FIABILITÉ

Chapitre 2
Fiabilité - Analyse par
les lois de probabilité
La fiabilité

• 1.Définition: [selon la norme EN13306 (2001)]

Aptitude d’un bien à accomplir une fonction requise, dans des

conditions données, durant un intervalle de temps donné – notion
qualitative, également utilisée pour désigner la valeur de la probabilité
d’être en état de bon fonctionnement,
Fonction de défaillance, fonction de fiabilité

On appelle:
• fonction de défaillance F(t) = P(T ≤ t)
• fonction de fiabilité R(t) = 1 − F(t)
Estimation
Dans la pratique, on ne connait pas (en général) les fonctions F et R. Dans ce cas, on peut, à partir
d’études
statistiques, obtenir des estimations de F(t) et R(t) pour des valeurs de t données.

• On note ni le nombre de dispositifs défaillants à l’instant ti et n l’effectif total de l’échantillon.

• on peut utiliser 3 méthodes :
• Méthode des rangs bruts : Si N>50:

• Méthode des rangs moyens : Si 20<N<50 :

• Méthode des rangs médians : Si N<20 :

Modèles de fiabilité :

1- Modèle de Weibull
2- Modèle exponentielle
3- Modèle Normale
4 -Modèle log normal
1- Modèle de Weibull
La distribution de Wei bull est une loi continue à trois paramètres permet donc de représenter les trois périodes
de la vie d’un dispositif (courbe de baignoire).
1. le paramètre de position γ qui représente le décalage pouvant exister entre le début de l’observation ) qui
s’exprime dans l’unité de temps :
• γ>0 : La probabilité de défaillance est nulle dans les premières utilisations du système
• γ=0 : Une probabilité de défaillance sera présente dès la mise en service du système
• γ<0: Une probabilité de défaillance est déjà présente au moment de l’installation du système

2. Paramètre d’échelle η >0 :

Qui s’exprime dans l’unité de temps Ce paramètre permet d’utiliser le papier d’Allan Plait quelque soit l’ordre
de grandeur de de (t) .
3- a-Le paramètre de forme β :ce paramètre est
toujours supérieure à zéro β >0
_sans dimension
-orienté la diagnostique .
-déterminer le mode de défaillance .
•Si β>1, le taux de défaillance est croissant, β>1
caractéristique de la zone de vieillesse
β<1
1,5 < β < 2,5 : fatigue
β=1
2,5< β < 4 : usure, corrosion
•Si β=1, le taux de défaillance est constant,
caractéristique de la zone de maturité
• Si β<1 le taux de défaillance est décroissant,
caractéristique de la zone de jeunesse
 Relation de la loi de Weibull :
• Densité de probabilité :

• Fiabilité :

• Fonction de répartition/ défiabilité :

• Taux de défaillance :

• Pour= 0 et β = 1, on retrouve Ia distribution exponentielle, cas particulier de la loi de Weibull. Dans ce cas,

• MTBF et écart type : [8]

Tableau des valeurs A et B :
Estimation des paramètres de la loi de Weibull
Un des problèmes essentiel est l’estimation des paramètres : (β, η, γ) de cette loi, pour cela, nous disposons
de la méthode suivante :
- Description du papier fonctionnel de Weibull « d’allait plait »
Si pour la distribution de Weibull à 2 paramètres, on fait la transformation :

a : Ln (t)

B : Axe de F(t) (en %)

F(t)=1-R(t)

b : Ln (Ln (1/ [1-F(t)])): qui permet

d‘évaluer le parametre β

A : Axe de
t(TBF)
 Réalisation de l’ajustement graphique
Méthodologie de l’analyse de fiabilité:
I . Préparation des données:
- Calcul des Temps de bon fonctionnement.
- Classement des temps de bon fonctionnement en ordre croissant.
- Recherche des données F(i), d’où : F(i) représente la probabilité de panne au temps
correspondant au temps de bon fonctionnement de l’ième défaillant.
2. Tracé des nuages de points (ti,Fi).
3. Tracé de la droite dite ( de Weibull ) D.
4. Détermination des valeurs des trois paramètres β, ,
- le paramètre β est la pente de la droite D, c’est a dire l’intersection de D’ avec l’axe b
- le paramètre η est l’intersection de D avec l’axe des temps X,
- le paramètre γ est lie a la forme du nuage.
5. Equation de Ia loi de Weibull ( et représentation graphique éventuelle).

6. Détermination de la MTBF (et de l'intervalle de confiance éventuellement).

7. Exploitation des résultats

 Forme du nuage de points:
• 1 er cas: le nuage est ajustable par une droite alors = 0:
2ème cas: la Convexité du nuage est tournée 3 ème cas: la concavité du nuage est
vers le bas, alors > 0 tournée vers le haut, alors < 0
La recherche du paramètre peut s’effectuer en prenant trois points du nuage de Weibull. Pour obtenir une
bonne précision, il faut que les points P1 et P3 soient suffisamment éloignes et non extrêmes. On les choisit
aussi de manière que les projections de P1,P2 et P2,P3 sur l’axe b soient égales. On obtient :
Optimisation d'une période d'intervention systématique:

β
−(
t−γ
) t−γ β 1

R ( t )=e η l n( R ( t ))=−( ) T =η ( − ln R ( t )) + γ
β

η
2- Modèle exponentielle
• La loi exponentielle est la loi suivie par la variable aléatoire T lorsque le taux de défaillance
est constant et strictement positif.
λ(t)= λ
• Cette loi concerne tous les matériels pendant une durée de leur vie (vie utile) et les
matériels électroniques pendant presque toute leur vie.
1- Propriété:

2- Durée de vie associée à un seuil de fiabilité:

3- Représentation graphique de la loi exponentielle
Sur le papier semi-logarithmique, les points de coordonnées ( x ; R(t)) sont alignés sur une droite D
pour estimer la valeur de λ  il suffit de tracer la droite d'équation Y = e-1 = 0,368 et de lire l'abscisse
1/λ du point d'intersection de cette droite avec la droite D.

Exemple : ici on a 1/λ = 40

soit λ = 0,025
 4- Ajustement graphique: méthode d'estimation de λ

• Portons sur le papier semi-logarithmique les N points formés des couples( ti,Fi)

• Traçons la droite D de régression de N points; si les points sont sensiblement alignés, alors la loi
exponentielles s’applique.

• Déterminons la valeur du paramètre constant λ (par la pente de la courbe).

• Nous en déduisons la valeur de la MTBF = 1/λ et l'équation de la loi exponentielle

• ,qui permet d'associe chaque instant ti du fonctionnement la probabilité de bon fonctionnement

R(t) sur la période de validité de la loi.
5- Application à la gestion des rechanges

• Soit un «  module » à approvisionné en magasin comme pièce de rechange, donc nous avons
déterminé la MTBF par le modèle exponentiel. Sa consommation dépend de la maintenance
préventive programmée (consommation connue) et de la maintenance corrective( actions de
fréquences aléatoires).

• Dans le cas de la seule maintenance corrective, le problème est de calculer le nombre r de modules
de rechange au point de commande, de façon à éviter la rupture de stock avec un risque admis de 5
à 10 % en général. Nous adopterons les notations suivantes:

• T: durée maximale d 'approvisionnement à partir du point de commande;

Nous adopterons les notations suivantes:

• T: durée maximale d 'approvisionnement à partir du point de commande;

• i : variable< nombre de défaillances> = nombre de modules consommés;

• r : nombre maximale de défaillances pendant T, associé au risque 1- P=10 %;

• P : probabilité de non-rupture= probabilité qu'il n'y ait pas plus de r défaillance pendant T :
• sous ensemble A (MTBF = 5 000 h) et une pièce a (MTBF = 12 500 h). Si la période
d'approvisionnement est T: 800h , le tableau ci-dessous nous donne le nombre r de rechanges à
stocker

Module MTBF λ λT r
Sous-ensemble A 5000 2x 0,16 2
Piéce a 12500 8x 0,06 1

L’utilisation d'abaques donnant directement Ie nombre de rechanges nécessaire

3- Modèle Normale
• La loi normale est très répandue parmi les lois de probabilité car elle s’applique à de nombreux
phénomènes. En fiabilité, la distribution normale est utilisée pour présenter la distribution des
durées de vies des dispositifs en fin de vie (usure) car le taux de défaillance est toujours croissant.
On l’utilisera que si la moyenne des durées de vie est supérieure à trois fois l’écart type.

• La loi normale à 2 paramètres:

- m : est la moyenne

- σ : l'écart type
• La densité de probabilité d’une loi normale s’écrit :
2
− 1 t −𝑚
1 ( )
f ( t )= e 2 σ
σ √2 π
• La fonction de répartition s’écrit :
2
𝑡 − 1 t −𝑚
1 ( )
∫e
2
2 2σ
F ( t )= 𝑑𝑡
σ √2 π −∞

• La fiabilité est donnée par R(t)=1-F((t-m)/σ) où "F" est la fonction de répartition de la loi normale
centrée (m=0) réduite (σ=1).

1 2❑
1 − 𝑡
F ( t )=
σ √2 π
∫ e
2
𝑑𝑡
−∞
Estimation des paramètres de la loi normale

• On prend un graphique dont les graduations correspondent :

- en abscisse X : les intervalles de classe,

- en ordonnée: les valeurs de F(i)

L'intersection avec la droite F = 50 donne la moyenne estimée m.

La pente de la droite est inversement proportionnelle à l'écart type σ : donc plus l’angle avec une
parallèle à l'axe des abscisses est grand, plus la dispersion est faible. Pratiquement, on obtient
comme différence entre les valeurs X(83,14) et X(50)
 𝝈

m
4 -Modèle log normal
• On a pu voir que les valeurs possibles d’une variable aléatoire normale étaient L’ensemble des
nombres réels. Pour une situation réelle ne pouvant prendre des Valeurs négatives, on peut
malgré tout utiliser une loi normale lorsque la Moyenne et l’écart type sont tels que la probabilité
théorique d’avoir une valeur Négative est à toute fin pratique nulle. En probabilité et statistique,
une variable aléatoire X est dite suivre une loi log-normale de paramètres m et σ si la variable
Y=ln (X) suit une loi normale de paramètres μ et σ. Une variable peut être modélisée par une loi
log-normale si elle est le résultat de la multiplication d'un grand nombre de petits facteurs
indépendants. Sa fonction de probabilité est:
2
− 1 log ⁡(t ) −𝑚
1 ( )
f ( t )= e 2 σ
σ √2 π