Académique Documents
Professionnel Documents
Culture Documents
Cours Fiabilité 7.11.2023
Cours Fiabilité 7.11.2023
Polycopié de Cours
Spécialité : MMTR et MEM
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
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
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].
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 :
− =
, ≥ 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:
= ,
,
| | = , >0
| | = 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(
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
E [X Y] = E [X] E [Y]
Si c est un constant
E [c] = c
E [c X] = c E [X]
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.
= 4[ *
−2 4[ ] + 4[ ]* ]
*]
= 4[ − 2 4[ ] 4[ ] + 4[ ]*
*]
= 4[ − 4[ ]*
*]
Alors : 6 = 4[ −3 *
6 9 = −3 *
= *
−23 + 3 *
6 9 = *
−3 *
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
= = @AB , = 4[ −3 −3 ]
∑.12( − ̅ −E
= =
1 1
<−1
Le coefficient de corrélation est une mesure non-dimensionnelle de la corrélation
=
F =
= =
Figure I-1a : variables ne sont pas corrélées Figure I-1b : corrélation parfaite
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
N = ∑.12( 1 1 ;
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.
O 4 3 P
3 P
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).
1.9 Kurtosis
Le kurtosis (Kx), le quatrième moment central de X, est une mesure de la planéité d'une
distribution.
]]
4[ −3
\ =
=]
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].
R ( t ) = P (T ≥ t ) = 1 − F ( t )
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.
Figure I-3. Fonction de fiabilité R (t), fonction de distribution cumulative F (t) et fonction de
densité de probabilité f (t) [2].
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.
f (t) est la fonction de densité de probabilité (PDF) du ‘temps avant la première défaillance’
(TTF).
t
R ( t ) = exp − ∫ λ ( s ) ⋅ ds
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
Cycle de vie
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.
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 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.
t
M ( t ) = 1 − exp − ∫ µ (τ ) dτ
0
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
W =_R ` a b
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.
1 (
W =_R `a
= R d
U
3 = YE = W W W
b
3 = YE = W _R ` a b
W
b
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
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
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.
3.4 Ecart-type
=u >6 9 Y
6 9 Y W* _ R ` a b
W−3 *
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
‚ Y8W R ` uƒa b
‚ W|Y =R `a
‚ Y R ` u b
‚ W|Y R `a
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.
‚ 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
W =1−R ` a b
Ou :
T<[1 W _c _W
On suppose que:
= T<[1 W
_c
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.
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].
`a
‚ W R
(
‚ W =R `
`
‚ W =R (
= 0.368 36.8 %
∑‹ ∑‹
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
_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
∑‹ − ̅ −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
∑(]
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
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
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.
š W − c ᵝ ̄¹ a b ᵝ
W = h ih i R
̄Ÿ ¡
› ›
Où:
š W ᵝ ̄¹ ¤
W = h i e
ᵝ
¥
› ›
W ( ¤
h i
ᶜ
W = e ¥
› ›
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.
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 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)!
´ W = R ⁿ ̄¹
¢
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
=›
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
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® *
(
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
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
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
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
Si R=0.5, alors TR = Yo, la vie médiane, ou la vie par laquelle la moitié des unités survivra.
– 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.
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.
W 1.4
Ÿ̄
R W R 770
¡
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
WÆ − c WÆ − c
Ou encore :
=
WÅ − c WÇ − c
WÅ WÇ − WÆ *
c=
WÅ + WÇ − 2WÆ
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.
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 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.
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
Par complémentarité de F(t), il est possible d’encadrer la fiabilité R(t) par la fourchette (0.153
; 0.729).
;+
@( =
U
– 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)).
;+ 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
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
@2 X ; + 1−‚ X U
= × ∞
@1 UX ;+
Ê š
R X =R
̄Ÿ › ¡
et U = ›. ´ Ÿš + 1¡
1
Posons :
È Ë
= et 9 = Ì
1
@* 1 + [1 − R ̄ ±
]9 ´ h + 1i
š
= ×
@( tv R x̄ ± W 1+9
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.
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®
Quels sont les éléments de connaissance que l’on peut déduire d’un tel échantillon ?
– 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 %.
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.
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.
¤ '.Ð
R t =e Ÿ
™.—
¡
¤ '.Ð
F t =1−e Ÿ
™.—
¡
¤ Ñ
Ÿ ¡
F t 1 e ¥
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
= +
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
Coefficient de Corrélation
∑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
Š = E − • YE = −•
12( 1
Œ Œ
›̂ 76.318 ℎ
FŠ = 0.9956
Š8•
∑‹ ∑‹
Š ̅ •E 12( 1 • 12( 1
Œ Œ
Et:
∑‹ ∑‹
∑‹ 1 −
12( 1 12( 1
•=
12( 1 Œ
∑‹ *
∑‹ * − 12( 1
12( 1 Œ
= lnà 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
(
•
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
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:
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 :
Le schéma de la figure représente la relation entre les trois concepts (fiabilité, maintenabilité
et disponibilité):
Probabilité de rétablir : Prob (TTR< t) = Prob (pour qu’un système en panne à t = 0 soit
rétabli à t)
• 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.
g(t) est la fonction de distribution des TTR, elle est donnée par :
é
g t = 3 W .e tê è a a
5 W
μ t =
1−ì W
1 log( t )− µ
2
1
f (t ) =
−
σ
σ ⋅ t ⋅ 2π
e 2
log ( t ) − µ
F (t ) = φ
σ
1 log( x )−µ
2
t
1 1 − 2
F (t ) =
σ
∫ xe
dx
σ 2π −∞
t u2
1 −
φ (t ) = ∫e 2
du
2π −∞
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 < +∞.
YE = › š
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].
f(T) ≥ 0, › > 0.
W−γ
ð=
›
η: Paramètre d’échelle,
γ: Paramètre de localisation.
YE = γ − › ò
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.
ìYõ
óôË =
ìYõ + ìYö
(
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.
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).
Þvט˜˜ 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
Calcul du paramètre ›
-û,'ø
ηŠ = e
Ÿ ¡
'.)' = 367.23
Alors le paramètre › est: › = ›̂ = 367.23 h
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
1.5
f(t)
1
0.5
0
0 100 200 300 400 500 600 700 800 900 1000
t
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
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
4.5
lamda 3.5
2.5
2
0 100 200 300 400 500 600 700 800 900 1000
t
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
4- Disponibilité
P™—.**
La disponibilité opérationnelle du four est : óôË = P™—.**ƒ(vâ.PP = 0.7673
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
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.
[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).
[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.
[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.