou caractère aléatoire:
=
? =
3
1.6 Mesures de corrélation

Si deux variables aléatoires (X et Y) sont corrélées, la probabilité de X peut être affecté par la
valeur prise par Y. Dans ce cas, la covariance, σXY, peut être utilisée comme une mesure pour
décrire une association linéaire entre deux variables aléatoires:
= = @AB , = 4[ −3 −3 ]

= = −3 −3 ,
Pour une variable aléatoire discrète, la covariance est donnée par :
∑.12( − ̅ −E
= =
1 1
<−1
Le coefficient de corrélation est une mesure non-dimensionnelle de la corrélation
=
F =
= =
Si x et y sont statistiquement indépendants, les variables ne sont pas corrélées la covariance

est 0 (Figures I-1a). Par conséquent, les coefficients de corrélation de ±1 indiquent une
corrélation parfaite (figure I-1b).
Figure I-1a : variables ne sont pas corrélées Figure I-1b : corrélation parfaite
1.7 Propriétés des mesures centrales et de dispersion

Si X, Y et Z sont des variables aléatoires, et a et b sont des constantes, on aura les propriétés
suivantes [1]:
• Var (aX ± bY) = a2 Var (X) + b2 Var (Y) ± 2 a b COV(X,Y)

• COV(Z, aX+bY) = a COV(Z, X) + b COV(Z,Y)
• COV(X,X) = E[(X-µX) (X-µX)]= E[(X-µX)2]= V(X)
En général si,
= ∑.12( 1 1 ;
Alors,
• 6 9 = ∑.12( 1 6
*
9 1 + ∑.12( ∑.G2( 1 G @ABH 1 , G I,J≠L
6 9 = ∑.12( 1 = 0
* *
+ ∑.12( ∑.G2( 1 G F1G = 0 = M

De plus, si une autre fonction linéaire de X est donnée comme,
N = ∑.12( 1 1 ;
Donc la covariance entre Y et Z peut être obtenue comme [1]:
• @AB ,N ∑.12( 1 1 6 9 1 8 ∑.12( ∑.G2( 1 G @ABH 1 , G I,J KL
@AB ,N ∑.12( 1 1 = *0 8 ∑.12( ∑.G2( 1 G F1G = 0 = M .
1.8 Skewness
L’espérance de cube de la différence entre la variable aléatoire et sa valeur moyenne (aussi
connu comme le troisième moment de la distribution autour de la moyenne) s’appelle le
skewness, ou l’asymétrie, de la distribution.
Par conséquent, le skewness, décrit le degré de l’asymétrie d'une distribution autour de sa

moyenne:
O 4 3 P
3 P
On peut écrire aussi :

T UA R<<R T UR J <R
QRS<R
T V R 9W W ;R
Une mesure non-dimensionnelle de skewness connue sous le nom de coefficient d'asymétrie

est dénotée comme :
4 3 P
X
=P
Si les variables aléatoires sont distribuées d’une manière symétrique (distribution normale)
alors θX prend la valeur de 0; si θX est positif, la dispersion est plus prononcée dans le cas où
les valeurs des variables aléatoires sont inferieures à la moyenne (figure I-2a) contrairement
au cas des valeurs de θX négatif (figure I-2b).
Où, YE, YZ et Y[ sont, respectivement, la moyenne, la médiane et le mode.
1.9 Kurtosis
Le kurtosis (Kx), le quatrième moment central de X, est une mesure de la planéité d'une
distribution.

Y[ YZ YE YE YZ Y[
Figure I-2a : asymétrie positive Figure I-2b : asymétrie négative
]]
4[ −3
\ =
=]
Une définition alternative du kurtosis (l’aplatissement) est donnée par :

.
1 −3 ]
\ = : −3
< =]
12(
Dans cette définition, le kurtosis de la distribution normale est zéro, une valeur positive du
kurtosis décrit une distribution qui a un pic aigu, et une valeur négative du kurtosis indique
une distribution plate par rapport à la distribution normale.
2. Caractéristiques de la fiabilité
Avant de traiter un problème de fiabilité spécifique, les éléments clés probabilistes pour la
mesure de la fiabilité sont d'abord présentés succinctement. Plus de détails sur le sujet peuvent
être trouvés dans la littérature [2-6].
2.1 Fonction de fiabilité ou fonction de survie

La fiabilité d'un appareil après un instant t correspond à la probabilité que l'appareil n'ait pas
de défaillance entre 0 et l'instant t.
En notant par T la variable aléatoire caractérisant le moment de défaillance du dispositif, la

fiabilité est exprimée par la fonction R (t) telle que: R (t) = Prob (qu'une entité E non
défaillante sur [0, t], en supposant que E n'est pas en panne à l'instant t = 0) [2].
R ( t ) = P (T ≥ t ) = 1 − F ( t )
F (t) est la fonction de distribution cumulative de la variable T.

Notez que la variable "temps" doit être considérée comme une unité d'usage. En effet, dans le
cas de dispositifs spécifiques l’unité d'usage doit être une distance (km), un nombre de tours,
des pulsations, etc.
Dans le cas particulier où l'étude porte sur le matériel utilisé dans la sollicitation (démarreur,
airbag, interrupteur, munition), la mesure de la fiabilité est considérée comme la probabilité
que l'équipement fonctionne au moment de la sollicitation.
La figure 3 est un schéma représentant la fonction de fiabilité R (t), la fonction de distribution

cumulative F (t) et la fonction de densité de probabilité f (t).
Figure I-3. Fonction de fiabilité R (t), fonction de distribution cumulative F (t) et fonction de
densité de probabilité f (t) [2].
2.2 Taux de défaillance instantané

Le taux de défaillance, noté λ (t), d'un dispositif à l'instant t est exprimé mathématiquement
par:
 1 R ( t ) − R ( t + ∆t ) 
λ ( t ) = lim  ⋅ 
∆t → 0 ∆ t
 R (t ) 
Physiquement, le terme λ (t) ∆ t mesure la probabilité qu'une panne d'un appareil survienne
dans l'intervalle de temps [t, t + ∆ t] sachant que ce dispositif a bien fonctionné jusqu'au temps
t.
Le taux de défaillance d'un appareil à l'instant t est défini par

dR ( t ) 1
λ (t ) = − ⋅
dt R ( t )
dF ( t ) 1
= ⋅
dt R (t )
f (t )
=
R (t )
f (t) est la fonction de densité de probabilité (PDF) du ‘temps avant la première défaillance’
(TTF).
La connaissance du taux de défaillance est suffisante pour déterminer la fiabilité, en utilisant

la formule suivante:
 t 
R ( t ) = exp  − ∫ λ ( s ) ⋅ ds 
 0 
2.3 Temps moyen avant la première défaillance

Le temps moyen avant la première défaillance (MTTF), par définition, est la durée de vie
moyenne T du système, et est donnée par [2]:
+∞ +∞
MTTF = E [T ] = ∫ t. f ( t ).dt = ∫ R ( u ).du
0 0
2.4 Temps moyen de réparation

Le temps moyen de réparation (MTTR) est une mesure de base de la maintenabilité des biens
réparables. Il représente le temps nécessaire pour réparer un composant ou un système
défaillant.
∞
MTTR = ∫ t m ( t ) dt
0
Où m (t) est la fonction de densité de probabilité de temps de réparation, elle est donnée par:
 t 
m ( t ) = µ ( t ) exp  − ∫ µ (τ ) dτ 
 0 
Où µ (t) est le taux de réparation.
2.5 Temps moyen de bon fonctionnement

Le temps moyen de bon fonctionnement (MUP) est le temps de fonctionnement moyen entre
le dernier redémarrage après réparation et la panne suivante. Ce temps sera égal au MTTF, si
après chaque réparation le système est "aussi bon que neuf" (assimilation à un système non
réparable).

2.6 Temps moyen d'arrêt
Le temps moyen d'arrêt (MDT) est le temps d’indisponibilité après défaillance. Cela
comprend tous les temps d'arrêt associés à la réparation, à la maintenance corrective et
préventive, à l'auto-extinction des temps d'arrêt et aux délais logistiques ou administratifs.
L'inclusion des temps de retard distingue le temps moyen d'arrêt du temps moyen de
réparation (MTTR), qui comprend uniquement les temps d'arrêt spécifiquement attribuables
aux réparations [8].
2.7 Temps moyen entre deux défaillances

Le temps moyen entre défaillances (MTBF) est le temps écoulé entre les défaillances
inhérentes à un système pendant son fonctionnement [3]. Le MTBF peut être calculé comme
le temps moyen arithmétique entre les défaillances d'un système. Le MTBF fait généralement
partie d'un modèle qui suppose que le système défaillant est immédiatement réparé (temps
moyen de réparation, ou MTTR), dans le cadre du processus de renouvellement.
Première Début Remise en Deuxième

défaillance d’intervention marche défaillance
Cycle de vie
Figure I-4. Durées moyennes associées à la fiabilité [2].
Ceci est en contraste avec le temps moyen pour la première défaillance (MTTF), qui mesure
le temps moyen de défaillance avec l'hypothèse de modélisation que le système défaillant est
non réparable. Le MTBF peut être calculé par la somme de MDT et MUP.
MTBF = MDT + MUP
D'autres caractéristiques de fiabilité que nous n'avons pas mentionnées ici sont bien
présentées dans toute littérature traitant de la fiabilité: [3, 8], etc.
La figure 4 montre les périodes moyennes principales pendant la durée de vie du matériau.
2.8 Disponibilité
La notion de disponibilité ne concerne que les articles réparables (ou maintenus) et est définie
comme la probabilité qu'un système réparable (ou un composant) fonctionne à l'instant t.
contrairement, l'indisponibilité d'un système réparable (ou d'un composant) est définie comme
la probabilité que l'article soit en panne à l'instant t, ce qui dépend du nombre de défaillances
et des temps de réparation.

La disponibilité A (t) est alors donnée comme probabilité P que la composante E ne soit pas
dans un état de défaillance à l'instant t:
A (t) = P [E n’est pas défaillant à t]
La disponibilité peut être exprimée en termes de temps moyen entre deux défaillances et le
temps moyen de réparation:
MUP
A = MTBF
i
2.9 Maintenabilité
La maintenabilité est la capacité d'une entité à être maintenue ou restaurée à un moment
donné dans un état où elle peut remplir une fonction requise, lorsque la maintenance est
effectuée dans des conditions données, avec des procédures et des ressources prescrites. Elle
est caractérisée par la probabilité M(t) que l'entité E est dans l'état, à l'instant t, pour remplir
ses fonctions, sachant que l'entité était en panne à l'instant 0.
M (t) = P [E est réparable sur [0, t]]
La maintenabilité peut également être exprimée comme la fonction de distribution du temps

de réparation par:
 t 
M ( t ) = 1 − exp  − ∫ µ (τ ) dτ 
 0 
2.10 Disponibilité du système

Pour un système en série avec "n" composants indépendants, la disponibilité du système est
égale au produit des disponibilités individuelles:
n
A ( t ) = ∏ Ai ( t )
i =1
Où Ai (t) est la disponibilité pour chaque composant.
La configuration parallèle exige que tous les composants soient indisponibles pour que le
système soit indisponible:
n
A ( t ) = 1 − ∏ 1 − Ai ( t ) 
i =1

CHAPITRE II
ANALYSE DE LA FIABILITE PAR LA LOI
EXPONENTIELLE
La distribution exponentielle est une distribution couramment utilisée en ingénierie de

fiabilité [7,8]. Mathématiquement, elle s'agit d'une distribution assez simple, qui conduit
souvent à son utilisation dans des situations inappropriées. C'est, en fait, un cas particulier de
la distribution de Weibull (voir CHAPITRE III). La distribution exponentielle est utilisée pour
modéliser le comportement des unités qui ont un taux de défaillance constant (ou des unités
qui ne se dégradent pas avec le temps ou ne s'usent pas).
1 Distribution exponentielle à 2 paramètres

La distribution exponentielle à 2 paramètres est donnée par [9]:
W =_R ` a b
Tel que: W ≥ 0, _ > 0 RW W ≥ c .
Où: λ est le taux de défaillance (λ =constant), en nombre de défaillances par unité de mesure
(par exemple, pannes par heure, par cycle, etc.)
Le paramètre de localisation γ, s'il est positif, décale le début de la distribution d'une distance
γ à la droite de l'origine, signifiant que les défaillances aléatoires commencent à se produire
seulement après γ heures de fonctionnement, et ne peuvent pas se produire avant.
2 Distribution exponentielle à 1 paramètre

La distribution exponentielle à 1 paramètre est donné par [9]:
1 (
W =_R à
= R d
U

(
Tel que: U > 0, _ = > 0, W ≥ 0 RW c = 0.
d
m est le temps moyen de bon fonctionnement (MUP)
t = temps de fonctionnement, vie ou âge, en heures, cycles, etc.
3. Fonctions de la loi exponentielle

3.1 Moyenne, MUP ou MTTF
3 = YE = W W W
b
3 = YE = W _R ` a b
W
b
On utilise une intégration par partie:
f B̀ = [f B ] − fB
̀
On trouve :
3 = YE = −[W R ` a b
]b − −R ` a b
W
b
1
= −[0 − c] − [0 − 1]
_
1
= hc + i
_
Alors :
m
k = hl + i
j
n
Notez que lorsque γ = 0, le MTTF est l'inverse du taux de défaillance constant de la

distribution exponentielle.
3.2 Médiane
La valeur médiane (Yo) représentée par F (Yo) = 50% = 0.5
uo
Ou bien : F M = 50% = 0.5 = tb W W

uo
0.5 = _R ` a b
W
b
0.5 = −[R ]v
` a b uo
0.5 = −[R ` uo b
−1
T< 2 _ Yo c
1
Yo T< 2 8 c
_
m
On obtient alors :
w = l + . x. yz{
j
n
3.3 Mode
Selon la figure ci-dessous, représentant la fonction f(t), la valeur maximale de f(t) est à t = γ,
tel que f(γ)=λ.
Alors le mode est :

|
j l
3.4 Ecart-type
=u >6 9 Y
6 9 Y W* _ R ` a b
W−3 *

Tel que :
3 = YE = ` + c
(
On utilise une intégration par partie pour la résolution de cette intégrale, on trouve :
2 2
W* _ R ` a b
W = [W * R ` a b
]b − [W R ` a b
]b − [R ` a b
]b
_ _*
b
2c 2
W* _ R ` a b
W = [ c* + + ]
_ _*
b
= YE * =
( *b (
D’autre part : 3 *
+c *
= [ c* + + `) ]
` `
m
Enfin : }~• j = n€
m
Ou bien : •j = n
4. Fonction de fiabilité
L'équation de la fonction de densité cumulative exponentielle à 2 paramètres, ou CDF, est
donnée par:
a a
W = W W= _R ` a b
W
b b
W = 1−R ` a b
Rappelons que la fonction de fiabilité d'une distribution quelconque est, tout simplement, la
fonction complémentaire de F(t), la fonction de fiabilité de la distribution exponentielle à 2
paramètres est donnée par:
‚ W = W W= _R ` a b
W
a a
=R ` a b
=1− W
Alors : ‚ W = 1− W =R ` a b
La fonction de fiabilité exponentielle à 1 paramètre est donnée par:

a
‚ W =R à
=R d
5. Fonction de fiabilité conditionnelle

L'équation de fiabilité conditionnelle donne la fiabilité pour une mission de durée t, ayant déjà
accumulé avec succès des heures d'opération T jusqu'au début de cette nouvelle mission. La
fonction de fiabilité conditionnelle pour la loi exponentielle est:
‚ Y8W R ` uƒa b
‚ W|Y =R à
‚ Y R ` u b
‚ W|Y R à
Cette équation montre que lorsque le taux de défaillance est constant pendant une période de
(T+t), alors la fiabilité pour la nouvelle mission t est indépendante de l’âge du bien au début
de cette mission, elle dépend que du taux de défaillance et de la durée t de la nouvelle
mission.
6. Durée de vie fiable

La durée de vie fiable tR, ou la durée de la mission pour un objectif de fiabilité souhaité, est:
‚ W„ = R ` a… b
Or :
ln[‚ W„ ]
W„ = c −
_
7. Fonction de taux de défaillance
La fonction de taux de défaillance, pour la loi exponentielle, est:
W _R ` a b
_ W = = = _ = A< W <W
‚ W R ` a b
8. Estimation des paramètres de la loi exponentielle

8.1 Méthode graphique
Par rapport aux autres distributions, la courbe de probabilité exponentielle est la seule avec
une pente négative. Ceci est dû au fait que l'axe des ordonnées de la feuille de calcul des
probabilités exponentielles représente la fiabilité, alors que l'axe des y pour la plupart des
autres distributions représente la fonction défaillance (CDF). Pour la distribution
exponentielle à deux paramètres, la fonction de densité cumulative est donnée par:
W =1−R ` a b
Faisant le logarithme dans les côtés de l’équation précédente, on obtient:

T<[1 W _ W−c
Ou :
T<[1 W _c _W
On suppose que:
= T<[1 W
_c
On obtient l’équation linéaire suivante:
8 W
Exemple
6 unités sont soumises à un test de fiabilité. Les TTF obtenus sont 7, 12, 19, 29, 41 et 67
heures. Estimer le taux de défaillance pour une distribution exponentielle à 1 paramètre en
utilisant la méthode graphique.
Afin de tracer les points dans le papier exponentiel, les valeurs d'estimation de fiabilité
appropriées doivent être obtenues. Ceux-ci seront équivalents à 100% - Fi, telle que Fi est
l’estimation de F(t) par la méthode des rangs médians.
TTF Rang (i) Fi Ri

7 1 10.91 89.09
12 2 26.44 73.56
19 3 42.14 57.86
29 4 57.86 42.14
41 5 73.56 26.44
67 6 89.09 10.91
Ensuite, ces points sont tracés sur un papier exponentiel. Remarquez comment ces points
décrivent une ligne avec une pente négative. Une fois les points sont représentés, on trace la
meilleure ligne droite possible à travers ces points [9].
à
‚ W R
(
‚ W =R `
`
‚ W =R (
= 0.368 36.8 %

Ce graphe montre que la droite représentant l’ajustement des points des données coupe l’axe
de R(t) à R=36.8% (à t= 33 heures, c’est la moyenne). Et comme 1/λ = 33 heures alors, λ =
0.0303 défaillances/heure.
8.2 Méthode de régression

8.2.1 Méthode des moindres carrés
La régression sur Y nécessite qu'une ligne droite soit ajustée à l'ensemble des points de
données disponibles de sorte que la somme des carrés des écarts verticaux des points à la
ligne soit minimisée. L’estimation des paramètres de la droite ajustée est donnée par les
équations suivantes:
∑‹ ∑‹
Š= −• = E−• ̅
12( 1 12( 1
Œ Œ
∑‹ ∑‹
Et:
∑‹ − 12( 1 12( 1
•= 12( 1 1 Œ
∑‹ *
∑‹ *
− 12( 1
12( 1 Œ
Dans notre cas les équations pour yi et xi sont :
1 = T<[1 W1
1 W1
Les paramètres de la loi sont définis par:
_Ž •

Š
cŠ =
_Ž
F (ti) est estimée à partir des rangs médians. Une fois Š et • sont obtenus, alors _Ž et cŠ peuvent
facilement être obtenus à partir des équations ci-dessus. Pour l'exponentielle à un paramètre,
les équations pour estimer a et b deviennent:
Š=0
∑‹
•= 12( 1 1
∑‹
12(
*
1
8.2.2 Coefficient de corrélation

Le coefficient de corrélation est donnée par :
∑‹ − ̅ −E
FŠ =
12( 1 1
•∑‹
12( 1 − ̅ *. ∑‹
12( 1 −E *
Exemple
14 unités ont été testées pour leur fiabilité, les données obtenues sont représentées dans le
tableau ci-dessous. On suppose que les données suivent une distribution exponentielle à 2
paramètres, estimer les paramètres de la loi et déterminer le coefficient de corrélation, en
utilisant la méthode de régression sur Y (méthode des moindres carrés).
N 1 2 3 4 5 6 7 8 9 10 11 12 13 14
TBF 5 10 15 20 25 30 35 40 50 60 70 80 90 100
Solution
N ti F (ti) yi ti 2 yi2 ti yi
1 5 0,048611 -0,04983 25 0,002483 -0,24916
2 10 0,118056 -0,12563 100 0,015782 -1,25626
3 15 0,1875 -0,20764 225 0,043114 -3,11459
4 20 0,256944 -0,29698 400 0,0882 -5,93969
5 25 0,326389 -0,3951 625 0,156106 -9,87756
6 30 0,395833 -0,50391 900 0,25392 -15,1172
7 35 0,465278 -0,62601 1225 0,391886 -21,9103
8 40 0,534722 -0,76512 1600 0,58541 -30,6048
9 50 0,604167 -0,92676 2500 0,858888 -46,3381
10 60 0,673611 -1,11967 3600 1,253651 -67,1799
11 70 0,743056 -1,3589 4900 1,846597 -95,1227
12 80 0,8125 -1,67398 6400 2,802197 -133,918
13 90 0,881944 -2,1366 8100 4,565059 -192,294
14 100 0,951389 -3,0239 10000 9,14399 -302,39
Somme 630 -13,21 40600 22,00728 -925,313

Calcul de aŠ et b•
∑(]
12( W1 ∑12(
(]
∑(]
12( W1 − 1
•=
1 14
∑12( W1 *
(]
∑(] W *
−
12( 1 14
630 −13.21
−925.313 − 14
•=
630 *
40600 −
14
• = −0.02711
∑‹ ∑‹
12( W1
Š= −•
12( 1
Œ Œ
−13.21 630
Š= − −0.02711 = 0.2748
14 14
_Ž = − • = − −0.02711 = 0.02711 é JTT < R /ℎRf9R
Š 0.2748
cŠ = = = 10.1365 ℎRf9R
_Ž 0.02711
W =_R ` a b
= 0.02711 R v.v*—(( a (v.(P˜™
Le coefficient de corrélation peut être estimé en utilisant l'équation pour calculer le coefficient
de corrélation:
FŠ = −0.9679

CHAPITRE III
ANALYSE DE LA FIABILITE PAR LA LOI WEIBULL
En théorie des probabilités, la loi de Weibull, nommée d'après Waloddi Weibull en 1951, est
une loi de probabilité continue. La distribution de Weibull est souvent utilisée dans le
domaine de l'analyse de la durée de vie, grâce à sa flexibilité : elle permet de représenter au
moins approximativement une infinité de lois de probabilité.
1 Loi de Weibull à trois paramètres

La fonction de densité de probabilité (PDF) de la loi Weibull à trois paramètres est donné par:
š W − c ᵝ ̄¹ a b ᵝ
W = h ih i R
̄Ÿ ¡
› ›
Où:
ƒ(t) ≥ ¢, t ≥ γ, β > 0, η > 0, -∞ < γ < +∞ ;

η : parametre d’echelle ;
β : parametre de forme ;
γ : parametre de position.
2 Loi de Weibull à deux paramètres

La fonction de densité de probabilité (PDF) de la loi Weibull à deux paramètres est obtenue
en établissant γ=0, et est donnée par:
š W ᵝ ̄¹ ¤
W = h i e
ᵝ
¥
› ›

3 Loi de Weibull à un paramètre
La PDF de la loi Weibull à un paramètre est obtenue en établissant γ=0 à nouveau et en
supposant β=C=constant (une valeur supposée) [9-11]:
W ( ¤
h i
ᶜ
W = e ¥
› ›
Où le seul paramètre inconnu est le paramètre d'échelle, η.
Notez que dans la formulation de Weibull à un paramètre, nous supposons que le paramètre
de forme (β) est connu a priori de l'expérience passée des biens identiques ou similaires.
L'avantage de cela est que les ensembles de données avec peu ou pas de défaillances peuvent
être analysés.
4 Fonctions de la loi Weibull

4.1 Moyenne, MUP ou MTTF
La moyenne,YE, (aussi appelée MTTF) de la distribution Weibull est donnée par:
E T = 3 = YE = W W W
b
š W − c ᵝ ̄¹ W−c ᵝ
E T = 3 = YE = i R
̄h › i
W h ih W
› ›
b
On suppose que:
(
=λ
W − c = Ẁ ⇒ W = Ẁ
lim W − c = 0
a→c
lim W − c = ∞
a→∞
Alors, on obtient:
E T® = Ẁ λš λẀ ᵝ ̄¹
R °a® ᵝ
Ẁ
v
= š λẀ ᵝ R °a® ᵝ
Ẁ
v
On propose le changement de variable suivant:

'
f = λẀ ⇒ Ẁ =
( (
ᵝ
f ² f
°±
On aura :
1 (
E T® =
(
šfR ³
f ± f
λš
v
1 (
(
= fR ³
f ± f
λ
v
1 h
(
(iƒ(
= R ³
f ± f
λ
v
1 (
h ƒ(i (
= R ³
f ± f
λ
v
1 1
= ´ h + 1i
λ š
1
E T® = ›. ´ h + 1i
š
E T − c = ›. ´ Ÿ + 1¡
1
š
Où bien:
1
E T − E c = ›. ´ h + 1i
š
1
E T = c + ›. ´ h + 1i
š
k = µj¶· = l + ¸. ¹ Ÿm + m¡
j
º
Alors:
(
´ Ÿ± + 1¡ C’est la fonction Gamma évaluée à la valeur de : Ÿ± + 1¡
(
La fonction Gamma est souvent tabulée dans les références de statistiques de fiabilité, et est
définie par :
Γ(n) = (n−1)!
Pour les non-entiers positifs, nous utilisons la fonction suivante :
´ W = R ⁿ ̄¹
¢
Pour le cas de deux paramètres :

m
k = ¸. ¹ h + mi
j
º
Notez que certains praticiens supposent « à tort » que η c'est égal au MUP, YE. Ceci n'est vrai
que pour le cas de β=1.
Où:
1
YE = ›. ´ h + 1i
1
(
= ›. ´ Ÿ + 1¡
(
= ›. ´ 2
= ›. 1
=›
Ou bien on applique directement la formule : Γ(n) = (n−1)!
On obtient : Γ(2) = 1! =1
4.2 Médiane
La valeur médiane (Yo) représentée par F (Yo) = 50% = 0.5
uo
Ou bien : F M = 50% = 0.5 = tb W W
uo ᵝ
uo−c
F Yo = W = 1 −R = 0.5
̄h › i
W
b
w ᵝ
Y b
̄h i
R = 0.5
1
Yo = c + › T< 2 ᵝ
4.3 Mode
Pour la distribution Weibull à trois paramètres, le mode est donné par la formule suivante:
1
1 ᵝ
Y[ = c + › 1 −
ᵝ
4.4 Ecart-type
Le calcul de l’écart-type nécessite le calcul de la variance, tel que la relation entre les deux est
donnée par la formule suivante:
=u = >6 9 Y

Où,
6 9 Y = W* W W−E T *
š W − c ᵝ ̄¹ W c ᵝ
W h ih i R W−E T
̄h › i
6 9 Y * *
› ›
b
On suppose que:
(
=λ
W c Ẁ ⇒ W Ẁ
lim W c 0
a→c
lim W c ∞
a→∞
Alors, on obtient:
6 9 T® Ẁ * λš λẀ ᵝ ̄¹
R °a® ᵝ
Ẁ − E T® *
On propose le changement de variable suivant:
(
f ⇒ Ẁ
' '
( (
f λẀ ᵝ
⇒ Ẁ °±
f ²
°
f ²
On aura :
6 9 T® Ẁ λẀ š λẀ ᵝ ̄¹
R °a® ᵝ
Ẁ − E T® *
1
Ẁ š f R
(
(
= ³
f ± f − E T® *
λš
v
1 ( 1 (
(
= f ± šfR ³
f ± f − E T® *
λ λš
v
1 ( (
ƒ ƒ( (
= R ³
f ± ± f − E T® *
λ*
v

1 *
f − E T®
ƒ( (
= R ³
f ± *
λ*
v
2
6 9 T® = ›* ´ h + 1i − E T® *
š
2
*
On a: E T® = ¼›. ´ Ÿ + 1¡½ = ›* ´ Ÿ + 1¡
* 1 1
š š
2 1 *
6 9 T® = ›* ¾´ h + 1i − ´ h + 1i ¿
š š
2 1 *
6 9 T − c = ›* ¾´ h + 1i − ´ h + 1i ¿
š š
2 1 *
6 9 T = ›* ¾´ h + 1i − ´ h + 1i ¿
š š
On obtient:
2 1 *
=u = ›À¾´ h + 1i − ´ h + 1i ¿
š š
4.5 Fonction fiabilité

La fonction de densité cumulative (CDF) de la distribution Weibull est donnée par:
š W−c
ᵝ ̄¹ W−c
R
̄h › i
F W = W W= ¼ ½h i W
› ›
b b
W−c ᵝ
F W = 1−R
̄h › i
Rappelant que la fonction de fiabilité d'une distribution quelconque est simplement la fonction
complémentaire de la CDF, la fonction de fiabilité pour la distribution de Weibull à trois
paramètres est alors donnée par:
R t =1−F W
W−c ᵝ
R W =R
̄h › i

4.6 Fonction de fiabilité conditionnelle
La fiabilité conditionnelle donne la fiabilité pour une nouvelle mission de durée t, ayant déjà
accumulé le temps T d'opération jusqu'au début de cette nouvelle mission, et les unités sont
vérifiées pour s'assurer qu'elles commenceront la prochaine mission avec succès. Elle est
appelée conditionnelle car on peut calculer la fiabilité d'une nouvelle mission en fonction du
fait que l'unité ou les unités ont déjà accumulé des heures d'opération avec succès [9-11].
uƒa b ²
Ÿ ¡
‚ Y+W R
‚ W|Y = =
‚ Y Ÿ
u b ²
¡
R
Où,
uƒa b ² u b ²
¾Ÿ ¡ Ÿ ¡ ¿
‚ W|Y = R
4.7 Durée de vie fiable

C'est la vie pour laquelle l'unité / élément fonctionnera avec succès avec une fiabilité de R. la
durée de vie fiable est donnée par la relation suivante :
(
Y„ = c + ›. {− T< ‚ } ±
Si R=0.5, alors TR = Yo, la vie médiane, ou la vie par laquelle la moitié des unités survivra.
4.8 Taux de défaillance

W š W − c ²-'
_ W = = h i
‚ W › ›
5 Estimation des paramètres de Weibull

5.1 Méthode graphique
5.1.1 Description du papier fonctionnel de Weibull
Le papier Weibull est un papier « log-log » qui porte quatre axes :
– l’axe A est l’axe des temps sur lequel nous porterons les valeurs ti de durées de bon
fonctionnement ;
– l’axe B porte F(t) sur lequel nous porterons les valeurs Fi calculées par
approximation (rangs moyens ou médians). Nous estimerons la fiabilité en prenant le
complément : R(t) = 1 – F(t) ;
– l’axe a correspond à ln t ;
– l’axe b correspond à ln [ln (1/1 – F(t))]. Cet axe permettra d’évaluer la valeur de β.

Figure III-1: Papier de Weibull
5.1.2 Méthodologie de l’analyse de fiabilité

1. Préparation des données.
L’estimation de la valeur de Fi qui est donnée par les lois suivantes :
• Si N ≥ 50, on estime Fi par : Fi = i /N, N c’est la taille de l’échantillon.
• Si 50 > N ≥ 20, on estime Fi par la méthode des rangs moyens : Fi = i/n+1
• Si N < 20, on estime Fi par la méthode des rangs médians : Fi = i-0.3/n+0.4
2. Tracé du nuage de points (ti, Fi).
3. Tracé de la droite dite « de Weibull » D1.
4. Détermination des valeurs des trois paramètres β, η, γ.
5. Équation de la loi de Weibull (et représentation graphique éventuelle).
6. Détermination de la MTTF (et de l’intervalle de confiance éventuellement).
7. Exploitation des résultats.
Exemple : Application de la méthodologie à un cas simple
1. Préparation des données
Prenons un exemple de 6 TTF (durées de bon fonctionnement d’un composant). L’estimation

de Fi se fait par la formule des rangs médians (N < 20). Le tableau III-1 résume la première
étape (préparation des données) :

Tableau III-1: Préparation des données
Rang (i) TTF Fi

1 165 0.11
2 330 0.26
3 515 0.42
4 740 0.58
5 915 0.73
6 1320 0.89
2. Tracé du nuage de points
3. Tracé de la droite D1 de Weibull
Figure III-2: Tracé de la droite de Weibull
Le tracé du point 3 (t = 515 heures, Fi = 42 %) figure à côté des 5 autres points. La régression
des 6 points « au jugé » se fait sans difficulté dans ce cas simple : nous obtenons la droite D1.
4. Détermination des valeurs des trois paramètres :
– le fait d’avoir eu directement une droite D1 sans redressement indique que γ = 0

(paramètre de position) ;

– menons la parallèle D2 à D1 passant par l’origine de (X, Y). D2 coupe l’axe b en un
point β = 1,4 : c’est la valeur du paramètre de forme ;
– la droite D1 coupe l’axe t = η à l’abscisse η = 770 h : c’est le paramètre d’échelle.
Figure III-3: Détermination des valeurs des paramètres de Weibull
5. Équation de la loi de Weibull

Il suffit de remplacer les trois paramètres constants dans l’équation générale R(t) de Weibull
pour avoir l’équation de la fiabilité du composant étudié.
W 1.4
Ÿ̄
R W R 770
¡
6. Détermination de la MTTF et de l’écart-type σ

Le tableau A1 en annexe nous donne les valeurs des constantes A et B. Pour β = 1.4, A =
0.911 et B = 0.660. Nous en déduisons la valeur de la MTTF = A η + γ = 0.911 × 770 = 700
heures ; σ = B η = 0.660 × 770 = 508 heures.
5.1.3 Détermination de γ : les techniques de redressement

Si le nuage des points (ti, Fi) fait apparaître une courbure convexe ou concave, alors le
paramètre γ a une valeur non nulle à déterminer après avoir effectué un « redressement ». Ce
redressement peut se faire « au jugé » ou par application d’une formule de redressement
(Figure III-4).
Figure III-4: Techniques de redressement pur déterminer γ

On prend trois points sur la courbe de coordonnées A (ln λA, ln tA), B (ln λB, ln tB) et C (ln λC,
ln tC). Si après avoir retranché une valeur γ identique aux temps tA, tB, tC les points résultants
A’, B’ et C’ sont alignés on peut écrire:
ln _Å ln _Æ ln _Ç
= =
ln YÅ − c ln YÆ − c ln YÇ − c
D’où
ln _Å − ln _Æ ln _Æ − ln _Ç
=
ln WÅ − c − ln WÆ − c ln WÆ − c − ln WÇ − c
Si on choisit les points A, B et C tels que ln _Å − ln _Æ = ln _Æ − ln _Ç , alors ln WÅ − c −

ln WÆ − c = ln WÆ − c − ln WÇ − c .
WÆ − c WÆ − c
Ou encore :
=
WÅ − c WÇ − c
D’où l’on tire :
WÅ WÇ − WÆ *
c=
WÅ + WÇ − 2WÆ
Figure III-5: Mode opératoire du redressement

5.1.4 Signification des paramètres de Weibull
• Paramètre de forme β
C’est un paramètre sans dimension. Il détermine la forme de la distribution f(t) des

défaillances d’un système et sa valeur caractérise chacune des trois phases de la vie d’un
système :
β < 1 phase de jeunesse avec défaillances de défauts de fabrication ou de montage ;
β = 1 phase de maturité avec défaillances aléatoires. Ce cas particulier correspond au taux de
défaillance constant ;
β > 1 phase de vieillesse avec apparition d’un mode de défaillance prédominant caractérisé
par β.
Le paramètre de forme peut aussi servir d’indicateur de diagnostic, certaines valeurs de β
étant caractéristiques d’un mode de défaillance particulier.
Exemple
1.1 < β < 1.6 peut révéler un phénomène de fatigue. Il en est ainsi pour les roulements à billes
dont la valeur normale est β = 1.1. Si β est plus fort, alors un mode de défaillance « anormal »
(autre que la fatigue) est en cause.
Remarquons que pour β = 3.6 on retrouve une distribution « normale ».
Un cas particulier intéressant est celui des « populations mélangées » qui sont mises en
évidence lorsque deux modes de défaillances différents se succèdent, le second se superposant
alors au premier, tel que l’illustre la figure III-6. Nous devons alors séparer les deux droites de
Weibull (une par population) et non redresser la concavité d’une courbe.
Figure III-6: Ajustement du nuage de points suivant deux droites
Nous pouvons penser, dans cet exemple, à des défaillances juvéniles dues à un mauvais
montage (β = 0.4) suivies de défaillances par usure (β = 3.5).

• Paramètre d’échelle η
Caractérisant le choix d’une échelle, il s’exprime dans la même unité de temps (heures ou
cycles) que les TBFi. Si l’on trace la fonction de distribution f1(t) avec η = 1, la courbe f5(t)
obtenue avec η = 5 sera divisée par 5 (en ordonnées), le temps t sera multiplié par 5 et l’aire
de la distribution restera inchangée.
• Paramètre de localisation γ
Également nommé paramètre de décalage ou de position, il s’exprime en unité de temps. Il
indique la date de l’apparition du mode de défaillance caractérisé par β.
– Si γ > 0, il y a survie totale entre t = 0 et t = γ.
– Si γ = 0, les défaillances débutent à l’origine des temps.
– Si γ < 0, les défaillances ont débuté avant l’origine des temps relevés, ce qui montre que la
mise en service de l’équipement étudié a précédé la mise en historique des TBF.
Figure III-7: représentation de f(t) en fonction du paramètre de localisation γ
5.1.4 Intervalles de confiance de la MTTF

• Niveau de confiance et bande de confiance
Le niveau de confiance habituel auquel on fait les encadrements est 0.90, ce qui signifie qu’il
y a 90 % de chances pour qu’à toute valeur ti corresponde une fiabilité Ri ou une valeur Fi
telle que Prob (α1 < Ri < α2) = 0.90, en particulier :
– pour une valeur de MTBF estimée, on aura Prob (α1 < R(MTBF) < α2) = 0.90 ;
– pour une fiabilité R(MTBF) estimée, on aura Prob (β1 < MTBF < β2) = 0.90.
Les variations de (α1, α2) forment la « bande de confiance ». Pour les rangs médians (petits
échantillons < 20), les valeurs limites α1 et α2 sont tabulées suivant les rangs à 5 % et à 95 %.
Prenons un exemple relatif à un échantillon « minimal » de N = 6 valeurs traitées par les rangs
médians, le tableau III-2 correspondant à la figure III-8.
Tableau III-2: Intervalles de confiance
Ordre i TBF x 105 cycles Fi Rang à 5% Rang à 95%

4 5.2 0.579 0.271 0.847

Les valeurs 0.271 et 0.847 sont tirées des tableaux A2 et A3 en annexe.
À la notation F(i) = F(t) = 0.579 (si F(i) est sur la droite D1) nous substituons la notation
probabiliste Prob (0.271 < F(t) < 0.847), qui correspond à un encadrement « très large »
explicable fort logiquement par la petitesse de l’échantillon. Ou encore : Prob (0.271 > F(t)) =
0.05 Prob (0.847 > F(t)) = 0.95
Figure III-8: Intervalles de confiance pour l’exemple de l’échantillon N = 6
Par complémentarité de F(t), il est possible d’encadrer la fiabilité R(t) par la fourchette (0.153
; 0.729).
5.1.5 Modèle de Weibull : optimisation d’une période d’intervention systématique

Faut-il choisir de mettre en oeuvre une maintenance corrective ou une maintenance préventive
systématique? L’outil que nous allons développer est une application pratique de la loi de
Weibull qui permet de répondre aux deux questions suivantes :
– existe-t-il une période d’intervention systématique T telle que la maintenance

systématique soit plus économique que d’attendre la panne ?
– si oui, quelle est cette période optimisée θ ?
Nous nommerons cet outil d’optimisation économique l’outil « r, β » et nous noterons θ = T

optimisée.

• Situation du problème et pré-requis
Soit un système réparable dont un constituant « fragile » est interchangeable. À quelle période
θ doit-on effectuer son remplacement préventif sachant que l’on connaît :
– la loi comportementale R(t) du constituant ;

– p, le coût direct de l’intervention corrective, qui est, par hypothèse, égal au coût de
l’intervention systématique liée au remplacement du constituant défectueux ;
– P, le coût indirect des conséquences de la défaillance ?
Nous nommerons r = P/p le ratio de « criticité économique » de la défaillance. Le domaine de

validité de cet outil est 2 < r < 100.
• Évaluation de chacun des coûts

Coût C1 d’une intervention corrective: Le coût d’une intervention corrective est p + P. Le
coût moyen par unité d’usage (pour comparaison) devient :
;+
@( =
U
m∞: MTTF du composant = E(T) de la loi de Weibull connue.

m∞: est la durée de vie moyenne des composants fonctionnant sans limite de temps.
Coût C2(θ) d’une intervention préventive: si θ est la période de remplacement systématique

du composant, le coût aura deux termes :
– le coût de l’intervention p ;
– le coût du correctif résiduel lié au risque de défaillance avant θ et évalué par sa
probabilité F(t) avec t < θ, soit P (F(t)) ou P (1 – R(t)).
Le coût moyen par unité d’usage est donc :
;+ 1−‚ W
@* X =
U X
m(θ) étant la durée de vie moyenne des composants ne dépassant pas θ, puisque changés à
cette date :
U X = ‚ W W
v

Figure III-9: Optimisation d’une période d’intervention systématique
• Critère de choix d’une politique
Il est évident qu’il conviendra d’effectuer des opérations préventives si l’on trouve une
solution θ telle que C2(θ) < C1 que l’on étudiera sous la forme :
@2 X
<1
@1
Principe de l’optimisation de θ: le principe consiste à étudier les variations du rapport

C2(θ)/C1 lorsque θ varie :
– si le rapport reste > 1, il n’y a pas de solution ;
– si le rapport a un minimum < 1, la valeur de t = θ correspondant au minimum est la
solution optimisée.
Formons le rapport et étudions ses variations :
@2 X ; + 1−‚ X U
= × ∞
@1 UX ;+
R(θ) est modélisable par une loi de Weibull à deux paramètres (γ = 0) :
Ê š
R X =R
̄Ÿ › ¡
et U = ›. ´ Ÿš + 1¡
1
Posons :
È Ë
= et 9 = Ì
Après transformations, le rapport devient :
1
@* 1 + [1 − R ̄ ±
]9 ´ h + 1i
š
= ×
@( tv R x̄ ± W 1+9
C2 (x) /C1 : est dépendant de deux paramètres :

β, paramètre technique, qui caractérise la forme de la distribution ;
r, paramètre économique, caractérise le rapport des coûts indirects/directs (criticité des
défaillances).

Exemple de courbe de variation du rapport C2 (x)/C1
Nous allons tracer la courbe représentative des variations du rapport dans le cas suivant :
– données de fiabilité (Weibull) : β = 3, γ = 0, η = 10 mois (avec une MTTF = 8.9
mois) ;
– données économiques estimées : r = P/p = 10 puis 5, et 3.
Figure III-10: Variations du rapport C2(x)/C1 [12]
La valeur mini = 0.36 < 1 exprime le gain d’une politique préventive effectuée à x0 = 0.35,
donc à la période d’intervention systématique θ = η x0 = 10 mois × 0.35 = 3.5 mois.
Rappelons que la MTTF de cet exemple était de 8.9 mois, ce qui montre que le défaut majeur
de la maintenance systématique même optimisée reste l’important « gaspillage de potentiel »
d’utilisation du composant changé.
• Abaques d’optimisation de la période d’intervention systématique

Principe de l’établissement de l’abaque
La courbe précédente ne nous intéresse que par son minimum, repéré par ses coordonnées x et
C2(x)/C1 et paramétré par les deux valeurs de β et r. Nous allons donc ne tracer que chaque

point minimum obtenu pour des séries de valeurs de β(1.2 à 4) et de r (2 à 100). Il restera à
interpoler ces courbes en fonction des deux paramètres de l’étude à mener.
Abaque (r, β) en gestion individuelle (voir figure III-11)
Utilisation de l’abaque
L’intérêt de cet outil réside dans sa grande rapidité d’utilisation. À partir de r et de β, par
interpolation des courbes du réseau, nous déterminons graphiquement les coordonnées du
point « mini » à l’intersection des deux courbes interpolées :
– l’ordonnée C2 /C1 donne la valeur du gain par rapport à une politique corrective ;
– l’abscisse x0 se corrige par la formule de changement de variable : θ = η x0
Remarque :
L’étude précédente a été menée dans le cas le plus fréquent de la gestion individuelle de la
maintenance systématique. Ce qui signifie qu’en cas de défaillance résiduelle, le
remplacement correctif du composant défaillant initialise une nouvelle période θ. En gestion
collective, par opposition, l’échéancier primitif subsiste : il n’est pas corrigé en cas de
défaillance résiduelle. Dans ce cas, l’expression du coût de la politique préventive devient :
;+ ;+ 4 X®
@* X =
X®

Figure III-11: Abaque d’optimisation de la maintenance systématique (gestion individuelle),
période optimale : θ0 = η x0 [12]
Abaque (r, β) en gestion collective (Figure III-12)

La démarche d’établissement de l’abaque « gestion collective » est identique à la précédente.
L’utilisation de l’abaque et son exploitation sont les mêmes que pour la figure III-11.

Figure III-12: Abaque d’optimisation de la maintenance systématique (gestion collective),
θ0 = η x0 [12]
5.1.6 Modèle de Weibull : exemple d’application

Cette étude de cas, réalisée à partir d’un échantillon minimal de six valeurs, a pour objet de
montrer l’algorithme d’une analyse de fiabilité et quelques-unes des exploitations que l’on
peut en déduire. Elle se rapporte à l’estimation de la fiabilité d’un roulement à billes, pour
lequel les durées de vie exprimées en cycles (ou tours) ont été relevées à partir d’un historique
(tableau III-3).

Tableau III-3: Relevé des durées de vie du roulement
Numéro de roulement Nombre de cycles avant rupture x 105

1 4.0
2 1.3
3 9.8
4 2.7
5 6.6
6 5.2
Quels sont les éléments de connaissance que l’on peut déduire d’un tel échantillon ?
Préparation des données

Dressons directement le tableau de valeurs (Tableau III-4):
– en classant les durées de bon fonctionnement TBF par valeurs croissantes. En fait, il
s’agit de TTF (durées avant la première défaillance) dont nous recherchons la MTTF à
l’identique d’une MTBF ;
– en calculant F(i) par la formule d’approximation des temps médians, car N = 6 < 20 ;
– en intégrant les valeurs tabulées des rangs médians à 5 % et 95 %.
Tableau III-4: Préparation des données

Ordre i TBF (cycles avant Fi Rang à 5% Rang à 95%
rupture) x 105
1 1.3 0.109 0.85 39.3
2 2.7 0.264 6.3 58.2
3 4.0 0.421 15.3 72.9
4 5.2 0.579 27.1 84.7
5 6.6 0.736 41.8 93.7
6 9.8 0.890 60.7 99.1
Détermination et exploitation des paramètres

1. Tracé de la droite D1 de Weibull
Traçons les couples de points (F (i), ti) sur le papier de Weibull. La régression du nuage de
points par la droite D1 s’obtient sans problème (Figure III-13).

Figure III-13: Étude de cas : droite de Weibull [12]
2. Recherche de la valeur des trois paramètres

L’obtention d’une droite sans redressement montre que γ = 0. La droite D1 coupe l’axe (t, η) à
l’abcisse η = 5.7 × 105 cycles. La parallèle D2 coupe l’axe β à l’ordonnée β = 1.5. Cette
valeur de β est caractéristique d’un phénomène de fatigue, normale pour expliquer la
dégradation d’un roulement.
3. Recherche de la MTBF de la population des défaillances

Le tableau A1 en annexe donne, pour β = 1.5, les valeurs de A = 0.90 et B = 0.61 ; on
aura alors:
La moyenne: MTBF=E(t) = Aη + γ = 0.90 × 5.7 × 105 = 5.1 × 105 cycles

L’écart-type: σ = Bη = 0.61 × 5.7 × 105 = 3.5 × 105 cycles
4. Fiabilité associée à la MTBF

Graphiquement, nous lisons pour t = 5.1 × 105 cycles la valeur F(MTBF) = 56 %, donc R(t =
MTBF) = 44 %, ce qui signifie que 44 % seulement des roulements atteindront la MTBF
(distribution non symétrique). Remarquons que la détermination analytique correspondante
est peu intéressante face à ce résultat graphique immédiat.

5. Durée de vie nominale de ces roulements: Les fabricants de roulements nomment L10 leur
durée de vie nominale, qui correspond à un seuil de fiabilité de 0.90 tel que 90 % des
roulements atteignent t = L10. Graphiquement, à partir de F(t) = 10 %, nous lisons L10 = 1.3 ×
105 cycles. Analytiquement, nous trouvons :
(
Í(v = c + η 0.105 Ï
Cela signifie que, sur 100 roulements changés systématiquement à t = L10, 10 seraient déjà
défaillants pour une utilisation égale au quart de la MTBF : une politique de maintenance
systématique est peu adaptée aux roulements, ce qui explique que l’on cherche à prévenir
leurs défaillances à partir des analyses de bruit ou de vibrations.
6. Intervalle de confiance pour t = MTBF

Les tableaux A2 et A3, en annexe, nous donnent les limites α1 = 0.26 et α2 = 0.85 (avec N =
6), ce qui permet d’écrire :
Prob (0.26 < F(t) < 0.85) = 0.90
Donc :
Prob (0.74 > R(t) > 0.15) = 0.90
Ce résultat relativise l’écriture R(t = MTBF) = 0.44, montrant la prudence avec laquelle il faut
manipuler les résultats issus de très petits échantillons.
7. Équations de R(t), F(t), f(t) et λ(t)

La connaissance des trois paramètres de la loi de Weibull permet d’écrire les quatre équations
et d’en déduire les quatre courbes représentatives (Figure III-14):
¤ '.Ð
R t =e Ÿ
™.—
¡
¤ '.Ð
F t =1−e Ÿ
™.—
¡
1.5 W v.™ ¤ '.Ð

W = h i e Ÿ
™.—
¡
5.7 5.7
1.5 W v.™
_ W = h i
5.7 5.7
8. Représentations graphiques des quatre équations F(t) et R(t), f(t) et λ(t)

Figure III-14: Représentation graphique des différentes fonctions

5.2 Méthode de régression
5.2.1 Régression sur Y par la méthode des moindres carrées
L'exécution de la régression sur Y nécessite qu'une droite soit mathématiquement ajustée à un
ensemble de points de données de sorte que la somme des carrés des écarts verticaux des
points à la ligne soit minimisée. C'est essentiellement la même méthodologie que la méthode
graphique, sauf que nous utilisons le principe des moindres carrés pour déterminer la ligne à
travers les points. La première étape consiste à amener notre fonction dans une forme linéaire.
Pour la distribution de Weibull à deux paramètres, la (fonction de densité cumulative) est:
¤ Ñ
Ÿ ¡
F t 1 e ¥
On applique le logarithme dans les deux côtés de cette expression, on trouve:
T< [1
a ±
W Ÿ ¡
T< {− ln 1
a
W Ä š T< Ÿ ¡
T< {− ln 1 W Ä š T< › 8 š T< W
T< {− ln 1
On suppose que:
W Ä
= T< W
= − š T< ›
=š
Ce qui nous donne l’équation linéaire suivante:
= +
La méthode d'estimation des paramètres des moindres carrés (aussi connue sous le nom
d'analyse de régression) est donnée par les équations suivantes:
∑‹ ∑‹
Š= −• = E−• ̅
12( 1 12( 1
Œ Œ
Et:
∑Õ
Ó2( xÓ ∑Ó2( yÓ
Õ
Ó2( xÓ yÓ −
∑Õ
N
b•
∑ Ó2( xÓ
Õ *
∑Õ x *
−
Ó2( Ó N
Dans ce cas les équations pour 1 et 1 sont:
1 = T< {− T< [1 W1 Ä
1 = T< W1

Les valeurs de W1 sont estimées par la méthode des rangs médians ou des rangs moyens.
Une fois Š et • sont obtenus, alors šŽ et ›̂ sont faciles à trouver en utilisant les équations
précédentes.
Coefficient de Corrélation
Le coefficient corrélation est défini comme suivant:

σÚÛ
ρ=
σÚ σÛ
où = Ü : covariance of et, = : l’écart-type de , and =Ü = l’écart-type de . l’estimateur de

F est le simple coefficient de corrélation, FŠ, donné par:
∑Õ
Ó2( xÓ − x
E yÓ − yE
ρŠ =
•∑Õ E * . ∑Õ
Ó2( xÓ − x Ó2( yÓ − y
E *
Exemple
Considérons l'exemple suivant avec six TBF: 16, 34, 53, 75, 93 et 120 heures. Estimer les
paramètres et le coefficient de corrélation en utilisant la méthode de régression des moindres
carrés, en supposant que les données suivent la distribution de Weibull à 2 paramètres.
Solution
On construit un tableau comme indiqué ci-dessous.
N Y1 T< Y1 Y1 1 T<Y1 * *
1 T<Y1 1
1 16 2.7726 0.1091 -2.1583 7.6582 4.6582 -5.9840
2 34 3.5264 0.2645 -1.1802 12.4352 1.393 -4.162
3 53 3.9703 0.4214 -0.6030 15.7632 0.3637 -2.3943
4 75 4.3175 0.5786 -0146 18.6407 0.0213 -0.6303
5 93 4.5326 0.7355 0.2851 20.5445 0.0813 1.2923
6 120 4.7875 0.8909 0.7955 22.9201 0.6328 3.8083
∑ 23.9008 -3.007 97.9909 7.1502 -8.0699
En utilisant les valeurs de tableau, on calcule Š et • par l’utilisation des équations suivantes:
12( T<W1 1 − ∑12( T<W1 ∑12( 1 ⁄Œ

∑‹ ‹ ‹
•=
∑‹ * − ∑‹ T<W * ⁄Œ
12( T<W1 12( 1
Et:
∑‹ ∑‹
12( T<W1
Š = E − • YE = −•
12( 1
Œ Œ

−3.0070 23.9068
Š= 1.4301 6.19935
6 6
Donc:
šŽ • 1.4301
Et:
Š ˜.(ÞÞP™
›̂ R • =R Ÿ
(.]Pv(
¡
›̂ 76.318 ℎ
Le coefficient corrélation est estimé par:
FŠ = 0.9956
5.2.2 Régression sur X par la méthode des moindres carrées

La régression sur X est similaire au processus de régression sur Y, à la différence près que les
écarts horizontaux des points à la ligne sont minimisés plutôt que les écarts verticaux. La
droite la plus adaptée aux données, pour la régression sur X, est la ligne droite:
Š8•
Les équations correspondant à Š et • sont:
∑‹ ∑‹
Š ̅ •E 12( 1 • 12( 1
Œ Œ
Et:
∑‹ ∑‹
∑‹ 1 −
12( 1 12( 1
•=
12( 1 Œ
∑‹ *
∑‹ * − 12( 1
12( 1 Œ
= lnÃ ln 1
Où:
1 W1 Ä
Et:
1 ln W1
And W1 the values are again obtained from the median ranks. Once Š and • are obtained,
solve the linear equation for, which corresponds to:
Š (
•
8 •
Solving for the parameters from above equations, we get:

= − • = −š ln ›
Š
= =š
(
•
Le coefficient de corrélation est évalué comme précédemment.
Exemple
En utilisant à nouveau le même ensemble de données à partir du relevé de probabilité des
exemples précédents (avec six défaillances à 16, 34, 53, 75, 93 et 120 heures), calculez les
paramètres de Weibull en utilisant la régression sur X.
Solution
La même table construite ci-dessus pour l'exemple régression sur Y peut également être
appliquée ici. En utilisant les valeurs de cette table, nous obtenons:
∑‹
12( T<Y1 ∑12(
‹
∑‹
12( T<Y1 1 −
1
•= Œ
∑ ‹ *
∑‹ *
− 12( 1
12( 1 Œ
∑˜12( T<Y1 ∑˜12(
∑˜12( T<Y1 1 −
1
•= 6
∑12( 1 *
˜
∑˜12( *
−
1 6
−8.0699 − 23.9088 −3.007 *

∕6
•=
7.1502 − −3.007 * ∕ 6
• = 0.6931
∑˜12( T<Y1 ∑˜12(

Š = ̅ − •E = −•
1
6 6
23.9068 −3.007
Š= − 0.6931 = 4.3318
6 6
1 1
Donc:
šŽ = = = 1.4428
• 0.6931
Š ( ].PP(â (
• ∙±
›̂ = R á
= R v.˜ÞP( ∙ (.]]*â = 76.0811 ℎ
FŠ = 0.9956
Le coefficient de corrélation est:

CHAPITRE IV
ANALYSE DE LA MAINTENABILITE ET DE LA
DISPONIBILITE DES SYSTEMES REPARABLES
1. Introduction
La politique de maintenance d’une entreprise est fondamentalement basée sur la disponibilité
du matériel impliqué dans le système de production. Pour qu'un équipement présente une
bonne disponibilité, il doit :
• Avoir le moins possible d'arrêts de production (fiabilité)

• Etre rapidement remis en bon état s'il tombe en panne (maintenabilité)
Le schéma de la figure représente la relation entre les trois concepts (fiabilité, maintenabilité
et disponibilité):
Figure IV-1 : Relation entre la fiabilité, la maintenabilité et la disponibilité

2. Maintenabilité
2.1 Définition
« La maintenabilité est l’aptitude d’un dispositif à être maintenu ou rétabli, pendant un
intervalle de temps donné, dans un état dans lequel il peut accomplir sa fonction requise,
lorsque l’exploitation et la maintenance sont accomplies dans des conditions données, avec
des moyens prescrits ».
En probabilité : « c’est la probabilité de rétablir ce dispositif dans des conditions de

fonctionnement spécifiées en des limites de temps désirées, lorsque la maintenance est
accomplie dans des conditions données et avec des procédures et des moyens prescrits ».
Probabilité de rétablir : Prob (TTR< t) = Prob (pour qu’un système en panne à t = 0 soit
rétabli à t)
Cette définition contient quatre caractéristiques:
• Notion de probabilité :
Sur un intervalle de temps [0, t ] , on définit la probabilité comme suit :
M (t) = probabilité de réparer (maintenir) sur l’intervalle de temps [0, t ] .
M (t) = probabilité de remise en marche sur l’intervalle de temps [0, t ] .
• Conditions de fonctionnement :
Ceci implique la qualification d’un niveau de performance initiale et d’admissibilité.
• Limites de temps :
Ceci implique la définition d’un temps alloué pour chaque intervention et un délai de temps.
• Maintenance définie :
La durée d’intervention n’a de sens que par référence à la définition des moyens mis en
œuvre.
2.2 Types de maintenabilité

• Maintenabilité intrinsèque : elle est « construite » dès la phase de conception à partir
d’un cahier des charges prenant en compte les critères de maintenabilité (modularité,
accessibilité, etc).
• Maintenabilité prévisionnelle : elle est également « construite », mais à partir de
l’objectif de disponibilité.
• Maintenabilité opérationnelle : elle sera mesurée à partir des historiques
d’interventions.
2.3 Indicateurs de la maintenabilité

L’indicateur privilégie de maintenabilité correspond aux temps d’immobilisation. Ces temps
d’immobilisation se décomposent en deux grandes parties.

2.3.1 Délais d’intervention : (ou temps de diagnostic de la panne)
Ils sont relatifs à l’organisation pour assurer la fonction maintenance.
2.3.2 Durés d’intervention : (ou temps de réparation et de dépannage)

Elle peut être améliorée par l’aide au diagnostic. En attendant la banalisation des systèmes
experts, un simple microprocesseur intégré dans l’équipement peut déjà indiquer, en cas de
défaillance, les composants en cause.
2.4 Temps techniques de réparation TTR

Avant de quantifier la maintenabilité, il convient de parler des temps d’intervention dits temps
techniques de réparation. Le temps technique de réparation d’une intervention se compose en
général de la somme des temps suivants :
• Temps de vérification de la réalité de la défaillance

• Temps de diagnostic.
• Temps d’accès à l’organe défaillant (dépose et démontage).
• Temps de remplacement ou de réparation.
• Temps de réassemblage.
• Temps de contrôle et d’essais.
Les temps suivants sont à éliminer de la maintenance active :

• Temps d’attente pour indisponibilité des réparateurs, des outils, ou des pièces de
rechange.
• Temps morts des causes variées (arrêt de travail, ….)
2.5 Approche mathématique de la maintenabilité

La fonction de répartition est notée M(t). Elle exprime la probabilité qu’une intervention ait
une durée TTR < t, ou : M(t) = Prob (TTR< t) = Prob (pour qu’un système en panne à t = 0
soit rétabli à t).
a
M t = g t . dt = Prob TTR < W

v
g(t) est la fonction de distribution des TTR, elle est donnée par :
é
g t = 3 W .e tê è a a
3 W est le taux de réparation instantané.
5 W
μ t =
1−ì W

2.5.1 Taux de défaillance constant
Les calculs prévisionnels de maintenabilité reposent sur l’hypothèse exponentielle, signifiant
ici que le taux de réparation est supposé constant. La répartition des TTR est alors
exponentielle.
M t = 1−R èa
Dans ce cas le taux de réparation est donnée par :

1
MTTR =
3
2.5.2 Taux de défaillance variable

Les lois de probabilité ajustables à cette hypothèse seront la loi log-normale, la loi gamma et
la loi de Gumbel. Pour les grands échantillons, la loi de probabilité utilisée est la loi log-
normale. Pour les petits échantillons, la loi des valeurs extrêmes (ou de Gumbel) est mieux
adaptée.
• Distribution Log-Normale (loi de Galton)

La distribution log-normale est couramment utilisée pour modéliser la vie des unités dont les
modes de défaillance sont de nature fatigue-stress. Comme cela inclut la plupart, sinon la
totalité, des systèmes mécaniques, la distribution log-normale peut avoir une application
étendue. Par conséquent, la distribution log-normale est un bon compagnon de la distribution
de Weibull lorsque l'on tente de modéliser ces types d'unités.
La fonction de densité de probabilité (PDF) de la distribution log-normale avec les deux

paramètres µ et σ est donnée par [13]:
1  log( t )− µ 
2
1
f (t ) =
−  
σ
σ ⋅ t ⋅ 2π
e 2 
La fonction de répartition est donnée par:
 log ( t ) − µ 
F (t ) = φ  
 σ 
1  log( x )−µ 
2
t
1 1 − 2 
F (t ) =
σ
∫ xe

dx
σ 2π −∞
Ou φ est la fonction de densité cumulative (CDF) de la distribution normale centrée (µ = 0)

(σ = 1):
t u2
1 −
φ (t ) = ∫e 2
du
2π −∞

La moyenne (YE) de la distribution log-normale est donnée par:
1
YE = R 3 + =2
2
• Distribution Gamma
La distribution gamma est un modèle de distribution de la vie flexible qui peut s'adapter à
certains ensembles de données de défaillance. Cependant, elle n'est pas largement utilisée
comme modèle de distribution de la vie pour la pluparts des mécanismes de défaillance.
Supposons qu’un système tombe en panne au kème choc sachant que les intervalles entre chocs
sont exponentiellement distribués, alors la fonction de densité de probabilité de la distribution
gamma est écrite par [13]:
1 Y−c ± (
Ÿ
u b
¡
Y = h i R
›´ š ›
Où :
η : paramètre d’échelle,
β : paramètre de forme,
γ: paramètre de localisation,
f(T) ≥ 0, T ≥ γ, β > 0, η > 0 et -∞ < γ < +∞.
La moyenne (YE) de la distribution gamma est donnée par :
YE = › š
Et la fonction de répartition est donnée par:
1 Y−c ± (
Ÿ
u b
¡
W = 1− W W =1− h i R W
›´ š ›
u u
• Distribution de Gumbel
La distribution de Gumbel est également appelée la distribution de la plus petite valeur
extrême (SEV). La PDF de la distribution de Gumbel est inclinée vers la gauche,
contrairement à la PDF de la distribution de Weibull, qui est inclinée vers la droite. La
distribution de Gumbel est appropriée pour la modélisation de la résistance des unités, qui est
parfois décalée vers la gauche (quelques unités faibles dans la queue inférieure, la plupart des
unités dans la queue supérieure de la population de résistance). La distribution de Gumbel
pourrait également être appropriée pour modéliser la vie de produits qui subissent une usure
très rapide après avoir atteint un certain âge [14].
La fonction de densité de probabilité de la distribution gamma est écrite par [14]:

1 í
Y = R îï
›
f(T) ≥ 0, › > 0.
W−γ
ð=
›
η: Paramètre d’échelle,
γ: Paramètre de localisation.
La moyenne (YE) de la distribution Gumbel est donnée par :
YE = γ − › ò
ò: Constante d’Euler, ò = 0.5772.
La fonction de répartition est donnée par:
W =1−R î -ï
3 Disponibilité
3.1 Définition
La disponibilité est l’aptitude d’un bien à être en état d’accomplir une fonction requise dans
des conditions données, à un instant donné ou durant un intervalle de temps donné, en
supposant que la fourniture des moyens extérieurs est assurée.
3.1.1 Disponibilité intrinsèque

Elle exprime le point de vue du concepteur. Ce dernier a conçu et fabriqué le produit en lui
donnant un certain nombre de caractéristiques intrinsèques, c’est à dire des caractéristiques
qui prennent en compte les conditions d’installation, d’utilisation, de maintenance et
d’environnement, supposées idéales.
3.1.2 Disponibilité opérationnelle

Cette disponibilité prend en compte les conditions réelles d’exploitation et de la maintenance.
C’est la disponibilité du point de vue de l’utilisateur.
ìYõ
óôË =
ìYõ + ìYö
MTI : moyenne des temps d’indisponibilité
3.2 Modélisation de la disponibilité instantanée

On se place dans l’hypothèse exponentielle, avec les taux de défaillance λ et de réparation µ
constants et indépendants du temps :

1
λ=
MTBF
1
μ=
MTTR
On définit la disponibilité et l’indisponibilité instantanées d’un système réparable par :

Disponibilité : D(t) = P0(t) = Probabilité que le système fonctionne = probabilité qu’il y ait 0
défaillance.
Indisponibilité : I(t) = 1 – D(t) = P1(t) = probabilité de non fonctionnement = probabilité qu’il
y ait une défaillance.
La qualité initiale du système garantit que : P0(0) = 1 et que P1(0) = 0.
Par complémentarité, P1(t) = 1 – P0(t).
Pour que le système fonctionne à l’instant (t + dt), avec une probabilité P0 (t+dt), il faut :
• Qu’il fonctionne à l’instant t et qu’il n’y ait pas de défaillance entre t et (t+dt) :
probabilité = P0(t) (1- λ dt).
• Ou qu’il ne fonctionne pas à l’instant t, mais qu’il soit remis en état à t+dt :
probabilité = 1-P0(t) µ dt.
Equation des probabilités : P0(t+dt) = P0(t) (1- λ dt) + (1-P0(t)) µ dt.
En divisant par dt tendant vers 0 : P0(t) + (λ+ µ) P0(t)
La solution de cette équation donne la formule générale de la disponibilité instantanée,
représentée par:
(
ó W = v W = `ƒè . H3 + _. R `ƒè a
I
Exemple d’application
Pour faire une étude FMD (fiabilité, maintenabilité et disponibilité) sur un four de traitement
thermique de SONACOM, le service maintenance a fourni les TBF et les TTR représentés
dans le tableau IV-1. La procédure à suivre pour faire cette étude est résumée dans les points
suivants :
Etude de fiabilité : on utilise la distribution de Weibull pour modéliser les TBF de ce type
d’équipement.
• Préparation des données,
• Détermination des paramètres de Weibull,
• Calcul des différentes fonctions MTBF, f(t), F(t), R(t) et λ(t).
Etude de maintenabilité: on utilise la distribution exponentielle pour modéliser les TBF de
cet équipement.
• Détermination des taux de défaillance et de réparation en se basant sur l’hypothèse
exponentielle,
• Détermination de la fonction M(t).
Etude de disponibilité : on se base sur l’hypothèse exponentielle.
• Calcul de la disponibilité opérationnelle et instantanée,
• Discussion des résultats.

Tableau IV-1 : les TBF et les TTR du four de traitement thermique
N° TBF Effectifs (ni) Effectifs TTR Effectif (ni) Effectifs
Cumulés (i) Cumulés (i)
1 50 1 1 120 1 1
2 65 1 2 150 1 2
3 68 1 3 110 1 3
4 72 1 4 113 1 4
5 73 1 5 159 1 5
6 75 1 6 213 1 6
7 77 1 7 125 1 7
8 78 1 8 136 1 8
9 80 1 9 142 1 9
10 82 1 10 201 1 10
11 90 1 11 153 1 11
12 113 1 12 115 1 12
13 117 1 13 79 1 13
14 120 1 14 94 1 14
15 130 1 15 135 1 15
16 131 1 16 112 1 16
17 137 1 17 87 1 17
18 147 1 18 102 1 18
19 154 1 19 94 1 19
20 161 1 20 111 1 20
21 178 1 21 210 1 21
22 202 1 22 108 1 22
23 226 1 23 96 1 23
24 238 1 24 75 1 24
25 257 1 25 131 1 25
26 264 1 26 125 1 26
27 274 1 27 147 1 27
28 276 1 28 112 1 28
29 298 1 29 91 1 29
30 305 1 30 88 1 30
31 322 1 31 94 1 31
32 346 1 32 65 1 32
33 353 1 33 67 1 33
34 370 1 34 83 1 34
35 418 1 35 98 1 35
36 449 1 36 113 1 36
37 466 1 37 105 1 37
38 473 1 38 103 1 38
39 538 1 39 87 1 39
40 562 1 40 127 1 40
41 665 1 41 63 1 41
42 666 1 42 145 1 42
43 682 1 43 123 1 43
44 684 1 44 97 1 44
45 706 1 45 88 1 45
46 720 1 46 90 1 46
47 730 1 47 132 1 47
48 759 1 48 67 1 48
49 778 1 49 81 1 49
50 790 1 50 64 1 50
51 820 1 51 47 1 51
52 864 1 52 54 1 52
53 901 1 53 72 1 53
54 931 1 54 51 1 54

Solution
1- Paramètres de la loi (β, ›, c : on utilise la méthode des moindres carrées pour estimer
les trois paramètres. Le tableau suivant résume les calculs de moindres carrées.
TBFi - (Ln TBFi)

i Ln (TBFi) F(i) yi (Ln TBFi) 2 (yi) 2
gamma × yi
38,23 1 3,644 0,019 -3,980 13,276 15,838 -14,500
53,23 2 3,975 0,037 -3,277 15,798 10,739 -13,025
56,23 3 4,029 0,056 -2,862 16,236 8,191 -11,532
60,23 4 4,098 0,074 -2,564 16,795 6,576 -10,510
61,23 5 4,115 0,093 -2,331 16,930 5,435 -9,593
63,23 6 4,147 0,111 -2,139 17,196 4,575 -8,870
65,23 7 4,178 0,130 -1,974 17,455 3,898 -8,249
66,23 8 4,193 0,148 -1,830 17,582 3,351 -7,675
68,23 9 4,223 0,167 -1,702 17,833 2,897 -7,187
70,23 10 4,252 0,185 -1,586 18,078 2,515 -6,742
78,23 11 4,360 0,204 -1,479 19,007 2,188 -6,449
101,23 12 4,617 0,222 -1,381 21,320 1,907 -6,377
105,23 13 4,656 0,241 -1,289 21,680 1,663 -6,004
108,23 14 4,684 0,259 -1,204 21,942 1,449 -5,638
118,23 15 4,773 0,278 -1,123 22,778 1,260 -5,358
119,23 16 4,781 0,296 -1,046 22,858 1,094 -5,000
125,23 17 4,830 0,315 -0,973 23,330 0,946 -4,698
135,23 18 4,907 0,333 -0,903 24,078 0,815 -4,430
142,23 19 4,957 0,352 -0,836 24,576 0,698 -4,142
149,23 20 5,005 0,370 -0,771 25,055 0,594 -3,858
166,23 21 5,113 0,389 -0,708 26,147 0,502 -3,622
190,23 22 5,248 0,407 -0,648 27,544 0,420 -3,399
214,23 23 5,367 0,426 -0,589 28,805 0,347 -3,160
226,23 24 5,422 0,444 -0,531 29,393 0,282 -2,881
245,23 25 5,502 0,463 -0,475 30,274 0,226 -2,615
252,23 26 5,530 0,481 -0,420 30,585 0,177 -2,325
262,23 27 5,569 0,500 -0,367 31,016 0,134 -2,041
264,23 28 5,577 0,519 -0,313 31,101 0,098 -1,748
286,23 29 5,657 0,537 -0,261 31,999 0,068 -1,478
293,23 30 5,681 0,556 -0,210 32,273 0,044 -1,191
310,23 31 5,737 0,574 -0,158 32,917 0,025 -0,909
334,23 32 5,812 0,593 -0,108 33,777 0,012 -0,626
341,23 33 5,833 0,611 -0,057 34,019 0,003 -0,333
358,23 34 5,881 0,630 -0,007 34,588 0,000 -0,040
406,23 35 6,007 0,648 0,044 36,083 0,002 0,262
437,23 36 6,080 0,667 0,094 36,972 0,009 0,572
454,23 37 6,119 0,685 0,145 37,437 0,021 0,886
461,23 38 6,134 0,704 0,196 37,625 0,038 1,202
526,23 39 6,266 0,722 0,248 39,259 0,061 1,551
550,23 40 6,310 0,741 0,300 39,820 0,090 1,893
653,23 41 6,482 0,759 0,353 42,015 0,125 2,291

654,23 42 6,483 0,778 0,408 42,035 0,167 2,646
670,23 43 6,508 0,796 0,464 42,349 0,216 3,022
672,23 44 6,511 0,815 0,523 42,388 0,273 3,402
694,23 45 6,543 0,833 0,583 42,808 0,340 3,816
708,23 46 6,563 0,852 0,647 43,070 0,418 4,245
718,23 47 6,577 0,870 0,714 43,254 0,510 4,699
747,23 48 6,616 0,889 0,787 43,776 0,620 5,208
766,23 49 6,641 0,907 0,867 44,109 0,752 5,758
778,23 50 6,657 0,926 0,957 44,316 0,915 6,368
808,23 51 6,695 0,944 1,061 44,821 1,127 7,106
852,23 52 6,748 0,963 1,193 45,534 1,422 8,048
889,23 53 6,790 0,981 1,384 46,109 1,914 9,395
919,23 54 6,824 1,000 Ind 46,561 Ind Ind
Somme 289,083 -29,135 1 622,025 87,987 -103,836
Calcul du paramètre c : on choisit trois points (ya,TBFa), (yb, TBFb) et (yc, TBFc) sur yi telle
que : yb - ya = yc - yb et on applique la relation de détermination de c (voir chapitre III).
Þv×˜˜˜ PPâ )
c = Þvƒ˜˜˜ = 11.77 h
*×PPâ
Calcul du paramètre š
)øù,êøú -)ù,'úÐ
•=
(vP,âP˜
Ðú
*âÞ,vâP ) ( ˜**,v*™ ) ⁄™P
• = 1,21
Alors, š = • = 1,21
a= - 29.135 / 53 – 1.21 × 289.083 / 53 = - 7.18
Calcul du paramètre ›
-û,'ø
ηŠ = e
Ÿ ¡
'.)' = 367.23
Alors le paramètre › est: › = ›̂ = 367.23 h
2- Détermination et représentation des fonctions MTBF, f (t), F(t), R(t) et λ(t)
MTBF = 0.9407 × 367.23 + 11.77 = 357.22 h.
(,*( P™—.** ((.—— (,*( ( úÐû.))-''.ûû ',)'

(MTBF)= P˜—.*P Ÿ ¡ e
Ÿ ¡
úýû.)ú
P˜—.*P
= 0.0013
úÐû.))-''.ûû ',)'
ìYõ = 1−e
Ÿ ¡
úýû.)ú = 0.6049
úÐû.))-''.ûû ',)'
‚ ìYõ =e
Ÿ ¡
úýû.)ú = 0.3951
ìYõ 0.0013
_ ìYõ = = = 0.0033 R /h
‚ ìYõ 0.3951

-3
x 10
2.5
1.5
f(t)
1
0.5
0
0 100 200 300 400 500 600 700 800 900 1000
t
Figure IV-2 : Variation de la fonction de distribution en fonction du temps

1
0.9
0.8
0.7
0.6
F(t)
0.5
0.4
0.3
0.2
0.1
0
0 100 200 300 400 500 600 700 800 900 1000
t
Figure IV-3 : Variation de la fonction de défaillance en fonction du temps

1
0.9
0.8
0.7
0.6
R(t)
0.5
0.4
0.3
0.2
0.1
0
0 100 200 300 400 500 600 700 800 900 1000
t
Figure IV-4 : Variation de la fonction de fiabilité en fonction du temps

-3
x 10
5
4.5
lamda 3.5
2.5
2
0 100 200 300 400 500 600 700 800 900 1000
t
Figure IV-5 : Variation du taux de défaillance en fonction du temps
3- Maintenabilité
Le taux de défaillance : λ =
1
= 0.0028
357.22
1
Le taux de réparation : μ = = 0.00923
108.33
v.vvÞ*P × (vâ.PP
M(MTTR) = 1-R = 0.6321
0.9
0.8
0.7
M(t)
0.6
0.5
0.4
0 100 200 300 400 500 600 700 800 900 1000
t
Figure IV-6 : Variation la maintenabilité en fonction du temps
4- Disponibilité
P™—.**
La disponibilité opérationnelle du four est : óôË = P™—.**ƒ(vâ.PP = 0.7673

Analysons ce résultat on peut conclure que le four est moins disponible (disponibilité faible)
et ça revient aux valeurs très importantes de TTR par rapport aux TBF. Le four a subit des
interventions de maintenance qui duraient longtemps.
La courbe représentée ci-dessous montre la variation de la disponibilité instantanée en

fonction du temps.
0.9
0.88
0.86
0.84
D(t)
0.82
0.8
0.78
0.76
0 100 200 300 400 500 600 700 800 900 1000
t
Figure IV-7 : Variation de la disponibilité en fonction du temps
Les résultats obtenus à partir de l’analyse FMD, montrent que le four est exploité d’une
manière continue et sa fiabilité diminue avec le temps. D’autre part, sa maintenabilité
augmente; ce qui explique qu’il sera difficile à le maintenir dans des périodes courtes. En
plus, sa disponibilité diminue à cause des pannes répétitives. D’après la valeur du paramètre β
> 1 et la forme croissante de la courbe du taux de défaillance, on déduit que le four est en
période de vieillesse. La valeur de la fiabilité à l’MTBF (R(MTBF) = 39.50) signifie qu’il y a
39.50 % de chance pour que le four fonctionne sans défaillances une durée supérieure à la
MTBF. La valeur de la maintenabilité à l’MTTR (M (MTTR) = 63.21) signifie qu’il y a 63
chances sur 100 pour que le TTR du four soit inferieur à la MTTR.

Références bibliographiques
[1] Choi S. K., Grandhi R. V., Canfield R. A., Reliability-based structural design, Springer
Verlag, London (2007).
[2] Benammar S., Khellaf A., Mohammedi K. Solar tower power plants performance and
reliability analysis. In: solar power, Editor: Stephen Bailey. Nova science publishers, Inc.
ISBN: 978-1-63321-317-3. USA, 2014.
[3] Villemeur, A., Sûreté de fonctionnement des systèmes industriels: Fiabilité, Facteurs
humains et Informatisation. Collection EdF - Ed Eyrolles (1988).
[4] Ayyub B. and Mccuen R., Probability, Statistics and Reliability for engineers. CRC
PressNew York (1997).
[5] Birolini A., Quality and reliability of technical systems. Ed. Springer (1997).
[6] Hoang, P., Handbook of reliability engineering. Ed Springer (2003).
[7] Leemis, M. L., Probabilistic models and statistical methods in reliability. In: IEEE Pro-
ceedings Annual Reliability and Maintainability Symposium, Tutorial notes, US (1994).
[8] Smith DJ., Reliability, Maintainability and Risk - Practical Methods for Engineers. 8th ed.
s.l.: Elsevier 2011.
[9] Kececioglu D. B., Reliability and Life Testing Handbook-Volume-1. DES tech
publications 2002.
[10] Leemis L. M., Reliability - Probabilistic Models and Statistical Methods. Prentice Hall,
Inc., Englewood Cliffs, New Jersey, 1995.
[11] Weibull W., A Statistical Distribution Function of Wide Applicability. Journal of

Applied Mechanics, Vol. 18, pp. 293-297, 1951.
[12] Monchy F., La fonction maintenance. Formation à la gestion de la maintenance

industrielle, 2e éd. corrigée, Masson, Paris, 1990.
[13] Meeker W. Q., ESCOBAR L. A., Statistical Methods for Reliability Data. JOHN
WILEY & SONS, INC, USA, 1998.
[14] Life data analysis reference. ReliaSoft Corporation. Worldwide Headquarters 1450 South
Eastside Loop Tucson, Arizona 85710-6703, USA, 2015.


Cours Fiabilité 7.11.2023

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours Fiabilité 7.11.2023

Transféré par

Droits d'auteur :

Formats disponibles

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE

UNIVERSITE M’HAMED BOUGARA-BOUMERDES

Faculté des Sciences de l’Ingénieur

Fiabilité des Systèmes

Dr. BENAMMAR Samir

Polycopié de cours : Fiabilité des Systèmes 1

Polycopié de cours : Fiabilité des Systèmes Mécaniques 2

1.2 Densité de probabilité et fonction de distribution cumulative

Polycopié de cours : Fiabilité des Systèmes Mécaniques 3

[ < < , < < ]= ,

Où f XY (x, y) est la PDF conjointe des variables aléatoires X et Y.

La PDF de X pour un y spécifié représente la probabilité conditionnelle de X donnée par:

Si X et Y sont indépendants, alors:

1.4 Mesures centrales

Polycopié de cours : Fiabilité des Systèmes Mécaniques 4

L'espérance mathématique, E [.], Possède les propriétés utiles suivantes: si X et Y sont

Si Z= X1 + X2 + ..... + Xn, alors E(Z) = E(X1) + E(X2)..... + E(Xn)

1.5 Mesures de dispersion

Tel que : µX = E[X].

Polycopié de cours : Fiabilité des Systèmes Mécaniques 5

2- Pour une variable aléatoire discrète, on peut écrire :

1.6 Mesures de corrélation

Polycopié de cours : Fiabilité des Systèmes Mécaniques 6

Pour une variable aléatoire discrète, la covariance est donnée par :

Si x et y sont statistiquement indépendants, les variables ne sont pas corrélées la covariance

1.7 Propriétés des mesures centrales et de dispersion

• Var (aX ± bY) = a2 Var (X) + b2 Var (Y) ± 2 a b COV(X,Y)

Polycopié de cours : Fiabilité des Systèmes Mécaniques 7

Donc la covariance entre Y et Z peut être obtenue comme [1]:

• @AB ,N ∑.12( 1 1 6 9 1 8 ∑.12( ∑.G2( 1 G @ABH 1 , G I,J KL

@AB ,N ∑.12( 1 1 = *0 8 ∑.12( ∑.G2( 1 G F1G = 0 = M .

Par conséquent, le skewness, décrit le degré de l’asymétrie d'une distribution autour de sa

On peut écrire aussi :

Une mesure non-dimensionnelle de skewness connue sous le nom de coefficient d'asymétrie

Où, YE, YZ et Y[ sont, respectivement, la moyenne, la médiane et le mode.

Polycopié de cours : Fiabilité des Systèmes Mécaniques 8

Une définition alternative du kurtosis (l’aplatissement) est donnée par :

2.1 Fonction de fiabilité ou fonction de survie

En notant par T la variable aléatoire caractérisant le moment de défaillance du dispositif, la

F (t) est la fonction de distribution cumulative de la variable T.

Polycopié de cours : Fiabilité des Systèmes Mécaniques 9

La figure 3 est un schéma représentant la fonction de fiabilité R (t), la fonction de distribution

2.2 Taux de défaillance instantané

Le taux de défaillance d'un appareil à l'instant t est défini par

Polycopié de cours : Fiabilité des Systèmes Mécaniques 10

La connaissance du taux de défaillance est suffisante pour déterminer la fiabilité, en utilisant

2.3 Temps moyen avant la première défaillance

2.4 Temps moyen de réparation

Où µ (t) est le taux de réparation.

2.5 Temps moyen de bon fonctionnement

Polycopié de cours : Fiabilité des Systèmes Mécaniques 11

2.7 Temps moyen entre deux défaillances

Première Début Remise en Deuxième

Figure I-4. Durées moyennes associées à la fiabilité [2].

MTBF = MDT + MUP

Polycopié de cours : Fiabilité des Systèmes Mécaniques 12

A (t) = P [E n’est pas défaillant à t]

M (t) = P [E est réparable sur [0, t]]

La maintenabilité peut également être exprimée comme la fonction de distribution du temps

2.10 Disponibilité du système

Où Ai (t) est la disponibilité pour chaque composant.

Polycopié de cours : Fiabilité des Systèmes Mécaniques 13