Vous êtes sur la page 1sur 166

Sûreté de Fonctionnement

Gestion des Risques Industriels

ENI de Tarbes, Semestre S8

A. P. Tchangani

1
Déroulement

Volume Contrôle de connaissances

4 cours de 2 heures Devoir surveillé (DS)


Compte rendu de TP (TP)
2 TD de 2 heures

2 TP de 3 heures Note UE = (4*DS+TP)/5

2
Programme

 Introduction & Définitions: FMDS

 Etude du comportement du matériel en service

 Estimation des fonctions de FMDS par des données d ’observation

 Outils d ’évaluation et d ’amélioration des paramètres de FMDS

 Outils d ’analyse des risques

 Maîtrise des risques par la gestion des pièces de rechange

 Maîtrise des risques par un remplacement préventif

3
Sûreté de Fonctionnement

Définitions (NF X60.010)

Ensemble des aptitudes d ’un bien qui lui permettent de remplir


une fonction requise (ou sa fonction) au moment voulu, pendant
la durée prévue sans dommage pour lui même et son
environnement

4
Sûreté de Fonctionnement: composantes

Fiabilité Reliability

Maintenabilité Maintenability

Disponibilité Availability

Sécurité Safety

FMDS RAMS
5
Sûreté de Fonctionnement: composantes

Fiabilité (NF X60.010)

Aptitude d ’un bien à accomplir une fonction requise,


dans des conditions données, pendant un intervalle
de temps donné. Remarque
- on suppose que le bien est en état de remplir
la fonction requise au début de l ’intervalle de temps considéré.
- Cette aptitude est fonction de:
- fiabilité des composants
- architecture du système
- maintenabilité
6
- logistique
Sûreté de Fonctionnement: composantes

Fiabilité: indicateurs
Soit T la durée de vie du bien considéré
Fonction fiabilité
R(t )  PrT  t / T  0

Temps moyen de bon fonction


MTTF: Mean Time to Failure pour les biens non réparables
MTBF: Mean Time Between Failures pour les biens réparables

7
Sûreté de Fonctionnement: composantes

Maintenabilité (Norme américaine MIL-STD-72IC)

Mesure de l ’aptitude d ’un dispositif (item) à être maintenu ou remis


dans des conditions spécifiées lorsque la maintenance de celui-ci est
réalisée par des agents ayant les niveaux spécifiés de compétences,
utilisant les procédures prescrites, à tous les niveaux prescrits de
maintenance et de réparation.

8
Sûreté de Fonctionnement: composantes

Maintenabilité (NF X60.010)


Aptitude, dans des conditions données d ’utilisation d ’un bien,
à être maintenu ou rétabli sur un intervalle de temps donné, dans un
état dans lequel il peut accomplir sa fonction requise, lorsque la
maintenance est accomplie dans des conditions données avec des
procédures et des moyens prescrits.
Remarque: la définition américaine est plus précise en ce qui concerne les moyens humains
puisqu ’elle donne des précisions sur la qualification des agents de maintenance.
Indicateurs
- fonction maintenabilité M(t) probabilité que le système
soit rétabli dans son état normal après une défaillances
- MTTR (Mean Time To Repair, Temps moyen de réparation 9
Sûreté de Fonctionnement: composantes

Disponibilité (NF X60.010)

Aptitude d ’un bien à être en état d ’accomplir une fonction requise


dans des conditions données, à un instant donné ou pendant un
intervalle de temps donné, en supposant que la fourniture des moyens
extérieurs nécessaires soit assurée.

Indicateurs
- fonction Disponibilité D(t) probabilité que le système
soit état de remplir la fonction requise.
- MUT (Mean Up Time, moyenne des temps pendant lesquels le système est en
fonctionnement actif)
- MDT (Mean Down Time, moyenne des temps pendant lesquels le système est
10
fonctionnellement hors service)
Sûreté de Fonctionnement: composantes

Sécurité

Aptitude d ’une entité à éviter de faire apparaître, dans des conditions


données, des événements critiques ou catastrophiques.

11
FMD des systèmes réparables

 Caractéristiques
 Trois niveaux

Propriétés Caractéristique FMD

Ensemble Toujours réparable Disponibilité

Réparable Maintenabilité
Module ou consommable et fiabilité

Composant Consommable Fiabilité


parfois réparable

12
FMD des systèmes réparables

 Caractéristiques
 Cas du module (carte électronique, moteur, vérin, etc.) réparable: 2
questions
réparation du module défaillant (risque d ’indisponibilité forte) ou
consommation par échange standard rapide ?

En cas de consommation, réparation (en temps différé) ou rebut ?

Réponse de nature économique par simulation du coût de chaque scénario


en prenant en compte les coûts directs d ’intervention, coûts
d ’indisponibilité, coût du stockage en magasin, ..

13
FMD des systèmes réparables: indicateurs
opérationnels

 Etapes successifs d ’un système réparable au cours de son usage

Mise Première Début Remise Deuxième


en service défaillance d ’intervention en service défaillance

Bon fonctionnement Attente Réparation Bon fonctionnement

Durée
MTTR d ’usage

MDT MUT

MTTF MTBF
14
FMD des systèmes réparables: indicateurs
opérationnels

 Synthèse

Arborescence Caractéristique Analyse correspondante


d ’un système
R(t) M(t) D(t)

Réparable MTBF MTTR Dop


Ensemble Non réparable
(mono coup) MTTF X X

Module Réparable MTBF MTTR X


interchangeable Consommable
MTTF X X

Composant Consommable MTTF X X

15
SdF

Comment assurer la SdF ?

Maintenance

16
Maintenance

NF X60.010

Ensemble des activités destinées à maintenir ou à rétablir un bien


dans un état ou dans des conditions données de sûreté de
fonctionnement, pour accomplir une fonction requise. Ces activités
sont une combinaison d ’activités techniques, administratives et de
management.

17
Les Stratégies de Maintenance

Stratégie Type de Maintenance

Maintenance d’urgence
Réparer après casse
Maintenance corrective

En fonction du calendrier
Maintenance préventive systématique

En fonction du niveau de Maintenance préventive conditionnelle


dégradation Maintenance préventive prévisionnelle

Reconception Maintenance d’amélioration

Recherche d’aléa Maintenance de ronde

18
Les Stratégies de Maintenance
Maintenance d’urgence

Définition
Travail de maintenance nécessitant une
intervention immédiate

But
Supprimer l’immobilisation, réduire le danger ou le
risque associé à la défaillance

 Caractéristiques

Non programmée

Perturbe la charge de travail (pics et vallées)

Chère
19
Nécessite une grande réactivité et une logistique en conséquence
Maintenance corrective

Définition
Restaurer le système pour qu’il retrouve un
état opérationnel

But
Permettre l’utilisation du système

 Caractéristiques
Planifiée

Création d’un ordre de travail

Préparation du travail
20
Maintenance de routine

Définition

Interventions régulières courtes sur des équipements souvent en


état de marche (lubrification,

inspection, réglages, …)

But

Réduire les pannes et les temps d’immobilisation

Allonger la durée de vie du système

Caractéristiques

Planifiée et préparée
21
Maintenance préventive systématique

Définition

Interventions d’inspection et de remplacement

programmées sur la base d’un calendrier ou d’une

durée de fonctionnement

But

Réduire les pannes et les temps d’immobilisation

Allonger la durée de vie du système

Caractéristiques

Planifiée et préparée

Déterminée à partir d’une probabilité de défaillance

Echéancier 22
Maintenance préventive conditionnelle
Définition

Interventions d’inspection et de remplacement


subordonnées au franchissement d’un seuil
prédéterminé significatif de l’état de dégradation du
bien

But

Identifier des anomalies (potentielles ou cachées) pour


enrayer un mécanisme de défaillance

Caractéristiques

Planifiée

Basée sur un niveau de dégradation

Seuils prédéterminés 23
Maintenance préventive prévisionnelle

Définition

Interventions d’inspection et de remplacement

subordonnées à l’analyse de l’évolution surveillée de paramètres


significatifs de la dégradation du bien

But

Identifier des anomalies (potentielles ou cachées) pour enrayer un


mécanisme de défaillance

Caractéristiques

Planifiée

Basée sur un niveau de dégradation

Evolution des paramètres


24
 Techniques de maintenance prévisionnelle
Analyse de vibrations

Analyse de lubrifiants et d’huiles

Examen des états de surface

Examens structurels

Dissipation d’énergie

Analyse d’effluents

Contrôle du rendement

Émission acoustique

25
Maintenance: Indicateurs fondamentaux

La maintenance doit pouvoir être évaluée quantitativement par des indicateurs opérationnels.
Indicateurs de la maintenance préventive

MMH/OH: Maintenance Man-Hours per Operating hour (charge en hommes-heures par heure de
fonctionnement ou d ’utilisation

MTBPMA: Mean Time Between Preventive Maintenance Actions (temps moyen de fonctionnement
ou d ’utilisation entre interventions de maintenance preventive).

26
Maintenance: Indicateurs fondamentaux

Indicateurs de la maintenance corrective

MTBUBA: Mean Time Between Unscheduled Maintenance Actions (temps moyen de fonctionnement
ou d ’utilisation entre interventions de maintenance non Programmées).

MTTR: Mean Time To Repair (moyenne des temps techniques de réparation). Il est limité à 4 temps:
- tdg: temps de diagnostic (temps moyen nécessaire pour dérouler le diagnostic au niveau de l ’unité à
déposer ou à remplacer;
- tdp: temps de dépose puis temps de pose (temps moyen pour déposer l ’unité défaillante et à la remplacer
par une pièce saine;
- tv: temps de vérification (temps moyen nécessaire pour valider l ’intervention et vérifier le bon
fonctionnement du bien après intervention;
- ts: temps de mise en service ou temps de redémarrage.
MTTR = tdg + tdp + tv + ts
27
Maintenance: Indicateurs fondamentaux

Indicateurs de la maintenance corrective

MMTR: Mean Man-Hours To Repair (charge moyenne en homme-heures pour réparer le bien)

Mc50: 50th percentile of corrective maintenance time

Mc50  t : PrTrepair  t  0.5

Mc90: 90th percentile of corrective maintenance time

Mc50  t : PrTrepair  t  0.9

28
Maintenance: Indicateurs fondamentaux

Exemple
Une étude du temps de réparation (en heures) d ’un appareil a donné les résultats suivants

Donner les indicateurs de la maintenance corrective de cet appareil en termes de MTTR, Mc50, Mc90

classe Effectif fréquence relative Fréquence cumulée Représentant de la classe


0.00 - 3.00 0 0 0 3.00
3.00 - 3.05 3 0.0075 0.0075 3.025
3.05 - 3.10 6 0.0151 0.0226 3.075
3.10 - 3.15 13 0.0327 0.0553 3.125
3.15 - 3.20 23 0.0578 0.1131 3.175
3.20 - 3.25 39 0.0980 0.2111 3.225
3.25 - 3.30 78 0.1960 0.4070 3.275
3.30 - 3.35 91 0.2286 0.6357 3.325
3.35 - 3.40 72 0.1809 0.8166 3.375
3.40 - 3.45 42 0.1055 0.9221 3.425
3.45 - 3.50 17 0.0427 0.9648 3.475
3.50 - 3.55 9 0.0226 0.9874 3.525
3.55 - 3.60 5 0.0126 1.0000 3.575

MTTR = 3.3178 h
29
Maintenance: Indicateurs fondamentaux
Exemple

30
Maintenance: Indicateurs fondamentaux

Exemple

31
Maintenance: Nivaux

Il existe une standardisation sur les niveaux de maintenance utilisables par exemple lors des contrats.

LRU: Line Replaceable Unit (Unité Remplaçable en Première Ligne)


Un LRU est un élément dont il est possible de détecter sans ambiguïté les défaillances « sur le système »,
soit à l ’aide d ’un équipement de test, soit grâce à la mise en œuvre d ’une procédure, et qui peut être
démonté du système et échangé par un identique (de même numéro de configuration) sans:
i) faire de choix pour son bon montage ou pour ses performances,
ii) avoir besoin de démonter ou d ’enlever les éléments de son voisinage.

SRU: Shop Replaceable Unit, est une unité remplaçable en atelier. Ce sont des éléments d ’une unité
déposée qui peuvent être remplacées par des identiques dans un atelier de maintenance approprié.

32
Maintenance: Nivaux
Définitions simplifiées NF X60.501
- opérations de réglages
1. Premier niveau - remplacement de consommables
- reprises légères (peinture)

Toute action
Primaire
s ’effectuant - dépannage par échange standard
sur le matériel 2. Second niveau - contrôle de bon fonctionnement / inspections
- opérations mineures d ’entretien (graissage)
- concept de LRU

- interventions hors matériel effectués en atelier ordinaire


- diagnostic plus fin
3. Troisième niveau - réparations au niveau composants
Toute action - réparation mécaniques mineures
Secondaire s ’effectuant - programmation d ’éléments informatiques
en dehors - concept SRU
du matériel
- interventions de type spécialisé en atelier
4. Quatrième niveau - réglage d ’instruments de mesure
- vérification d ’étalons

« overhaul » - retour en usine pour réparations profondes


Opérations 5. Cinquième niveau - opérations de grande maintenance
ou grande maintenance
de grande maintenance - remise à neuf

33
Maintenance

Comment choisir la stratégie de maintenance ?

Etudier le comportement du matériel en service

34
Comportement du matériel

Pour mettre en place une politique de maintenance et de gestion de risques, il importe de connaître
le comportement du matériel en service.

Types de défaillances d ’un matériel

Défaillances catalectiques: soudaines et complètes (rupture d ’une pièce mécanique, court-circuit, …)


Difficile d ’observer la dégradation et donc de mettre en œuvre une politique de maintenance conditionnelle

Défaillances par dérive: on voit progresser la dégradation (usure mécanique, augmentation de frottements,
augmentation de la valeur d ’une résistance, …). Elles se prêtent bien à la maintenance prédictive
conditionnelle.

3 phases caractérisent la durée de vie d ’un matériel: courbe en baignoire.

35
Comportement du matériel

 Durée de vie d ’un équipement


 La courbe en baignoire: le comportement du taux de défaillance l(t)
d ’un équipement le long de sa vie est composé de trois parties:
période de jeunesse: défaillances précoces (déverminage, rodage), l(t)
décroît,
période de vie utile: défaillances aléatoires, l(t) est presque constant,
période de vieillesse ou d ’usure: l(t) est croissant jusqu ’à l ’obsolescence

l(t)

vie utile t
vieillesse
jeunesse
36
courbe en baignoire
Exploitation de la courbe en baignoire pour la mainetenance

Phase de jeunesse: pratiquer le déverminage (mettre en fonctionnement le matériel pendant un


certain temps avant de le livrer au client).

Phase de maturité: pratiquer la maintenance préventive, corrective, ...

Phase de vieillesse: pratiquer la maintenance préventive conditionnelle

37
Comportement du matériel: relations entre le taux de défaillances
et la fonction de fiabilité

Soit T la variable aléatoire représentant la durée de vie d ’un matériel et F(t) sa fonction de répartition

F (t )  PrT  t

R(t), la fonction fiabilité est donnée par R(t )  1  F (t )

Par hypothèse

d ’où
F (t  dt )  F (t ) dF (t ) dF (t )
l (t )dt   
1  F (t ) 1  F (t ) R(t )
t

F (0)  0

 l ( u ) du
F (t )  1  e 0

38
Comportement du matériel: relations fondamentales

t
  l ( u ) du
F (t )  1  e 0

t
  l ( u ) du
R(t )  1  F (t )  e 0

A partir de l ’une des fonctions, on retrouve les autres

t
et donc calculer les indicateurs de performance
dF (t )   l ( u ) du
f (t )   l (t )e 0 de FMDS (RAMS) ; en particulier si on connaît
dt
la loi de probabilité de la variable T c ’est-à-dire F(t) ou f(t).

f (t )
l (t ) 
R(t )

 
MTBF  E (T )   tf (t )dt   R(t )dt
0 0
39
Comportement du matériel: quelques lois de probabilité de T

Loi exponentielle (loi à un seul paramètre): une variable aléatoire T suit une loi exponentielle de
paramètre l si sa densité de probabilité f(t) est donnée par

f (t )  le lt

d ’où
F (t )  1  e  lt

R(t )  1  F (t )  e lt


1
MTBF   R(t )dt 
0
l

40
Comportement du matériel: quelques lois de probabilité de T

Loi normale (loi à deux paramètres): une variable aléatoire T suit une loi normale de paramètres
Tm et s si sa densité de probabilité f(t) est donnée par
t Tm 2
1 
f (t )  e 2s 2
d ’où s 2

 t  Tm 
F (t )    
 s 

avec 
MTBF   tf (t )dt  Tm
2
t t
1  0
 (t ) 
2 
e 2
dt
sT  s
(tables) 41
Comportement du matériel: quelques lois de probabilité de T

Loi de Weibull (loi à trois paramètres): une variable aléatoire T suit une loi de Weibull de paramètres
b, g et h si sa densité de probabilité f(t) est donnée par b 1
 t g b

b t g  
f (t )    exp     
h h    h  
 
Fonction de répartition Taux de défaillances

b
 t g   b 1
F (t )  1  exp      f (t ) b  t  g 
  h  l (t )    
   R(t ) h  h   1
MTBF  E (T )  g  h1    g  Ah
 b
Fonction fiabilité
2
b  2   1 
 t g   s T  h 1     1     Bh
R(t )  exp       b    b 
  h  
 
x
Les paramètres A et B
x    t x 1e t dt
0
sont souvent tablés
Fonction eulérienne suivant les valeurs de b
de seconde espèce 42
Comportement du matériel: quelques lois de probabilité de T

Loi de Weibull: sigification des paramètres

Paramètre de forme b Paramètre d ’échelle h

- si b < 1, l(t) décroît: phase de jeunesse


- si b = 1, l(t) = l = 1/h = constant: phase de maturité
Cette loi est très utilisée
- si b > 1, l(t) croît: phase de vieillesse
en maintenance
du fait qu ’elle permet
Paramètre de position g
de modéliser les
- g = 0 si les défaillances peuvent débuter à l ’âge 0
3 phases de durée
- g > 0 si les défaillances ne peuvent se produire avant l ’âge g
de vie d ’un matériel.
- g < 0 si les défaillances ont débuté avant l ’origine des temps

43
Comment obtenir la fonction taux de défaillance
(ou l ’une des fonctions F(t), R(t), f(t)) ?

Estimation à partir des observations

44
Approximation de la fonction de répartition
F(t) à partir des données observées

 Il s ’agit d ’estimer F (t i )  PrT  t i 

 Approximation à partir des fréquences observées

 Hypothèse d ’un renouvellement à l ’identique

 N dates de défaillances

 Fréquences cumulées: si N  50 alors en découpant l ’horizon en intervalles ou


classes t i 1 ti  et en notant ni le nombre de défaillances sur t i 1 ti  alors
n
j i
j

F (t i ) 
N
 Pour N < 50, on ordonne les temps de bon fonctionnement Ti de manière
décroissante
 Rangs moyens: si 20  N  50 , la fonction de répartition à la date de Ti est F (Ti ) 
i
N 1

 Rangs médians: si N  20 , la fonction de répartition à la date Ti est i  0. 3


F (Ti ) 
N  0.4
45
Niveau de confiance de l ’approximation de
la fonction de F(t) ou R(t) par la méthode des
rangs médians (voir Tables en annexe)
On détermine les limites a1 et a2 telles que Pra1  F (t i )  a 2   0.9

Pr1  a 2  R(t i )  1  a1   0.9


PrF (t i )  a 2   0.95
Les tables existent pour les valeurs de a1 et a2 suivant les rangs à 5% et 95%.
PrF (t i )  a 1   0.05

5% 5%

a1 F (t i ) a2

Distribution de F(ti)
46
Niveau de confiance de l ’approximation de
la fonction de F(t) ou R(t) par la méthode des
rangs médians: exemple

Sous l ’hypothèse de renouvellement après défaillances, le relevé de 12 temps de bon fonctionnement


d ’un dispositif donne: 24, 91.5, 69, 46.5, 17.25, 51, 131.25, 31.05, 17.25, 31.05, 41.2, 6.75 (unité = 100 h)

Rang Ti F(Ti) alpha1 alpha2

1 6.75 0.056 0.004 0.220


2 17.25 0.137 0.030 0.339
4 24 0.298 0.123 0.527
5 31.05 0.379 0.181 0.609
7 41.2 0.540 0.315 0.755
8 46.5 0.621 0.381 0.819
9 51 0.702 0.473 0.877
10 69 0.782 0.562 0.928
11 91.5 0.863 0.661 0.969
12 131.25 0.943 0.779 0.996
47
Niveau de confiance de l ’approximation de
la fonction de F(t) ou R(t) par la méthode des
rangs médians: exemple

Bande de confiance

48
Estimation de F(t) ou l(t) par la méthode de l ’actuariat

Hypothèse: nombre N de dates de défaillances et de censure


suffisant (N > 50) .

Découper l ’horizon temporel en intervalles ou classes t i t i 1 


ni = nombre de défaillances sur l ’intervalle t i t i 1 
ci = cumul des temps de fonctionnement sur l ’intervalle t i t i 1 

Si on considère que le taux de défaillance est constant


sur l ’intervalle t i t i 1  alors l (t )  l  n sur t t 
i
i
i i 1
ci

et
t i t
H (t )   l (u )du   l (u )du   l (u )du
0 k 1 ti Construire
i
le tableau
  lk t k  li 1 t  t i  49
k 1
Estimation de F(t) ou l(t) par la méthode de l ’actuariat

intervalle nombre de cumul des temps estimation du estimation estimation


défaillances de fonctionnement taux li constant ponctuelle ponctuelle
sur l ’intervalle sur l ’intervalle de H(ti) de F(ti)

ni
t i t i 1  ni i
ci ci  l t
k 1
k k 1  e  H ( ti )

50
Estimation de F(t) ou l(t) par la méthode de l ’actuariat
Exemple

On considère les temps de défaillances et de censure de 17 éléments identiques (on choisit délibérément
de ne pas respecter la règle N > 50 pour faciliter de calcul) répartis en classes d ’amplitude 1000 heures.
On dispose des informations suivantes:
- 12 éléments ont fonctionné au moins 2000 heures,
- 5 défaillances ont été enregistrées avant 2000 heures de fonctionnement et le temps de bon
fonctionnement correspondant sont: 200 h, 850 h, 1200 h, 1300 h, 1500 h.

On voudrait déterminer la fiabilité d ’un élément pour


un temps t compris entre 1000 h et 2000h par la méthode
de l ’actuariat.

51
Estimation de F(t) ou l(t) par la méthode de l ’actuariat
Exemple

intervalle cumul des temps estimation du estimation estimation


nombre de ponctuelle
défaillances de fonctionnement taux li constant ponctuelle
sur l ’intervalle de H(ti) de F(ti)
sur l ’intervalle

ni
t i t i 1  ni i
ci ci  l t
k 1
k k 1  e  H ( ti )

0 1000
2 16050 h 1.25  10 4 0.125 0.1175

1000 2000
3 13000 h 2.31  10 4 0.356 0.2995

15  1000 h  200 h  850 h  16050 h 12  1000 h  200 h  300 h  500 h  13000 h 52


Estimation de F(t) ou l(t) par la méthode de l ’actuariat
Exemple

Pour t  1000 2000

H (t )  0.125  2.31 10 4 t  1000


 0.106  2.31 10 4 t

et donc

R(t )  e  H (t )  e 0.1062.3110 t   e 0.106  e 2.3110 t  1.11e 2.3110 t


4 4 4

Exemple: pour t = 1500 h


R(1500)  0.7862
53
Estimation de F(t) ou l(t) par la méthode des taux de
hasard cumulés
Hypothèse: on considère N éléments identiques non réparables en
état de bon fonctionnement au temps t = 0 avec éventuellement des
censures.
N(t) = nombre d ’éléments en service à la date t.

k(t) = nombre d ’éléments défaillants à l ’instant t.

k(t)/N(t) = taux de hasard observé.

Construire le tableau

54
Estimation de F(t) ou l(t) par la méthode des taux de
hasard cumulés

temps de estimation estimation


nombre d ’éléments nombre de Taux de hasard de F(ti)
fonctionnement ayant atteint l ’âge t défaillances de H(ti)
jusqu ’à observé
à la date t
défaillance

k (t i ) i
k (t i )
ti N (t i ) k (t i ) N (t i ) 
k 1 N (t i )
1  e  H ( ti )

55
Ajustement graphique de la loi de Weibull
b 1 b
b t g   t g  
f (t )    exp     
h h    h  
 

Il s ’agit de déterminer les 3 paramètres b, g et h de la loi de Weibull par les données d ’observation.

La détermination des paramètres b, g et h à partir des observations se fait graphiquement sur le papier
de Weibull qui comprend 4 axes:
- axe A: axe des temps sur lequel on reporte les temps ti de bon fonctionnement,
- axe B: porte F(t) sur lequel on reporte les valeurs F(ti) calculées par approximation
(fréquences cumulées, rangs moyens, rangs médians),
- axe a: correspond à ln(t),
- axe b: correspond à ln(ln(1/(1-F(t)))) et permet de déterminer la valeur de b.

56
Ajustement de la loi de Weibull: papier de Weibull

B F(t)
a

ln(t)

b b
57
Ajustement graphique de la loi de Weibull
Procédure de détermination de b, g et h

1) calculer F(ti) par l ’approximation appropriée (fréquences cumulées, rangs moyens, rangs médians, ..)
en pourcentage,
2) placer les points (ti, F(ti)) sur le papier de Weibull,
2.1) si ces points forment (à peu près) une droite D1 alors
-g=0
- l ’intersection de D1 avec l ’axe A donne h,
- la parallèle D2 à D1 passant par l ’origine (A = 1, a = 0) coupe l ’axe b en b
2.2) si ces points forment une courbe convexe ou concave alors g  0
- translater tous les points (de proche en proche) d ’une même valeur g pour obtenir
la droite D1, ou
- prendre 3 points sur la courbe équidistants sur l ’axe a ( ou sur l ’axe vertical
passant par (A = 1, a = 0) ) d ’abscisses t1, t2 et t3 et calculer g par t 22  t1t 3
g 
2t 2  t1  t 3
et translater tous les points de la valeur précédente de g pour avoir la droite D1 et
procéder comme en 2.1). 58
Ajustement graphique de la loi de Weibull
Exemple

ti F(ti) ln(ti)

6.75 5,6 1.9095


17.25 13,7 2.8478
24 29,8 3.1781
31.05 37,9 3.4356
41.2 54 3.7184
46.5 62,1 3.8395
51 70,2 3.9318
69 78,2 4.2341
91.5 86,3 4.5163
131.25 94,3 4.8771

59
Ajustement graphique
de la loi de Weibull
Exemple

g  0, h  50, b  1.4

MTBF  4557.12 h

60
Estimation de l(t) par le nombre de survivants
Hypothèse: nombre d ’éléments assez élevé

 Calcul du taux de défaillance moyen


 N0 : nombre initial de dispositifs ou éléments,

 Ns(t) : nombre de survivants à l ’instant t,

 Ns(t+t) : nombre de survivant à l ’instant t+t,

 C(t) = Ns(t) - Ns(t+t) : nombre de défaillances pendant t.


Cas 1: les éléments défaillants sont remplacés
C ( t )
l (t ) 
N 0 t

Cas 2: les éléments défaillants ne sont pas remplacés


C (t )
l (t ) 
N s (t )t
61
Estimation de l(t) par par le nombre de survivants

 Calcul du taux de défaillance instantané


 s ’applique aux survivants à l ’instant t et caractérise leur probabilité
conditionnelle de défaillance dans l ’intervalle (t, t+dt)
1 dN
l (t )  
N (t ) dt
dN
 ou l (t )dt  
N (t )

N (t )  N 0 exp    l (u )du 
t
 ou  0 

62
Pourquoi déterminer l(t) ou F(t) ?

 Optimisation des interventions systématiques

 Optimisation de la gestion des rechanges par la connaissance des


lois de consommation (qui coïncident avec les lois de défaillance)

 Gestion d ’équipement par l ’indicateur disponibilité en connaissant


MTTR et MTBF d ’un équipement

 Constitution de base de données

 Mise en place de la MBF (Maintenance Basée sur la Fiabilité)

63
Amélioration de SdF

 Comment améliorer la fiabilité d ’un système ?


 Améliorer la technologie des composants

 organiser la structure du système pour le rendre plus fiable: redondances

 3 grandes catégories de redondances


 redondances actives

 redondances passives ou stand by

 redondances majoritaires

 Redondances actives

Un certain nombre d ’éléments fonctionnant simultanément constituent le système

64
Amélioration de SdF

 Redondances actives
 Fiabilité à durée de mission fixée
 Hypothèses: défaillances indépendantes, fiabilité des composants ou sous-systèmes déterminés pour
une durée de mission donnée, donc le facteur temps n ’intervient pas.

 Architecture en série: on dit qu ’un système est en série du point de vue de la fiabilité si le
système tombe en panne dès qu ’un élément le composant tombe en panne.

C1 C2 …. Cn

n
Rs   Ri
i 1

Remarque: l ’architecture série n ’améliore pas la fiabilité car


la fiabilité du système est inférieure à la plus petite des fiabilités
65
Amélioration de SdF

 Redondances actives
 Fiabilité à durée de mission fixée
 Architecture parallèle: on dit qu ’un système est en série du point de vue de la fiabilité si pour
que le système tombe en panne il faut que tous les éléments le composant tombent panne.

C1

C2

...

Cn

n
Rs  1   1  Ri 
i 1

66
Amélioration de SdF

 Redondances passives
 Un seul élément fonctionne à la fois; les autres sont en attente.

 Avantage: pas de vieillissement des éléments ne fonctionnant pas

 Inconvénient: il faut un organe de détection et de commutation dont la fiabilité doit être


prise en compte
C1

C2

DC ...
Cn

 Le calcul de la fiabilité se fait en tenant compte du temps ; pour cela il faut connaître la
fonction taux de défaillance lit ou la fonction fiabilité Ri(t) pour chaque composant.
67
Amélioration de SdF

 Redondances passives: calcul de la fiabilité du système

 On montre que si tous les composants ont le même taux de défaillant l constant alors

 n 1 lt i 
Rs (t )  exp  l DC  l t  
 i  0 i! 

Exemple

n =2

68
Amélioration de SdF

 Redondances majoritaires
 Le signal de sortie est celui de la majorité des composants

 D = organe de décision, R = fiabilité d ’un composant


C1

C2 D
 n
nk 
n!
Rs  RD   C nk R k 1  R   C 
k

k!n  k !
n

 k c  ...
Cn

Si D parfait alors RD = 1.

Exemple: n = 3, c = 2, RD = 1

R s  3R 2  2 R 3

Rs  R  R  0.5
69
Amélioration de SdF

 Systèmes réparables: fonction maintenabilité


 Trep = variable aléatoire représentant le temps de réparation

 Fonction maintenabilité
M (t )  PrTrep  t

 Taux de réparation m(t)

 g(t) = densité de probabilité de Trep

 Relation entre taux de réparation et fonction maintenabilité

 
MT TR   tg (t )dt  1  M (t ) dt
dM 1 dM g (t )
m (t )dt   m (t )  
1  M (t ) 1  M (t ) dt 1  M (t ) 0 0
t


 m ( u ) du
M (t )  1  e 0
70
Amélioration de SdF

 Systèmes réparables: fonction maintenabilité


 Lois les plus utilisées en réparation
 Loi exponentielle de paramètre m

g (t )  me  mt
M (t )  1  e  mt
1
MT TR 
m

 Loi log-normale (2 paramètres m et s)


ln(t )  m 2
1
g (t )  e 2s 2

st 2
 
 m s
 
2

, s T2rep  e 2 ms  es  1
 
MT TR  E (Trep )  e
2 2 2
 

71
Evaluation des indicateurs de SdF
par les chaînes de Markov
Chaîne de Markov = Processus stochastiques à nombre d ’état fini ou dénombrable; nous ne considérerons que le cas fini

Chaîne de Markov à temps discret: matrice de transition et comportement transitoire

X k , k  0, 1, 2, 3, ... P  p ij 

X k  x1 , x 2 , ..., x n 
n

p
j 1
ij 1

 i (k )  Pr X k  i
p ij  Pr X k 1  j / X k  i

   1  2 ...  n 
 (k )   (0) P k

72
Evaluation des indicateurs de SdF
par les chaînes de Markov

Chaîne de Markov à temps discret

Exemple: vieillissement d ’une machine


Graphe de transition
Une machine peut se trouver dans 4 états d ’usure différente.
L ’état 1 correspond à une machine fonctionnant correctement ;
0.95 0.80
l ’état 4 à une machine inutilisable ; les états 2 et 3 dénotent des
stades de dégradation croissante. Les probabilités que la machine 0.01
se retrouve dans l ’état j un certain matin sachant qu ’elle était 1 3
dans l ’état i la veille au matin sont résumées dans la matrice de 1
transition P.
0.04 0.20
0.05
0.95 0.04 0.01 0.00 
0.00 0.90 0.05 0.05 
P
2 4
0.05
0.00 0.00 0.80 0.20 
  0.90
1.00 0.00 0.00 0.00 
73
Evaluation des indicateurs de SdF
par les chaînes de Markov
Chaîne de Markov à temps discret: classification des états

Un état j est accessible depuis l ’état i soit si i=j , soit s ’il existe dans le graphe de la chaîne au moins un chemin de i à j.
Si deux états i et j sont accessibles l ’un à partir de l ’autre, on dit qu ’ils communiquent et appartiennent
à une composante fortement connexe.
L ’ensemble de ces composantes constituent une partition du graphe et forme le graphe réduit.
Une classe est persistante si elle forme un sommet sans successeur du graphe réduit, dans le cas contraire
elle est dite transitoire.
Un état est persistant ou récurrent s ’il appartient à une classe persistante; transitoire s ’il appartient à une classe transitoire.
Une chaîne de Markov est irréductible si son graphe est fortement connexe; dans le cas contraire elle est réductible.
Un état est absorbant s ’il forme à lui seul une classe persistante. Une chaîne de Markov est absorbante si tous ses états
persistants sont absorbants.
Un état i est périodique de période d>1, si d est le plus grand diviseur commun des longueurs des circuits du graphe
représentatif passant par i; sinon il est dit apériodique. Les états d ’une classe ont tous la même période.
Une chaîne de Markov irréductible est périodique/apériodique si ses états sont périodiques/apériodiques.
74
Evaluation des indicateurs de SdF
par les chaînes de Markov
Chaîne de Markov à temps discret: comportement asymptotique

Chaînes irréductibles et apériodiques

La distribution stationnaire est


l ’unique solution des équations
1
 i* 
 *P  * mi
n

i 1
 i*  1 mi = espérance (moyenne) du nombre de transitions
entre deux visites successives de l ’état i

75
Evaluation des indicateurs de SdF
par les chaînes de Markov
Chaîne de Markov à temps discret: comportement asymptotique

Chaînes irréductibles et apériodiques: théorème ergodique

Soit {Xk} une chaîne de Markov irréductible et apériodique de distribution stationnaire * et f une fonction réelle définie
sur l ’espace des états de la chaîne. Alors on a:
k n

 
1
lim f (X l )  *
i f (i)
k  k  1
l 0 i 1
presque sûrement.

Remarque: ce théorème permet d ’estimer des indicateurs à long terme d ’un système.

76
Evaluation des indicateurs de SdF
par les chaînes de Markov
Chaîne de Markov à temps discret: comportement asymptotique

Exemple: vieillissement d ’une machine 0.95 0.80


0.01
0.95 0.04 0.01 0.00  1 3
0.00 0.90 0.05 0.05 
1

P
0.00 0.00 0.80 0.20  0.04
0.05
0.20
 
1.00 0.00 0.00 0.00 
2 4
0.05
5 1 3 1
*  
8 4 32 32  0.90

Il y a en moyenne 32 jours entre deux révisions successives

Production moyenne par jour si la production dans chacun des états est: 1000, 750, 400 et 0 pièces respectivement ?

850 pièces 77
Evaluation des indicateurs de SdF
par les chaînes de Markov
Chaîne de Markov à temps discret: comportement asymptotique

Chaînes absorbantes

Forme canonique (par réorganisation des états) de P

I 0
B  NR  I  Q 1 R
Matrice fondamentale
P 
 R Q  N  I  Q 1

La composante nij de la matrice N représente le nombre moyen de visites de l ’état transitoire j avant absorption sachant
que le processus débute dans l ’état transitoire i.

Ni = somme des termes de la ième ligne de la matrice N est le nombre moyen de transitions avant absorption en partant
de l ’état transitoire i.

La composante bij de la matrice B représente la probabilité d ’absorption par l ’état absorbant j sachant que le processus
débute dans l ’état transitoire i.
78
Evaluation des indicateurs de SdF
par les chaînes de Markov
Chaîne de Markov à temps discret: comportement asymptotique

Chaînes absorbantes: exemple

Une entreprise utilise une machine dont l ’état d ’usure est l ’un des suivants: neuve (N), usée (U), très usée (T) et
inutilisable (I). Chaque jour passé dans l ’un des états rapporte respectivement 1000, 800, 400 et 0 unités monétaires.
Le processus de vieillissement de la machine est modélisé par une chaîne de Markov à temps discret (unité de temps le
jour) de matrice de transition P, les états sont notés dans l ’ordre N, U, T, I.
1) Quelle est la durée de vie moyenne d ’une machine neuve ?
2) Si le remplacement de l ’installation par une machine neuve coûte K unités monétaires et demande une journée complète
de travail, déterminer parmi les deux politiques suivantes, celle qui maximise le gain moyen à long terme de l ’entreprise.
Politique 1: Remplacer la machine dès qu ’elle est inutilisable
Politique 2: Remplacer la machine dès qu ’elle est très usée ou inutilisable 0.6 0.2 0.1 0.1
0.0 0.7 0.2 0.1
P
0.0 0.0 0.8 0.2
 
0.0 0.0 0.0 1.0 
79
Evaluation des indicateurs de SdF
par les chaînes de Markov
Chaînes absorbantes: exemple

80
Evaluation des indicateurs de SdF
par les chaînes de Markov
Chaîne de Markov à temps discret: comportement asymptotique

Chaînes réductibles: exemple

Le fonctionnement d ’un dispositif industriel est décrit par 6 états: N (fonctionnement normal), P1 (panne de type 1),
P2 (panne de type 2), FA (fonctionnement approximatif), HS1 (système hors service de type 1) et HS2 (le système hors
service de type 2).
Si le dispositif est en N un matin, il a 80% de chances d ’ être en N, 15% d ’être en P1 et 5% d ’être en P2 le lendemain;
Si le dispositif est en P1 un matin, il a 50% de chances d ’ être en P1, 30% d ’être en N, 10% d ’être en HS1 et 10%
d ’être en FA le lendemain;
Si le dispositif est en P2 un matin, il a 30% de chances d ’ être en P2, 60% d ’être en FA et 10% d ’être en HS2 le lendemain;
Si le dispositif est en FA un matin, il a 80% de chances d ’ être en FA, 10% d ’être en P2 et 10% d ’être en HS2 le lendemain.

Etudier ce système pour évaluer ses performances

81
Evaluation des indicateurs de SdF
par les chaînes de Markov
Chaîne de Markov = Processus stochastiques à nombre d ’état fini ou dénombrable; nous ne considérerons que le cas fini

Chaîne de Markov à temps continu: définition

X t , t  0 Pour une chaîne de Markov à temps continu le temps de séjour dans un état i
suit une loi exponentielle de paramètre li où 1/ li est le temps moyen de séjour

X t  x1 , x 2 , ..., x n  dans l ’état i. li = 0 si i est un état absorbant; li > 0 si i est stable
et li = + infini si i est instantané.

 i (t )  Pr X t  i
Une chaîne de Markov possédant un nombre fini d ’état est régulière en ce sens
qu ’avec probabilité 1, le nombre de transition effectuée durant un intervalle de

   1  2 ...  n 
temps fini est fini.

82
Evaluation des indicateurs de SdF
par les chaînes de Markov
Chaîne de Markov = Processus stochastiques à nombre d ’état fini ou dénombrable; nous ne considérerons que le cas fini

Chaîne de Markov à temps continu: structure des chaînes régulières

1) lorsque le processus arrive dans un état i, il y reste pendant une durée aléatoire (éventuellement infini si
l ’état est absorbant) distribuée selon une loi exponentielle de paramètre li .
2) lorsque le processus quitte l ’état i (non absorbant) il choisit son nouvel état j (différent de i) avec la probabilité gij..

 
  g ij

La chaîne à temps discret de matrice de transition (changement d ’état) 


n
est appelée la chaîne sous-jacente ou induite.
g
j 1
ij 1

g ii  0 si i transitoire

g ii  1 si i absorbant
83
Evaluation des indicateurs de SdF
par les chaînes de Markov
Chaîne de Markov = Processus stochastiques à nombre d ’état fini ou dénombrable; nous ne considérerons que le cas fini

Chaîne de Markov à temps continu: matrice génératrice et comportement transitoire

A  a ij 
Comportement transitoire de la chaîne
  l i si i  j
a ij  
l i g ij si i  j
d (t )
  (t ) A
n dt
a ij 0
j 1
 (t )   (0)e At
n

 i (t )  1
La quantité -aii = li est appelée l ’intensité de passage hors de i. i 1

84
Evaluation des indicateurs de SdF
par les chaînes de Markov

Chaîne de Markov à temps continu

Comportement asymptotique de la chaîne

lim  i (t )   i ()   i*
t 

  *A  0

 a ji *j  li  i* ,  i
 j  (i )   (i)  ensemble des parents de i
 
   (i)  ensemble des enfants de i
 n  

  1
 i 1
*
i

 
n
 i*  1
 i 1

En résolvant ce système, on peut déduire certaines performances


de SdF comme: MUT, MTTR, Disponibilité, ...

85
Evaluation des indicateurs de SdF
par les chaînes de Markov

Chaîne de Markov à temps continu

Temps moyen avant absorption

Déduire la matrice  de la chaîne sous-jacente à partir de la matrice génératrice A et la mettre sous forme canonique
Calculer la matrice fondamentale N. Comme nij est le nombre moyen de transitions par l ’état transitoire j avant absorption
en partant de l ’état transitoire i et 1/lj le temps moyen de séjour dans l ’état j,
le temps moyen avant absorption en partant de i est

 nij 
Ti abs   
l
j transitoire  j


Remarque: estimation de durée de vie, temps moyen de fonctionnement avant révision d ’un système, etc.

86
Evaluation des indicateurs de SdF
par les chaînes de Markov
Chaîne de Markov à temps continu: théorème ergodique

Tout processus irréductible ne possédant qu ’un nombre fini d ’états est ergodique en ce sens qu ’il est récurrent non nul.

Soit {Xt} un chaîne de Markov à temps continu ergodique et * sa distribution stationnaire. Soit f une fonction réelle
définie sur l ’espace des états et vérifiant
n


i 1
*
i f (i)  

Alors pour une réalisation quelconque de la chaîne on a

t n

 
1
lim f ( X u )du  *
i f (i )
t  t
presque sûrement 0 i 1

Remarque: ce théorème permet d ’estimer les performances d ’un système modélisé modélisé par une chaîne ergodique.

87
Evaluation des indicateurs de SdF
par les chaînes de Markov
Chaîne de Markov à temps continu

Exemple: composant réparable (calcul de disponibilité)


l
l, m

OK OFF

m
l = taux de pannes, 1/l = temps moyen de bon fonctionnement
X t  OK , OFF 
m = taux de réparation, 1/m = temps moyen de réparation
X = état du composant A(t )   OK (t )  Pr X t  OK 

Le fonctionnement du composant permet un gain de g unités monétaires par unité de temps et sa réparation coûte c
unités monétaires par unité de temps. Quel est le gain moyen par unité de temps ? Condition de rentabilité ?
88
Evaluation des indicateurs de SdF
par les chaînes de Markov
Chaîne de Markov à temps continu
Exemple: composants non réparables en redondances passives

l
1) Déterminer la fonction fiabilité de ce système
DC
2) Quelle est la durée de vie moyenne de ce système ?

Rappels sur la transformée de Laplace l = taux de pannes d ’un composant

1
L1    1,
 1 
L1 

  e  at ,

L1 
1

 1

  1  e  at  Hypothèse: organe de détection
 p  p a   p ( p a )  a
et de commutation parfait

L1 
1
 ( p  a) 2

  te  at ,


L1 
1
 p( p  a) 2
 1

 a2

1  e  at  ate  at 
   

89
Evaluation des indicateurs de SdF
par les chaînes de Markov
Chaîne de Markov à temps continu

Exemple: performance d ’une machine de production

Une machine de production peut se trouver dans 4 états d ’usure différente. L ’état 1 correspond à une machine
fonctionnant correctement ; l ’état 4 à une machine inutilisable devant subir une révision complète; les états 2 et 3
dénotent des stades de dégradation croissante. Le temps moyen de séjour dans chacun des états est de 40 h, 40 h, 20 h et 10 h
respectivement. La matrice de transition de la chaîne sous-jacente est donnée par .
On voudrait déterminer les indicateurs suivants:
1) sur 1000 h de fonctionnement quel est le nombre moyen d ’heures pendant lesquelles la machine est en révision ?
2) le taux horaire moyen de production de la machine si le taux de production dans chacun des états est 1000, 750, 400 et 0
pièces respectivement.
3) Quel est le temps moyen de fonctionnement avant révision d ’une machine neuve ?

 1 3 3 1 
0.00 0.60 0.30 0.10   40 200 400 400 
0.00 0.00 0.80 0.20 
 1 1 1 
 0.00 
 A

40 50 200 
0.00 0.00 0.00 1.00   1 1 
   0.00 0.00 
20 20 
1.00 0.00 0.00 0.00   1 1
 0.00 0.00   90
 10 10 
Outils d ’analyse pour la maîtrise
de risques: AMDEC

 AMDEC = Analyse des Modes de Défaillances et de leurs Effets et de leur Criticité


 permet de mieux appréhender les risques de défaillances par les actions suivantes:
 redondance des éléments
 technologie plus performante
 surveillance des points névralgiques
 maintenance préventive plus efficace
 diagnostic des pannes plus rapide
 etc.
 AMDEC se rapporte généralement à des systèmes complexes
 unité de production (atelier, chaîne de transformation, puits de pétrole, …)
 usine (centrale nucléaire, raffinerie, …)
 mission (fusée, avion, …
 etc.
 Utilisation plus large que le seul cadre de maintenance; outil précieux de construction de la
fiabilité pour
 modélisation
 conception
 qualité
 contrôlabilité

91
Outils d ’analyse pour la maîtrise
de risques: AMDEC

 Méthodologie
 Fonder un groupe de travail dont les outils seront
 expériences des avaries mises en mémoire (banque de données)

 expérience des participants dans le domaine

 décomposition du système

 critères pour prescrire les recommandations

 utilisation d ’une procédure

 etc.

 Etudier chaque composant, chaque sous système, .. , séparément en envisageant divers


modes de dégradation et de leurs conséquences et former un tableau

92
Outils d ’analyse pour la maîtrise
de risques: AMDEC
Tableau récapitulatif

(a) (b) (c) (d) (e) (f) (g) (h) (i) (j)

No. Mode Fonctionnement Recommandations


D F Taux Symptômes Méthode Criticité et
é o de résultant observable de prévention
de Remarques
n n défaillance et effet sur ou de
défaillance
o c équipement, compensation
m t sous système,
i i système
n o
a n
t
i
o
n

93
Outils d ’analyse pour la maîtrise
de risques: AMDEC

 Signification des colonnes du tableau récapitulatif


 (a): numéro d ’ordre de l ’élément envisagé
 (b): désignation de l ’organe considéré
 ©: fonction de cet organe
 (d): mode de défaillance présumé (rupture d ’un organe mécanique, desserrage dû à des
vibrations, corrosion, fissuration, court-circuit, …)
 (e): probabilité d ’occurrence de l ’événement envisagé, évaluée par classe
 classe A: événement quasi impossible (P < 10-9)
 classe B: événement très improbable (10-9 < P < 10-6)
 classe C: événement improbable (10-6 < P < 10-3)
 classe D: événement possible (P > 10-3)
 (f): la conséquence de l ’événement envisagé sur l ’organe, le sous système ou le système
 (g): symptômes observables pouvant aider à la maintenance conditionnelle
 (h): méthode de compensation ou de prévention
 ((i): niveau de gravité sur le système
 1: très grave 2: grave
 3: pas grave 4: sans influence
 (j) recommandations

94
Outils d ’analyse pour la maîtrise
de risques: AMDEC
 Matrice de criticité

Echelle d ’occurence
Très
Quasi
improbable (B) Improbable (C) Possible (D)
Classe de gravité impossible (A)

Sans influence (4)

Pas grave (3)

Grave (2)

Très grave (1)

95
Outils d ’analyse pour la maîtrise
de risques: AMDEC

 Matrice de criticité à plusieurs entrées


 Critère de maintenabilité
 (a): MTTR < t1

 (b): t1 < MTTR < t2

 (g): MTTR >t2

 Critère de disponibilité
 E: arrêt de fonctionnement < t1

 F: t1 < arrêt de fonctionnement < t2

 G: t2 < arrêt de fonctionnement < t3

 G: arrêt de fonctionnement > t3

96
Outils d ’analyse pour la maîtrise de
risques: AMDEC
Probabilité
d ’occurrence Matrice de criticité à plusieurs entrées

1
A B C DD
H
Gravité
G
F

E zone critique

Disponibilité 97
Outils d ’analyse pour la maîtrise de
risques: AMDEC

 Utilisation: à partir de l ’étude AMDEC, on peut entreprendre certaines actions


 établir la liste des points critiques

 implanter des systèmes de surveillance

 proposer des améliorations

 prévoir les rechanges

 établir des opérations de maintenance correctives ou préventives

 ...

L ’analyse AMDEC peut être complétée par les arbres de défaillances et de maintenance

98
Outils d ’analyse pour la maîtrise de
risques: Arbres de défaillances
 Cette analyse permet
 d ’améliorer la conception d ’un système
 de faire un diagnostic rapide
 de prévoir une meilleure logistique
 Pour établir cet arbre, il est utile de s ’aider d ’une analyse AMDEC
 Analyse déductive
 partir d ’une défaillance présumée (racine de l ’arbre)
 rechercher toutes les causes élémentaires (feuilles de l ’arbre) ou agencement de causes
pouvant conduire à la défaillance présumée
 Possible d ’ attribution d ’une classe de probabilité à chaque événement: recherche
de chemin critique
 Calcul
 algèbre de Boole
 calcul des probabilité
 réseaux bayésiens
99
Outils d ’analyse pour la maîtrise de
risques: Arbres de défaillances
Symboles

E Y
X1

E
t X2 X1

E
X3 X2
ET X3

DELAI ET avec CONDITION

E X1 Y
X2 E X1
X3
Y

E
X2
OU X3
SI

OU avec CONDITION

100
Outils d ’analyse pour la maîtrise de
risques: Arbres de défaillances binaires

 Les plus utilisés en maintenance


 Etats binaires des événements (oui/non, OK/OFF, …)
 Evénement sommet = fonction logique des événements élémentaires (feuilles de
l ’arbre)
 Détermination des ensembles minimaux d ’événements élémentaires pouvant
conduire à l ’événement sommet en utilisant les règles de l ’algèbre de Boole
 Règles de l ’algèbre de Boole
 nX = X; Xn = X; XY = YX; X+Y = Y+X; XY+X = X(1+Y) = X
 Exemple
S = (X+Y)(X+Z)
= X2+XZ+XY+YZ
= X+XZ+XY+YZ Outil informatique: CabTree (TP)
= X+XY+YZ
= X+YZ
101
Outils d ’analyse pour la maîtrise de risques:
Arbres de défaillances à plusieurs états

Approche par réseaux bayésiens


Présentation
Structure Paramètres

X1
PrX i 
Probabilité à priori ou marginale
X2 pour les nœuds sans parents

…..….
PrX i /   ( X i )
Probabilité conditionnelle
Xi Xk pour les nœuds ayant des parents

X   ( X i )  ensemble des parents de X i

Nœuds (ovale) = variables en interaction


Relation fondamentale
   
arcs = relation (causalité, corrélation,
PrX i   Pr X i /   ( X i ) Pr   ( X i )
indépendance, …) entre les variables d ’un
domaine de connaissance 102
Outils d ’analyse pour la maîtrise de risques:
Arbres de défaillances à plusieurs états

Approche par réseaux bayésiens: exemple

On considère un système S formé de 2 composants C1 et C2 identiques montés en parallèle en termes de fiabilité. On a


constaté que dans 5 cas sur 1000, le système ne fonctionne pas bien qu ’on soit sûr que les 2 composants fonctionnent
correctement. Si les 2 composants ne fonctionnent pas alors le système non plus et fonctionne dans 98 cas sur 100 avec le
seul composant 1 et dans 92 cas sur 100 avec le composant 2 seulement. On ignore complètement l ’état à priori de

chaque composant (incertitude totale).

1) Quelle est la probabilité que le système fonctionne ?

2) Si le système fonctionne, quelle est la probabilité pour chacun des composants d ’être OFF ?

103
Outils d ’analyse pour la maîtrise de risques:
Arbres de défaillances à plusieurs états

Approche par réseaux bayésiens: exemple


Réseau Baysésien
Classique
C1 C2
C1
C1 , C2 , S  OK , OFF 
s
C2 C1 C2 PrS  OK / C1 , C2 

OK OK 0.995
C1 C2 S OK OFF 0.98
OK OK OK OFF OK 0.92
OK OFF OK OFF OFF 0
OFF OK OK
PrS  OFF / C1 , C2   1  PrS  OK / C1 , C2 
OFF OFF OFF
PrS  k    PrS  k / C1  i, C 2  jPrCi  iPrC 2  j
i, j 104
Outils d ’analyse pour la maîtrise de risques:
Arbres de défaillances à plusieurs états

Approche par réseaux bayésiens: exemple

PrS  OK   PrS  OK / C1  OK , C 2  OK PrC1  OK PrC 2  OK  

PrS  OK / C1  OK , C 2  OFF PrC1  OK PrC 2  OFF  

PrS  OK / C1  OFF , C 2  OK PrC1  OFF PrC 2  OK  

PrS  OK / C1  OFF , C 2  OFF PrC1  OFF PrC 2  OFF 

 0.995  0.5  0.5  0.98  0.5  0.5  0.92  0.5  0.5  0.00  0.5  0.5

 0.7238  72.38 %

105
Outils d ’analyse pour la maîtrise de risques:
Arbres de défaillances à plusieurs états

Approche par réseaux bayésiens: exemple (calcul avec le Logiciel Netica

106
Outils d ’analyse pour la maîtrise de risques:
Arbres de défaillances à plusieurs états

Réseaux Bayésiens Dynamiques: Présentation

Structure Paramètres

Tables de probabilité conditionnelle

 
Pr BN (t ) /   ( BN (t )), BN (t  1), BN (t  2), ...
BN(t-k) ….. BN(t-1) BN(t)
….

Plusieurs tranches temporelles indiquant l’horizon


historique.

A chaque tranche: un réseau bayésien décrivant


l’interaction instantanée entre variables.
107
Outils d ’analyse pour la maîtrise de risques:
Arbres de défaillances à plusieurs états

Approche par réseaux bayésiens (dynamiques): exemple

On considère un système S formé de 2 composants C1 et C2 identiques montés en parallèle en termes de fiabilité. On a


constaté que dans 5 cas sur 1000, le système ne fonctionne pas bien qu ’on soit sûr que les 2 composants fonctionnent
correctement. Si les 2 composants ne fonctionnent pas alors le système non plus et fonctionne dans 98 cas sur 100 avec le
seul composant 1 et dans 92 cas sur 100 avec le composant 2 seulement. On ignore complètement l ’état à priori de

chaque composant (incertitude totale). Chaque composant a un taux de défaillance de li pannes par unité de temps.

108
Outils d ’analyse pour la maîtrise de risques:
Arbres de défaillances à plusieurs états
Approche par réseaux bayésiens (dynamiques): exemple

P1  e A1
C1(t) C2 (t) PrS (t )  OK / C1 (t ), C2 (t )
C1(t-1) C1(t)

P2  e A2 OK OK 0.995
C2(t-1) C2(t)
OK OFF 0.98
OFF OK 0.92
s(t-1) s(t) OFF OFF 0

PrS (t )  OFF / C1 (t ), C2 (t )  1  PrS (t )  OK / C1 (t ), C2 (t )


 l l1   l l2 
A1   1 A2   2
0  0 
,
 0  0
PrCi (t )  k    Pi  j , k  PrCi (t  1)  j
j

PrS (t )  k    PrS (t )  k / C1 (t )  i, C 2 (t )  jPrCi (t )  iPrC 2 (t )  j


i, j 109
Approche par réseaux bayésiens (dynamiques): exemple

PrC1 (t )  OK   P1 OK , OK  PrC1 (t  1)  OK   P1 OFF , OK  PrC1 (t  1)  OFF 


PrC1 (t )  OFF   P1 OK , OFF  PrC1 (t  1)  OK   P1 OFF , OFF  PrC1 (t  1)  OFF 

PrC 2 (t )  OK   P2 OK , OK  PrC 2 (t  1)  OK   P2 OFF , OK  PrC 2 (t  1)  OFF 


PrC 2 (t )  OFF   P2 OK , OFF  PrC 2 (t  1)  OK   P2 OFF , OFF  PrC 2 (t  1)  OFF 

l1  10 3 , l2  0.5  10 2 0.999 0.001 0.995 0.005


P1  e A1  
 0 1  P2  e A2  
1 
 0
PrC1 (t )  OK   0.999 PrC1 (t  1)  OK 
PrC1 (t )  OFF   0.001 PrC1 (t  1)  OK   PrC1 (t  1)  OFF 

PrC 2 (t )  OK   0.995 PrC 2 (t  1)  OK 


PrC 2 (t )  OFF   0.005 PrC 2 (t  1)  OK   PrC 2 (t  1)  OFF 

PrS (t )  OK   0.995 PrC1 (t )  OK PrC 2 (t )  OK  


0.98 PrC1 (t )  OK PrC 2 (t )  OFF  
0.92 PrC1 (t )  OFF PrC 2 (t )  OK  110
Outils d ’analyse pour la maîtrise de risques:
Arbres de défaillances à plusieurs états
Approche par réseaux bayésiens (dynamiques): exemple

111
Outils d ’analyse pour la maîtrise de risques:
Arbres de défaillances à plusieurs états

Réseaux Bayésiens (Dynamiques): utilisation

 Inférence: étant donnés la structure et les paramètres du réseau, propager une


évidence (connaissance certaine de l ’état de certains nœuds) pour découvrir l ’état
probable des nœuds non observés.
 Application: diagnostic, prévision,

 Apprentissage: A partir des données d ’expérience ou d ’expertise,


 établir la structure (apprentissage de structure)

 déterminer les paramètres d ’une structure donnée (apprentissage de paramètres)

 l ’apprentissage de structure est difficile en général

 Il existe des algorithmes (plus ou moins) efficace d ’apprentissage et d ’inférence

112
Application de l ’inférence en RBD: Aide à la décision par simulation

 Diagnostic, Pronostic, ….
 O = ensemble des nœuds dont l ’état est observé (symptômes) à chaque instant t
 Déterminer l ’état probable X*(t) d ’un nœud caché X à l ’instant t étant donné O(t) pour t1  t  t 2
X * (t )  arg max x PrX (t )  x / O(t ), t1  t  t 2 

 Réactivité par rapport à l ’évolution de l ’environnement

 C(X) : ensemble des états critiques pour une variable X (composant)

 Hors ligne: établissement des plans d ’action suivant l ’état de l ’environnement

 
Intervenir si Pr X (t 0  t )  C( X ) / w(t )  1  g , 0  g  1

 En ligne: estimation du temps moyen nécessaire de réaction à un changement de


l ’environnement

   
t ( )  inf t Pr X (t 0  t )  C( X ) / w(t ), t 0  t  T  1   , 0    1

 Evaluation des politiques d ’action


 une action a domine stochastiquement une autre action b si et seulement si

PrX (t 0  t )  C ( X ) / a  PrX (t 0  t )  C ( X ) / b, t  t 0 T 


113
Application de l ’apprentissage des paramètres en RBD: Estimation
des performances de SdF par simulation

 Proportion de temps passé dans un état i (MTTR, MUT, …)

 Nombre moyen de transitions entre deux visites d ’un état i (MTBF)

 Temps moyen de séjour dans un état i à partir d ’un état j (temps moyen de
fonctionnement approximatif)

 Temps moyen avant absorption (durée de vie moyenne)

 Probabilité d ’absorption à partir d ’un état i (sécurité)

 ….

114
Outils d ’analyse pour la maîtrise de
risques: Arbres de maintenance

 Cheminement des tests à effectuer pour un diagnostic


 Classer les opérations de tests des plus probables vers les moins probables pour
minimiser le temps de diagnostic
 réseaux bayésiens
 Outil informatique (CabTree, facteur d ’importance)

Bon Mauvais E
M

ETAPE
TEST
Symboles CONTROLE

R C

REGLAGE
REPARATION CONTROLE
115
Outils d ’analyse pour la maîtrise de
risques: Arbres de maintenance

Pas de lumière
Exemple

Arbre de maintenance Bon Mauvais


de l ’éclairage d ’une salle Vérifier
lampes
Remplacer
lampes
Bon Vérifier Mauvais

alimentation

Remplacer Rétablir
fusibles alimentation Contrôler

Contrôler Contrôler

116
Outils d ’analyse pour la maîtrise de
risques: Analyse ABC ou de Pareto

 Cette analyse permet d ’identifier les tâches ou ressources prioritaires

 Méthodologie
 classer les pannes par ordre décroissant de coût, chaque panne se rapportant à une
rubrique ou machine

 construire le tableau
 ci: coût des pannes par machine classé par ordre décroissant

 Sci : somme des coûts de 1 à i

 Sci /CT: pourcentage par rapport au coût total CT

 Npi: nombre de pannes attribuées à une machine

 SNpi : somme des pannes de 1 à i

 SNpi /NPT: pourcentage par rapport au nombre total de pannes

117
Outils d ’analyse pour la maîtrise de
risques: Analyse ABC ou de Pareto

 Méthodologie

Numéro Classement Cumule Pourcentage Nombre Cumule Pourcentage


de machine par ordre des coûts des coûts de pannes des pannes des pannes
Ni décroissant Sci Sci /CT par machine SNpi SNpi /NPT
de coût Npi
ci

 Construire la courbe de Pareto

118
Outils d ’analyse pour la maîtrise de
risques: Analyse ABC ou de Pareto

Courbe de Pareto Pourcentage


de coût

100%
95%

80%

A B C

20% 50% 100 Pourcentage


% de type
de pannes

119
Outils d ’analyse pour la maîtrise de
risques: Analyse ABC ou de Pareto

 Analyse de la courbe ABC


 Zone A: environ 20% des pannes représentent 80% de coût, ces pannes sont prioritaires

 Zone B: les 30% de pannes suivantes ne coûtent que 15%

 Zone C: les 50% des pannes restantes ne reviennent qu ’à 5% des coûts

 Utilisation de la courbe ABC


 Zone A
 organisation d ’une maintenance préventive systématique, prévisionnelle ou conditionnelle

 surveillance permanente des points clés

 amélioration de la fiabilité de ces éléments

 prévision des stocks de pièces de rechange avec une plus grande attention

 Zone B
 moins exigeant

 Zone C
 pas de maintenance préventive
120
Outils d ’analyse pour la maîtrise de
risques: Analyse ABC ou de Pareto

Exemple

Un système industriel est composé de 10 éléments fondamentaux. Afin de déterminer les éléments qui causent le
plus d'indisponibilité du système, une étude des pannes des différents éléments a été réalisée pendant une année
dont le résultat est donné par le tableau ci-dessous.

Eléments Temps d'arrêt en minutes


A 50
B 35
C 40
D 20
E 497
F 10
G 25
H 8
I 298
J 17

Total des temps d ’arrêt: 1000 minutes


121
Outils d ’analyse pour la maîtrise de
risques: Analyse ABC ou de Pareto

Exemple

122
Outils d ’analyse pour la maîtrise de
risques: Analyse ABC ou de Pareto

Exemple

Etude avancée des temps de bon fonctionnement des éléments E et I

E: 110 - 208 - 170 - 190 - 155 - 230 - 340 - 150 - 160 - 195 - 280 - 250 (heures)
I: 55 - 40 - 70 - 120 - 150 - 270 - 200 - 190 (heures)

Fonctions fiabilités RE(t) et RI(t) par Weibull

Périodicité d ’intervention T0 avec risque a ?

123
Maîtrise de risques par la Gestion des pièces
de rechange
 A prévoir
 quantité à commander
 dates de réapprovisionnement
 En minimisant
 coût de passation de commandes ou coût d ’acquisition
 varie en fonction du nombre de commandes
 occasionne des frais dans les services
• service achat
• service gestion des stocks
• service réception (contrôle qualité)
• service magasin
• service comptable

 coûts des matériels commandés (coût d ’achat)


 coût de possession des matériels: coût de ce que pourrait rapporter à l ’entreprise les
capitaux dégagés par une diminution de stock moyen (calculé en général sur une année)
 taux de possession annuelle, i qui est fonction de l ’intérêt du capital immobilisé et des frais de
stockage (locaux, impôts, assurance, …)
 valeur du stock immobilisé

 coût de pénurie (difficile à évaluer) 124


Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique

 Paramètres
 K: consommation annuelle prévisionnelle (en nombre)

 Q: quantité commandée à chaque réapprovisionnement

 N: nombre de commandes annuelles

 Pu: prix unitaire des matériels

 i: taux d ’intérêt appliqué à la valeur moyenne du stock annuel

 Ca: coût d ’acquisition par commande

125
Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique

Hypothèse: variation linéaire du stock

Stock
moyen
Q/2
Stock de
sécurité
Ss

T1 T2 T3
Q
CT  KPu  Ca N  Pu i
Coût
2
total K Q
 KPu  Ca  Pu i
Q 2
Coût
Coût de possession
d ’achat
Coût
d ’acquisition
126
Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique

Quantité économique de commande: formule de Wilson

dCT KC 1 2 KCa
  2a  Pu i  0 Qe 
dQ Q 2 Pu i

N commandes par an d ’une durée de T0 entre commandes

1 an Qe 12Qe
T0   années  mois
N K K

127
Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique

Différents modes de gestion de stock

Mode de gestion Quantité commandée Temps entre commande

Point de commande Fixe Variable

Plan d ’approvisionnement Variable Fixe

Programme d ’approvisionnement Fixe Fixe

Cas des pièces de sécurités Variable Variable

128
Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique

Méthode du point de commande

Commander la quantité économique lorsque le stock atteint un stock d ’alerte Sa

Stock d ’alerte, Sa

T1 T3
T2

Délai d ’approvisionnement, d
129
Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique
Méthode du point de commande

Premier cas: la sortie des matériels est gaussienne et les fluctuations du délai
négligeable devant celles des sorties

- C : consommation moyenne par unité de temps (mensuelle)


Probabilité de
- d: délai d ’approvisionnement rupture de stock
- s: écart-type de la distribution des quantités sorties par
unité de temps (mensuellement)
- k: nombre d ’écart-type correspondant au niveau de
Cd
sécurité souhaitée t

t2
1
S a  Cd  ks d
 (t ) 
2
e

2
dt

 (k )  1  a
Consommation Stock de sécurité
moyenne pendant pendant le délai
Probabilité de
le délai rupture de stock

130
Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique
Méthode du point de commande

Premier cas (loi de Gauss)


Mois Quantité
Exemple
janvier 20
février 30
mars 25
- coût lié aux commandes: 700 UM avril 15
mai 30
- taux de possession de stock, 30% juin 10
juillet 35
- coût unitaire de matériel, 50 UM septembre 40
octobre 25
- délai d ’approvisionnement, 1 mois novembre 40
décembre 15
- risque de rupture, 5%

Stock d ’alerte ?

131
Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique
Méthode du point de commande

Deuxième cas: la sortie des matériels suit une loi de Poisson (faible sortie, P(X = 0) n ’est pas nulle; la
moyenne de sorties m est sensiblement égal à la variance
k
e M M x
- X: nombre de sorties par unité de temps PrX  k   
x 0 x!
- m : moyenne des sorties par unité de temps
- M = md: moyenne des sorties durant la période de risque

Suivant le niveau de couverture souhaité (probabilité de ne pas manquer de pièces de rechange),


on détermine k qui constitue le stock d ’alerte

132
Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique
Méthode du point de commande

Mois Quantité

janvier 1
Deuxième cas (loi de Poisson) février 1
mars 0
avril 1
mai 0
juin 1
Exemple juillet 1
septembre 0
octobre 1
novembre 0
- délai d ’approvisionnement, 1 mois décembre 0

- risque de rupture, 5%

Stock d ’alerte ?

133
Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique

 Méthode du point de commande


 Avantages
 grande sécurité de fourniture des pièces de rechanges

 évite les périodicités et inventaires

 Inconvénient
 stock d ’alerte périodiquement calculé en fonctions des variables délai et consommations

 nombre de commandes multiples

 80% de pratique en entreprises

134
Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique

Méthode du plan d ’approvisionnement


Commander des quantités variables à dates fixes

Nombre annuel moyen de commande


K K 2 Pu i KPu i
N  
Qe 2 KC a 2C a
Périodicité en mois

12 2C a La quantité à commander Qc doit faire face à


T0   12
N KPu i
- consommation pendant le délai d
- consommation entre 2 commandes

Qc  C d  T0   M

S s  kT0 d  T0 reste en magasin

135
Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique

 Méthode du plan d ’approvisionnement


 Avantages
 facilite les achats, ordonnancement des commandes, contrôle qualité, magasinage

 Inconvénients
 risque accru d ’avoir une rupture de stock en cas d ’augmentation brusque de consommation

 10% de pratique en entreprise

136
Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique

Méthode du programme d ’approvisionnement

Commander des quantités fixes à dates fixes

Périodicité en mois Quantité à commander


12 2C a
T0 
N
 12
KPu i
Qc  C T0

Le risque de rupture de stock est d ’autant plus grand que la période couverte est longue

137
Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique

 Méthode pour pièces de sécurité


 pièces vitales pour l ’entreprise

 probabilité de rupture de stock doit être très faible (improbable)

 étude de sécurité éventuelle (analyse par arbre de défaillances)

 5% de stock dans l ’entreprise en général

 prendre en compte dans Wilson le coût consécutif à la rupture de stock

 Soit W le coût de pénurie par pièce manquante et par an, il intègre


 pertes de production

 coût de solution compensatoires

138
Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique

Méthode pour pièces de sécurité

Hypothèse: les réapprovisionnement sont r  (1  a )T


effectués après une durée r telle que période
d ’approvisionnement
économique
taux de pénurie

Stock moyen
aQ
T
1 a 2Q
T 0
Q(T )dT 
2

r r
aT r aT aT

3T
T 2T

139
Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique

Méthode pour pièces de sécurité

Stock moyen
Le nombre de pièces manquantes
T varient de 0 à (1-a)Q
1 a 2Q
T 0
Q(T )dT 
2

(1-a)Q

Moyenne des pièces manquantes


r = (1-a)T
1  (1  a)Q  (1  a)T  (1  a) 2 Q
T  2   2

140
Maîtrise de risques par la Gestion des pièces
de rechange: modèle classique

Méthode pour pièces de sécurité

Coût Coût
KCa Q (1  a) 2
total CTr  KPu   a Pu i 
2
QW de pénurie
réel Q 2 2

Coût Coût
d ’achat Coût de possession
d ’acquisition

Quantité économique
Taux de pénurie optimale
CTr 2 KCa
CTr W  0  Qe 
0 a Q a 2 Pu i  (1  a) 2 W
a Pu i  W
Pu i i
1 a  
Pu i  W W  2KCa  W  Pu i 
i Qe    
Pu
 Pu i  W 
141
Maîtrise de risques par la Gestion des pièces
de rechange: modèle à une période

Cas d ’une commande unique (annuelle, mensuelle, hebdomadaire, journalière, ….)

 Le coût total (acquisition, stock, pénurie,..) dépend de la demande D et de la


quantité commandée Q, CT = C(D, Q) qui peut s ’écrire comme
 C(D, Q) = coQ + termes ne dépendant pas de Q si D <= Q, co est le coût unitaire de sur -
stockage (overstocking cost)

 C(D, Q) = - cuQ + termes ne dépendant pas de Q si D >= Q+1, cu est le coût unitaire de
sous - stockage (understocking cost)

 Le coût moyen est alors E (Q)   C(D, Q) Pr( D)


D
qui est en général une fonction convexe, donc
admettant un minimum Q* qui sera la quantité à commander

 Si D <= Q, le passage de Q à Q+1 augmente le coût de co, la variation moyenne du coût


total est alors 1 E (Q)  co Pr( D  Q)

 Si D >= Q, le passage de Q à Q+1 diminue le coût de cu, la variation moyenne du coût total
est alors  2 E (Q)  cu Pr( D  Q)

142
Maîtrise de risques par la Gestion des pièces
de rechange: modèle à une période

Cas d ’une commande unique

 La variation total du coût est alors

E (Q)  E (Q  1)  E (Q)  c o Pr( D  Q)  c u Pr( D  Q)


 c o Pr( D  Q)  c u 1  Pr( D  Q)
 c o  c u  Pr( D  Q)  c u

 La quantité optimale Q* à commander est telle que E(Q* )  0

 soit

 cu 
Q *  inf Q : Pr( D  Q)  
 c o  cu 

143
Maîtrise de risques par la Gestion des pièces
de rechange: modèle à une période

cu
co  cu

Q* = première valeur
rencontrée après celle - ci

144
Maîtrise de risques par la Gestion des pièces
de rechange: modèle à une période

Cas d ’une commande unique

La consommation annuelle d ’une pièce de rechange est distribue suivant le tableau suivant. On considère
que les pièces non consommées sont obsolètes l ’année suivante et le coût de pénurie par pièce est estimée à 4 fois
le coût d ’achat de la pièce. Combien de pièces faut il commander au début de l ’année ?

consommation probabilité

100 0,3
150 0,2
200 0,3
250 0,15
300 0,05

145
Maîtrise de risques par la Gestion des pièces
de rechange: modèle à une période

Cas où le bien géré est continu

Le résultat précédent reste valable même si le bien géré est une matière continue (fuel, huile, …)
et dans ce cas il existe une unique valeur Q* telle que
cu
Pr( D  Q*) 
c o  cu

cu
co  cu

Q*

146
Maîtrise de risques par la Gestion des pièces
de rechange: modèle à une période

Cas d ’une commande unique

Exemple

Le responsable de maintenance d ’un atelier de production doit déterminer au début de chaque mois,
quelle quantité d ’une matière entrant dans la maintenance d ’une machine faut - il commander.
Le coût total d ’achat d ’une unité de cette matière est ca.
A la fin du mois la quantité non consommée est perdue et le coût de l ’immobilisation de la machine suite
au manque de cette matière est estimée à ci unités monétaires par unité de matière manquant avec ci> ca .
On estime que la consommation mensuelle de cette matière suit une loi normale de moyenne 50 et
d ’écart-type 10. Quelle est la quantité optimale à commander chaque mois ?

147
Maîtrise de risques par la Gestion des pièces
de rechange: modèle à une période

Cas d ’une commande unique

Exemple c a  200 , ci  250

DQ

achat perte total

ca Q c a (Q  D) 2c a Q  c a D  co  2c a  400

DQ
achat immobilisation total
(c a  c i )Q  c i D  (c i  c a )Q  c i D
ca Q ci ( D  Q)  c u  c i  c a  50

148
Maîtrise de risques par la Gestion des pièces
de rechange: modèle à une période

Cas d ’une commande unique

Exemple Quantité optimale à commander

 cu ci  c a c  ca 50 1 
Q *  inf Q : Pr( D  Q)    i    0.11
 c o  cu 2c a  c i  c a c a  ci 450 9 

Comme la demande suit une loi normale de paramètres D  50, s  10

On a  D  D Q * D 
Pr     0.11
 s s 

Donc Q * D
 1.23  Q*  D  1.23s  37.7
s

149
Maîtrise de risques par la Gestion des pièces
de rechange: modèle Markovien

Utilisation des chaînes de Markov

Exemple

La gestion de stock d ’une pièce de rechange se déroule de la manière suivante:


1) Au début de chaque semaine, le niveau du stock est examiné et, s ’il est inférieur à 2 unités, une
commande prend place de manière à ramener le niveau du stock à 3 unités. Le prix unitaire d ’achat
d ’une pièces est c = 2 et, pour chaque commande, un coût fixe K = 2 doit être payé.
2) La commande est réceptionné le jour même avant toute demande.
3) Pendant la semaine la demande est satisfaite immédiatement dans les limites du stock disponible. En
cas de rupture, elle est mise en attente jusqu ’à la réception de la prochaine commande. La demande de
chaque semaine est comprise entre 0 et 4 unités suivant la loi de probabilité (3/10, 3/10, 2/10, 1/10, 1/10).
4) A la fin de la semaine, un coût unitaire de stockage de h = 2 doit être payé pour chaque pièce non utilisée
et un coût unitaire de pénurie p = 4 est encouru pour chaque demande non satisfaite.
150
Maîtrise de risques par la Gestion des pièces
de rechange

Utilisation des chaînes de Markov


Exemple

L ’état du système est donné par Xk le niveau du stock et des demandes non satisfaites au début de la semaine k.

X k  2,  1, 0, 1, 2, 3 0 1 1 2 3 3
0 1 1 2 3 3

Niveau moyen du stock réel ? 1 0 1 1 2 3 3
P  
Probabilité de rupture de stock (demande en attente) ? 10 0 1 1 2 3 3
1 1 2 3 3 0
Coût lié aux commandes suivant l ’état i du système c(i) ?  
Coût lié à la gestion (stock + pénurie) suivant l ’état i du système g(i) ? 0 1 1 2 3 3
Coût moyen hebdomadaire de réapprovisionnement et de gestion ?

* 
1
3 10 13 23 30 21
100
c  12 10 8 6 0 0

g  8 4 0 2 4 6
151
Maîtrise de risques par un remplacement
préventif
 Hypothèse: distributions des durées de vie connues

 Modèle ARP (Age Replacement Policy): remplacer un composant par un neuf au coût
c1 dès qu ’il atteint l ’âge T; une défaillance avant l ’âge T entraîne un coût de
défaillance c2 (coût de remplacement par un neuf + perte de production)

 Espérance de durée de fonctionnement du composant T

 R(t )dt
0

 Espérance de de coût associé à un cycle de fonctionnement (intervalle de temps


entre deux remplacements)
c1 R(T )  c2 1  R(T )

 Coût de maintenance par unité de temps (durées d ’interventions négligées)

c1 R(T )  c 2 1  R(T ) 
C (T )  T

 R(t )dt
0 152
Maîtrise de risques par un remplacement
préventif
 Modèle ARP (Age Replacement Policy): choix de la politique (préventif versus
correctif)

 Coût du préventif c1 R(T )  c 2 1  R(T ) 


C (T )  T

 R(t )dt
0

 Coût du correctif Préventif mieux que correctif si


c2 c1 R(T )  c 2 1  R(T )  c2
C ( )  C (T )  C ()  T
 

 R(t )dt  R(t )dt


0
 R(t )dt
0
0

 R(t )dt c1
 0

 1  (a  1) R (T ), a 
c2
 R(t )dt
0

 y (T )  1  (a  1) R(T )  a  (1  a ) F (T ) 153
Maîtrise de risques par un remplacement
préventif
 Modèle ARP (Age Replacement Policy): choix de la politique (préventif versus
correctif)
y(T)

Préventif mieux que correctif si

a T  T0  F 1 (a )
F(T)
1

T T0 0

Calcul de l ’âge optimal: problème d ’optimisation avec d ’autres critères éventuellement

154
Maîtrise de risques par un remplacement
préventif
 Modèle du remplacement périodique
 Modèle de Base: un composant est changé au coût c1 avec périodicité T quelque soit son
âge; si une défaillance survient au cours de la période T, un remplacement sous défaillance
est effectué au coût c2 > c1
 m(T): nombre moyen de défaillances au cours du cycle T

 coût moyen par unité de temps

c1  c2 m(T )
C (T ) 
T

 m(T) est difficile à calculer et satisfait l ’équation de renouvellement

T
m(T )   1  m(T  t )  f (t )dt
0

155
Maîtrise de risques par un remplacement
préventif
 Modèle du remplacement périodique
 Modèle BH (Barlow & Hunter) de la réparation minimale: approximation du modèle de base
 Une défaillance brutale est corrigée par une réparation minimale (une réparation qui ne modifie pas
le taux de défaillance du matériel)

 Le nombre de défaillances par cycle est égal au nombre de réparations minimales défini par la
fonction hasard cumulé T
H (T )   l (t )dt
0

 Coût moyen par unité de temps

c1  c2 H (T )
C (T ) 
T
 Dans le cas de la loi de Weibull avec g = 0 et b > 1
 1 
c1  c 2  b T b 
h
b b
1
H (T )  b T b  C (T )    c1h  c 2T
h T h bT
 Périodicité optimale 1
dC (T )  c1 b
 0  Topt  h  
dT  2
c b  1 
 D ’autres modèles existent 156
SdF: bibliographies

 F. Monchy (2003), Maintenance: Méthodes et organisations, Collection Technique et


Ingénierie, Edition: Dunode / L ’Usine Nouvelle.

 C. Pellegrin (1997), Fondements de la Décision de Maintenance, Collection, P.I.Q.,


Edition: Economica.

 P. Lyonnet (1986), La Maintenance: Mathématiques et Méthodes, Collection Technique


et Documentation, Edition: Lavoisier.

 AFNOR (1988), Fiabilité, Maintenabilité, Disponibilité, Recueil de Normes Françaises.

 AFNOR (1988), Maintenance industrielle, Recueil de Normes Françaises.

 Hêche J.-F., Liebling T.M. et Werra (de) D. (2003), Recherche Opérationnelle pour
Ingénieurs II, Presses Polytechniques et Universitaires Romandes
157
Annexe
Tables de paramètres A et B de la loi de Weibull

b A B

158
Annexe
Tables de paramètres A et B de la loi de Weibull

b A B

159
Annexe
Tables de paramètres A et B de la loi de Weibull

b A B

160
Annexe
Tables de a1 de la méthode des rangs médians en %

161
Annexe
Tables de a1 de la méthode des rangs médians en %

162
Annexe Tables de a1 de la méthode des rangs médians en %

163
Annexe
Tables de a2 de la méthode des rangs médians en %

164
Annexe
Tables de a2 de la méthode des rangs médians en %

165
Annexe

Tables de a2 de la
méthode des rangs
médians en %

166