Stage M2R Pascal PDF

Rapport de stage de Master Recherche M2R
Modlisation des dysfonctionnements dun systme dans le

cadre dactivits de maintenance
Anne 2007
Pascal VRIGNAT
Stage de Master de recherche M2R.

Laboratoire LVR (Laboratoire Vision Robotique), UPRES EA 2078.
LVR Modlisation des dysfonctionnements dun systme dans le cadre dactivits de maintenance
REMERCIEMENTS
Je tiens tout dabord remercier Monsieur Frdric KRATZ Professeur des Universits, quipe LVR, davoir
accept dencadrer ce sujet et de mavoir permis de prsenter mon travail. Merci aussi Monsieur Manuel
AVILA enseignant chercheur du LVR pour ses conseils de recherche et de rdaction, ainsi qu Monsieur
Florent DUCULTY et Monsieur Stphane BEGOT enseignants chercheurs du LVR pour leurs conseils. Je suis
galement particulirement reconnaissant Monsieur Christian ETIENNE et Monsieur Jean-Christophe
BARDET enseignants chercheurs du LVR de mavoir soutenu dans ma dmarche. Enfin, jai beaucoup apprci
de travailler avec Monsieur Herv LEGAGNEUX (Responsable technique Harrys France S.A.S /
MONTIERCHAUME) sur cette problmatique applique un sujet sensible pour la socit, et je len remercie.
Pascal Vrignat
2/67
Table des Matires

Table des Matires.................................................................................................................................................................. 3
Table des figures...................................................................................................................................................................... 4
Table des Tableaux ................................................................................................................................................................. 5
Glossaire.................................................................................................................................................................................... 6
Introduction, contexte de travail et problmatique .....................................................................................................11
1
Prsentation du laboratoire et des travaux de lquipe .....................................................................................13
1.1 Situation du laboratoire de Recherche..................................................................................................................13
CHAPITRE 1 .........................................................................................................................................................................14
2
Dfinition de la maintenance.....................................................................................................................................14
3
Contenu de la fonction maintenance.......................................................................................................................15
4
Evolution de la discipline ...........................................................................................................................................16
4.1 La sret de fonctionnement ..................................................................................................................................16
4.2 La notion de fiabilit dun systme .......................................................................................................................17
4.3 La notion de disponibilit dun systme ..............................................................................................................20
5
Concepts et terminologie............................................................................................................................................22
5.1 Systme et composants............................................................................................................................................22
5.2 Description fonctionnelle ........................................................................................................................................23
5.3 Description matrielle .............................................................................................................................................24
5.4 Dfaillances, missions et fonctions dun systme et de ses composants ........................................................24
5.4.1
Dfinition de la dfaillance fonctionnelle .................................................................................................24
5.4.2
Dfinitions : missions et fonctions .............................................................................................................25
CHAPITRE 2 .........................................................................................................................................................................27
6
Approche classique pour la modlisation des dysfonctionnements dun systme ......................................27
6.1 Description des mthodes danalyse prvisionnelle...........................................................................................28
6.2 Etat de lart : mthodes de modlisation dans le cadre dune approche dterministe..................................28
6.2.1
Introduction....................................................................................................................................................28
6.2.2
Mthode de larbre des causes ou de dfaillance (MAC/MAD) , techniques combinatoires...........29
6.2.3
Mthodes de la table de vrit et de la table de dcision (MTV, MTD) ..............................................31
6.2.4
Mthodes de larbre de consquences ou arbres dvnements (MACQ ou MAE) ..........................31
6.2.5
Mthode du diagramme causes-consquences (MDCC)........................................................................33
6.2.6
Mthode de lespace des tats (MEE)........................................................................................................34
6.2.7
Avantages, inconvnients, utilisation courante des diffrentes mthodes ...........................................37
CHAPITRE 3 .........................................................................................................................................................................40
7
Etude de cas : maintenance dune peseuse volumtrique de pte pour HARRYS / France /
Montierchaume ......................................................................................................................................................................40
7.1 Environnement de travail........................................................................................................................................40
7.1.1
Un peu dhistoire ...........................................................................................................................................40
7.1.2
Des implantations spcifiques dans le monde..........................................................................................40
7.1.3
Rpartition du chiffre daffaire et activits produits ...............................................................................41
7.2 Organisation de la production, du processus et de la maintenance au sein de la structure Harrys
Montierchaume.....................................................................................................................................................................41
7.3 Modlisation de ce sous-systme ..........................................................................................................................44
7.3.1
Introduction aux chanes de Markov caches...........................................................................................44
7.3.2
Dfinitions des lments dune chane de Markov cache.....................................................................44
7.3.3
Emploi gnral...............................................................................................................................................45
7.3.4
Apprentissage du modle dans le cas des observations lies la peseuse volumtrique..................46
CHAPITRE 4 ........................................................................................................................................................................55
8
Discussion et perspectives ..........................................................................................................................................55
9
Conclusion......................................................................................................................................................................57
Bibliographie ..........................................................................................................................................................................58
Rfrences normatives internationales importantes ...................................................................................................64
ANNEXES ...............................................................................................................................................................................65
Algorithme de Baum-Welch [68]......................................................................................................................................65
Algorithme de Viterbi [68] .................................................................................................................................................66
Prsentation incomplte des rsultats des estimations des tats du systme : modle connectivit totale
(CMC 3 et 5 tats)..............................................................................................................................................................67
Pascal Vrignat
3/67
Table des figures

Figure 1 : Les trois tapes du diagnostic ..............................................................................................................................11
Figure 2 : Le contenu de la fonction maintenance..............................................................................................................14
Figure 3 : Le processus de maintenance...............................................................................................................................14
Figure 4 : Les priorits Maintenance long terme des industriels ...........................................................................15
Figure 5 : Exemple de politiques de maintenance..............................................................................................................16
Figure 6 : La fonction densit de dure de vie ....................................................................................................................17
Figure 7 : La courbe en baignoire .........................................................................................................................................19
Figure 8 : Allures caractristiques du taux de panne .........................................................................................................20
Figure 9 : Disponibilit en fonction du temps t ..................................................................................................................21
Figure 10 : Reprsentation des MTBF, MDT,MUT et MTTF.........................................................................................21
Figure 11 : Dcomposition hirarchique dun processus ..................................................................................................23
Figure 12 : Description fonctionnelle dune machine laver la vaisselle ......................................................................23
Figure 13 : Dcomposition matrielle dune machine laver la vaisselle .....................................................................24
Figure 14 : Cas de figure conduisant tous la dfaillance................................................................................................25
Figure 15 : Phases de la mission de la navette spatiale pour le lancement dun satellite ............................................26
Figure 16 : Exemple de diagrammes de dfaillances.........................................................................................................30
Figure 17 : Exemple de coupes minimales ..........................................................................................................................30
Figure 18 : Exemple dun arbre dvnements ...................................................................................................................32
Figure 19 : Schma rcapitulatif des principales mthodes pour la sret de fonctionnement des systmes
industriels .........................................................................................................................................................................33
Figure 20 : Modle markovien...............................................................................................................................................34
Figure 21 : Schma de Markov pour un systme comprenant deux lments A et B .................................................35
Figure 22 : RdP stochastique..................................................................................................................................................36
Figure 23 : RdP modlisant une procdure de dmarrage dun groupe lectrogne suite un panne secteur.........37
Figure 24 : Rpartition du chiffre daffaire du groupe Harrys........................................................................................41
Figure 25 : Organisation du processus (principe)...............................................................................................................42
Figure 26 : Exemple d'automate probabiliste d'tats finis (compos ici de 3 tats). ....................................................44
Figure 27 : Principe de lestimation du modle ..................................................................................................................47
Figure 28 : Rsultat de la modlisation du sous-systme par chane de Markov cache connectivit totale........47
Figure 29 : Rsultat de la mo dlisation du sous-systme par chane de Markov cache topologie force ...........48
Figure 30 : Estimation des tats du systme par lalgorithme de Viterbi (CMC 4 tats).........................................48
Figure 31 : Comment interprter les rsultats dans les tableaux qui suivent ?..............................................................48
Pascal Vrignat
4/67
Table des Tableaux

Tableau 1 : Exemple de tableau de bord d'objectifs de fabrications ...............................................................................12
Tableau 2 : Relations en F(t), R(t), f(t) et (t)....................................................................................................................18
Tableau 3 : Associations Causes / Remdes........................................................................................................................19
Tableau 4 : Table de vrit pour deux systmes en srie ..................................................................................................31
Tableau 5 :Exemples de symboles utiliss pour les diagrammes causes -consquences..............................................33
Tableau 6 : Avantages, inconvnients, utilisation courante des diffrentes mthodes................................................39
Tableau 8 : Suivi dactivit maintenance Harrys Malterie - Montierchaume ..............................................................41
Tableau 9 : Rcapitulatif des observations ..........................................................................................................................43
Tableau 10 : Principe de codage de la squence dobservations avec ses insertions de codage (10) ntant pas
prsent dans le tableau initial Tableau 8 .....................................................................................................................46
Tableau 11 : Comparaison des rsultats entre le modle Figure 28 et le modle Figure 29 pour le 1er semestre
2006...................................................................................................................................................................................49
2006 (suite).......................................................................................................................................................................50
2006 (fin)..........................................................................................................................................................................51
Tableau 14 : Comparaison des rsultats entre le modle Figure 28 et le modle Figure 29 pour le 1er trimestre
2007...................................................................................................................................................................................52
Tableau 15 : Comparaison des rsultats entre le modle Figure 28 et le modle Figure 29 pour le 1er trimestre
2007 (fin)..........................................................................................................................................................................53
Tableau 16 : Rsultats significatifs tirs du Tableau 11 ....................................................................................................54
Tableau 17 : Taux derreur de lestimation de ltat S1 pour la totalit des observations sur 2006 et 2007............54
Tableau 18 : Comparaison des rsultats des estimations des tats du systme : modle connectivit totale
(CMC 3 et 5 tats)........................................................................................................................................................67
Pascal Vrignat
5/67
Glossaire
Acceptable : Qualifie un vnement jug
acceptable au regard d'objectifs de sret de
fonctionnement.
Terme anglais : "Acceptable"
Accident : Evnement ayant des consquences
catastrophiques ou susceptible d'en avoir. Dans le
nuclaire, l'accident est dfini comme l'vnement
pouvant entraner l'endommagement d'une ou
plusieurs barrires et donc conduire un
relchement de produits radioactifs et demandant la
mise en service de systmes de protection.
Terme anglais : "Accident"
Amlioration de la sret de fonctionnement :
Procd intentionnellement destin produire une
croissance d'une caractristique de la sret de
fonctionnement
(disponibilit,
fiabilit,
maintenabilit, scurit, etc. ) en vue d'atteindre des
objectifs spcifis par limination de dfaillance ou
rduction de leur probabilit d'occurrence.
Terme anglais : "Dependability Improvement"
Analyse d'un systme : Processus orient vers
l'acquisition, l'investigation et le traitement
ordonns d'informations spcifiques au systme et
pertinentes vis --vis d'une dcision ou d'un objectif
donn. Ce processus conduit l'obtention d'un
modle et, ventuellement, son valuation
quantitative.
Terme anglais : "System Analysis"
Analyse de criticit de dfaillance : Analyse ayant
pour objet d'valuer le couple gravit/probabilit
associ une dfaillance.
Terme anglais : "Criticality Analysis"
Analyse des modes de dfaillance et de leurs
effets (AMDE) : Mthode d'analyse quantitative
d'un systme ayant pour objet d'identifier les modes
de dfaillance des composants du systme, leurs
causes et leurs effets.
Terme anglais : "Failure Modes and Effects
Analysis" (FMEA)
Analyse des modes de dfaillance, de leurs effets
et de leur criticit (AMDEC) : Mthode d'analyse
d'un systme qui comprend une analyse des modes
de dfaillance et de leurs effets, complte par une
analyse de criticit des modes de dfaillance.
Terme anglais : "Failure Modes, Effects and
Criticality Analysis" (FMECA)
Analyse prliminaire des risques : Analyse ayant
pour objet d'identifier et d'valuer des risques
(conomiques, humains...) lis l'utilisation d'un
systme, et ce de manire prliminaire l'utilisation
de mthodes d'analyse plus prcises.
Terme anglais : "Preliminary Hazard Analysis
(PHA)" ;"Preliminary Risks Analysis"
A sret intgre : Qualifie une entit qui est
conue en vue d'viter que ses dfaillances
n'entranent des consquences critiques ou
Pascal Vrignat
catastrophiques. On parle aussi de "scurit

intrinsque".
Terme anglais : "Fail safe"
Composant : C'est la plus petite partie d'un
systme qu'il est ncessaire et suffisant de
considrer pour l'analyse d'un systme.
Terme anglais : "Component"
Composant actif : Composant qui comporte des
pices mobiles dont la position est modifie ou qui
ncessite pour remplir sa fonction une variation de
sa configuration ou de ses proprits l'aide d'une
source d'nergie extrieure.
Terme anglais : "Active component"
Composant critique : Composant dont la
dfaillance, dans un tat de fonctionnement donn
d'un systme, entrane la dfaillance de ce systme.
Terme anglais : "Critical component"
Composant passif : Composant n'entrant pas dans
la dfinition des composants actifs et qui n'est
soumis, par exemple, qu' des variations de
pression, de temprature, de dbit de fluide ou de
courant lectrique lorsqu'il remplit sa fonction.
Cette dfinition est utilise dans le nuclaire.
Terme anglais : "Passive component"
Danger : Situation pouvant nuire l'homme, la
socit ou l'environnement.
Terme anglais : "Hazard" ; "Danger"
Dfaillance : Cessation de l'aptitude d'une entit
accomplir une fonction requise (Norme CEI-2711974).
Terme anglais : "Failure"
Dfaillance taux constant : Dfaillance qui
apparat avec un taux sensiblement constant
pendant la dure de vie utile de l'entit. Cette
dfaillance est gnralement catalectique. Elle est
encore appele "dfaillance alatoire".
Terme anglais : "Random Failure"
Dfaillance catalectique : Dfaillance qui est la
fois soudaine et complte (Norme CEI-271-1974).
Terme anglais : "Catastrophic Failure"
Dfaillance complte : Dfaillance rsultant de
dviation d'une ou des caractristiques au-del des
limites spcifies, telle qu'elle entrane une
disparition complte de la fonction requise (Norme
CEI -271-1974).
Terme anglais : "Complete Failure"
Dfaillance de commande : Dfaillance d'une
entit dont la cause directe ou indirecte est la
dfaillance d'une autre entit et pour laquelle cette
entit a t qualifie et dimensionne.
Terme anglais : "Command Failure"
Dfaillance d'usure : Dfaillance qui apparat avec
un taux rapidement croissant par suite de processus
inhrents l'entit.
Terme anglais : "Wearout Failure"
Dfaillance non pertinente : Dfaillance exclure
pour l'interprtation ou l'valuation d'une mesure de
6/67
la sret de fonctionnement. On parle aussi de

"dfaillance ne pas prendre en compte" (Norme
CEI -271A-1978).
Terme anglais : "Non-relevant Failure"
Dfaillance par dgradation : Dfaillance qui est
la fois progressive et partielle (Norme CEI-2711974). A la longue, une telle dfaillance peut
devenir une dfaillance complte (Norme CEI-2711974).
Terme anglais : "Degradation Failure"
Dfaillance partielle : Dfaillance rsultant de
dviation d'une ou des caractristiques au-del des
limites spcifies, mais telle qu'elle n'entrane pas
une disparition complte de la fonction requise
(Norme CEI -271-1974). Les limites sont des limites
spciales spcifies cette fin (CEI -271-1974).
Terme anglais : "Partial Failure"
Dfaillance pertinente : Dfaillance prendre en
compte pour interprter ou valuer une mesure de la
sret de fonctionnement. On parle aussi de
"dfaillance prendre en compte" (CEI -271A1978).
Terme anglais : "Relevant Failure"
Dfaillance progressive : Dfaillance due une
volution dans le temps des caractristiques d'une
entit. En gnral, une dfaillance progressive peut
tre prvue par un examen ou une surveillance
antrieur.
Terme anglais : "Gradual Failure" ; "Drift Failure"
Dfaillance de cause commune : Dfaillances
dpendantes ayant pour origine la mme cause
directe.
Terme anglais : "Common cause Failures"
Dfaillance de mode commun : Dfaillances de
cause commune se manifestant par le mme mode
de dfaillance des entits.
Terme anglais : "Commun mode Failures"
Dfaut : Ecart entre une caractristique d'une entit
et la caractristique voulue, cet cart dpassant les
limites d'acceptabilit.
Terme anglais : "Defect"
Dmarche dductive : Dmarche dans laquelle on
raisonne du plus gnral au plus particulier.
Terme anglais : "Deductive approach"
Dmarche inductive : Dmarche dans laquelle on
raisonne du plus particulier au plus gnral.
Terme anglais : "Inductive approach"
Densit de dfaillance : C'est la limite, si elle
existe, du quotient de la probabilit conditionnelle
pour que l'instant T de la premire dfaillance d'une
entit soit compris dans un
intervalle de temps donn [t;t+?t], par la dure de
l'intervalle de temps, lorsque ?t tend vers zro,
sachant que l'entit est en fonctionnement au temps
t=0. Elle est note U(t).
Terme anglais : "Failure density"
Densit de probabilit : C'est la drive, si elle
existe, de la fonction de rpartition d'une variable
alatoire. Elle est note f(x).
Terme anglais : "Probability density function"
Pascal Vrignat
Densit de rparation : C'est la limite, si elle

existe, du quotient de la probabilit conditionnelle
pour que l'instant T d'achvement de la rparation
d'une entit soit compris dans un intervalle de
temps donn [t;t+?t], par la dure de l'intervalle de
temps, lorsque ?t tend vers zro, sachant que
l'entit est dfaillante au temps t=0. Elle est note
G(t).
Terme anglais : "Repair density"
Densit de transition : C'est la drive, si elle
existe, de la probabilit de transition.
Terme anglais : "Transition density"
Disponibilit : Aptitude d'une entit tre en tat
d'accomplir une fonction requise dans des
conditions donnes et un instant donn. Le terme
de "disponibilit" est aussi employ pour dsigner
la mesure de la disponibilit.
Terme anglais : "Availability"
Disponibilit (mesure de la) : Probabilit pour
qu'une entit soit en tat d'accomplir une fonction
requise dans des conditions donnes et un instant
donn. Elle est gnralement note A(t) et est aussi
dnomme "disponibilit instantane".
Terme anglais : "Availability"
Disponibilit asymptotique : C'est la limite, si elle
existe, de la disponibilit instantane reprsente
par un modle mathmatique, quand on fait tendre
le temps vers l'infini. Elle est note A(8).
Terme anglais : "Steady-state availability" ;
"Asymptotic availbility"
Disponibilit moyenne : C'est la moyenne de la
disponibilit instantane sur un intervalle de temps
donn [t1;t2]. Elle est note Am(t1,t2).
Terme anglais : "Mean availability"
Dure de disponibilit : Priode pendant laquelle
une entit est en tat d'accomplir sa fonction requise
(Norme CEI -271A-1978).
Terme anglais : "Up time"
Dure de fonctionnement : Priode pendant
laquelle une entit accomplit sa fonction requise
(Norme CEI -271A-1978).
Terme anglais : "Operating time"
Dure de vie utile : Priode commenant un
instant donn, pendant laquelle, dans des conditions
donnes, une entit a un taux de dfaillance
acceptable, ou priode prcdant l'apparition d'une
dfaillance non rparable (Norme CEI -271-1978).
Terme anglais : "Useful life"
Dure d'indisponibilit : Priode pendant laquelle
une entit n'est pas en tat d'accomplir sa fonction
requise (Norme CEI -271A-1978).
Terme anglais : "Down time"
E-maintenance : Lemploi en franais de ce
nologisme anglais (contraction de lexpression
electronic maintenance) o e se prononce comme
un i long, nest pas sans crer des problmes
deuphonie dont on se passerait bien. On trouve en
effet la e-maintenance , une e-maintenance ,
projet de e-maintenance (mais aussi lemaintenance , plate-forme de-maintenance ).
7/67
Pour viter ces a eu et eu eu , ne pourrait-on

pas dire tout bonnement maintenance lectronique
(voire maintenance lec ), ou maintenance en
ligne , ou encore maintenance via lInternet ?
Entit : Tout lment, composant, sous-systme,
dispositif, quipement, unit fonctionnelle que l'on
peut considrer individuellement.
Terme anglais : "Entity" ; "Item"
Etat d'attente : Etat d'une entit disponible et en
tat de non-fonctionnement pendant une priode
requise.
Terme anglais : "Standby state"
Etat de disponibilit : Etat d'une entit caractrise
par son aptitude accomplir une fonction requise.
Terme anglais : "Availability state"
Etat de fonctionnement : Etat d'une entit dans
lequel cette entit accomplit correctement une
fonction requise.
Terme anglais : "Operating state"
Etat de panne : Etat d'une entit caractrise par
une inaptitude accomplir une fonction requise.
Terme anglais : "Fault state"
Evnement catastrophique : Evnement qui
occasionne la perte d'une (ou des) fonction(s)
essentielle(s) d'un systme en causant des
dommages importants au dit systme ou son
environnement et/ou entrane pour l'homme la mort
ou des dommages corporels.
Terme anglais : "Catastrophic event"
Evnement critique : Evnement qui occasionne la
perte d'une (ou des) fonction(s) essentielle(s) d'un
systme en causant des dommages importants au dit
systme ou son environnement en ne prsentant
toutefois qu'un risque ngligeable de mort ou de
blessure.
Terme anglais : "Critical event"
Evnement indsirable : Evnement (de la vie
d'une entit) ne devant pas se produire ou devant se
produire avec une probabilit moins leve au
regard d'objectifs de sret de fonctionnement.
Terme anglais : "Undesirable event"
Evnement majeur : Evnement critique ou
significatif.
Terme anglais : "Major event"
Fiabilit : Aptitude d'une entit accomplir une
fonction requise, dans des conditions donnes,
pendant une dure donne (Norme CEI -271-1974).
Terme anglais : "Reliability"
Fiabilit (mesure de la) : Probabilit qu'une entit
accomplisse une fonction requise dans des
conditions donnes, pendant une dure donne
(Norme CEI-271- 1974). Elle est note R(t). On
suppose en gnral que l'entit est en tat
d'accomplir la fonction requise au dbut de
l'intervalle de temps donn.
Terme anglais : "Reliability"
Graphe d'tats : Diagramme logique montrant les
tats de fonctionnement et de pannes d'un systme,
ainsi que leurs transitions.
Terme anglais : "States graph"
Pascal Vrignat
Immaintenabilit : Inaptitude d'une entit tre

maintenue ou rtablie dans un tat dans lequel elle
peut accomplir une fonction requise lorsque la
maintenance est accomplie dans des conditions
donnes avec des procdures et des moyens
prescrits.
Terme anglais : "Unmaintainability"
Inacceptable : Qualifie un vnement jug
inacceptable au regard d'objectifs de sret de
fonctionnement.
Terme anglais : "Unacceptable"
Incident : Evnement ayant des effets ou des
consquences critiques ou susceptible d'en avoir.
Terme anglais : "Incident"
Indisponibilit : Inaptitude d'une entit accomplir
une fonction requise, dans des conditions donnes
et un instant donn.
Terme anglais : "Unavailability"
Indisponibilit (mesure de l') : Probabilit qu'une
entit ne soit pas en tat d'accomplir une fonction
requise, dans des conditions donnes et un instant
donn. Elle est note A (t). Elle est aussi
dnomme "indisponibilit instantane".
Terme anglais : "Unavailability" ; "Instantaneous
unavailability"
Indisponibilit asymptotique : C'est la limite, si
elle existe, de l'indisponibilit instantane
reprsente par un modle mathmatique, quand on
fait tendre le temps vers l'infini. Elle est note A
(8 ) .
Terme anglais : "Steady-state unavailability" ;
"Asymptotic unavailability"
Indisponibilit moyenne : C'est la moyenne de
l'indisponibilit instantane sur un intervalle de
m
temps donn [t1;t2]. Elle est note A (t1, t2).

Terme anglais : "Mean unavailability"
Inscurit : Aptitude d'une entit faire apparatre,
dans des conditions donnes, des vnements
critiques ou catastrophiques.
Terme anglais : "Unsafety"
Maintenabilit : Aptitude d'une entit tre
maintenue ou rtablie dans un tat dans lequel elle
peut accomplir une fonction requise lorsque la
maintenance est effectue dans des conditions
donnes avec des procdures et des moyens
prescrits.
Terme anglais : "Maintainability"
Maintenabilit (mesure de la) : Pour une entit
donne, probabilit qu'une maintenance accomplie
dans des conditions donnes, avec des procdures et
des moyens prescrits, soit acheve au temps t
sachant que l'entit est dfaillante au temps t = 0.
Elle est note M(t).
Terme anglais : "Maintainability"
Maintenance : Combinaison de toutes les actions
techniques et des actions administratives
correspondantes, y compris les oprations de
surveillance et de contrle, destines maintenir ou
8/67
remettre une entit dans un tat lui permettant

d'accomplir une fonction requise.
Terme anglais : "Maintenance"
Maintenance corrective : Maintenance effectue
aprs la dtection de panne et destine remettre
une entit dans un tat lui permettant d'accomplir
une fonction requise.
Terme anglais : "Corrective maintenance"
Maintenance prventive : Maintenance effectue
intervalles prdtermins ou selon des critres
prescrits et destine rduire la probabilit de
dfaillance ou la dgradation du fonctionnement
d'une entit.
Terme anglais : "Preventive maintenance"
Maintenance conditionnelle : Maintenance
prventive base sur une surveillance du
fonctionnement du bien et/ou des paramtres
significatifs de ce fonctionnement intgrant les
actions qui en dcoulent. (Extrait norme NF EN
13306 X 60-319 )
Terme anglais : " condition-based maintenance"
MDT : Dure moyenne d'indisponibilit.
Terme anglais : "Mean down time"
Mode de dfaillance : Effet par lequel une
dfaillance est observe (Norme CEI-271-1974).
Terme anglais : "Failure mode"
Mode de fonctionnement : Effet par lequel un
fonctionnement est observ.
Terme anglais : "Functional mode"
MTBF : Dure moyenne entre deux dfaillances
conscutives d'une entit rpare.
Terme anglais : "Mean time between failure"
MTTF : Dure moyenne de fonctionnement d'une
entit avant la premire dfaillance.
Terme anglais : "Mean time to failure" ; "Mean
Time To First Failure" (MTTFF)
MTTR : Dure moyenne de rparation. Ce terme
est parfois utilis pour dsigner la dure moyenne
de maintenance corrective.
Terme anglais : "Mean time to repair"
MUT : Dure moyenne de fonctionnement aprs
rparation.
Terme anglais : "Mean up time"
Panne : Inaptitude d'une entit accomplir une
fonction requise.
Terme anglais : "Fault"
Panne intermittente : Panne d'une entit subsistant
pendant une dure limite aprs laquelle l'entit
redevient apte accomplir une fonction requise
sans avoir t soumise une opration de
maintenance corrective.
Terme anglais : "Intermittent fault"
Panne latente : Panne qui existe, mais qui n'a pas
encore t dtecte.
Terme anglais : "Latent fault"
Panne permanente : Panne d'une entit qui
persiste tant que n'ont pas eu lieu les oprations de
maintenance corrective.
Terme anglais : "Permanent fault"
Pascal Vrignat
Probabilit de transition : Probabilit de quitter

un tat du systme dans l'intervalle de temps [0;t] et
de passer dans un autre tat en une seule transition,
sachant que l'on est entr dans le premier tat
l'instant t=0.
Terme anglais : "Transition probability" ;
"Transition distribution"
Processus stochastique : Ensemble de variables
alatoires dpendant du temps, dont les valeurs sont
rgies par un ensemble donn de lois de probabilit
multidimensionnelles qui correspondent toutes les
combinaisons des variables alatoires. Le terme de
"processus alatoire" est aussi utilis.
Terme anglais : "Random process"
Qualit : Aptitude d'un produit ou d'un service
satisfaire les besoins des utilisateurs.
Terme anglais : "Quality"
Redondance : Existence, dans une entit, de plus
d'un moyen pour accomplir une fonction requise
(Norme CEI -271-1974).
Terme anglais : "Redundancy"
Redondance active : Redondance selon laquelle
tous les moyens d'accomplir une fonction requise
sont mis en oeuvre simultanment (Norme CEI 271-1974).
Terme anglais : "Active redundancy"
Redondance passive : Redondance o les
diffrents moyens d'accomplir une fonction donne
ne sont pas mis en oeuvre avant que ce ne soit
ncessaire (Norme CEI -271-194).
Terme anglais : "Standby redundancy"
Rparation : Partie de la maintenance corrective
pendant laquelle des oprations sont effectues sur
l'entit.
Terme anglais : "Repair"
Risque : Mesure du danger associant une mesure
de l'occurrence d'un vnement indsirable et une
mesure de ses effets ou consquences.
Terme anglais : "Risk"
Scurit : Aptitude d'une entit viter de faire
apparatre, dans des conditions donnes, des
vnements critiques ou catastrophiques.
Terme anglais : "Safety"
Sret de fonctionnement : Aptitude d'une entit
satisfaire une ou plusieurs fonctions requises dans
des conditions donnes. Ce concept peut englober
la fiabilit, la disponibilit, la maintenabilit, la
scurit... ou des combinaisons de ces aptitudes. Au
sens large, on considre la sret de fonctionnement
comme la Science des Dfaillances et des Pannes.
Terme anglais : "Dependability"
Taux de dfaillance : C'est la limite, si elle existe,
du quotient de la probabilit conditionnelle pour
que l'instant T d'une dfaillance soit compris dans
un intervalle de temps donn [t;t+?t], par la dure
de l'intervalle de temps, lorsque ?t tend vers zro,
en sachant que l'entit n'a pas eu de dfaillance sur
[0;t]. Ce taux est not ?(t).
Terme anglais : "(Instantaneous) Failure rate"
9/67
Taux de dfaillance asymptotique : C'est la

limite, si elle existe, du taux de dfaillance
reprsent par un modle mathmatique lorsqu'on
fait tendre le temps vers l'infini. Il est not ? ( 8 ) .
Terme anglais : "Steady-state failure rate"
Taux de rparation : C'est la limite, si elle existe,
du quotient de la probabilit conditionnelle pour
que l'instant T d'achvement de la rparation (ou
d'une opration de maintenance) d'une entit soit
compris dans un intervalle de temps donn [t;+?t],
par la dure
de l'intervalle de temps, lorsque ?t tend vers zro,
sachant que l'entit a t en panne sur tout
l'intervalle de temps [0;t]. Ce taux est not M(t).
Terme anglais : "Repair rate (instantaneous)"
Pascal Vrignat
Taux de rparation asymptotique : C'est la limite,

si elle existe, du taux de rparation reprsent par
un mo dle mathmatique lorsqu'on fait tendre le
temps vers l'infini. Il est not M(8).
Terme anglais : "Steady-state repair rate"
Taux de transition : C'est la limite, si elle existe,
du quotient de la probabilit de quitter un tat du
systme pour un autre tat du systme dans
l'intervalle de temps [t;t+?t], par la dure de
l'intervalle de temps, lorsque ?t tend vers zro.
Terme anglais : "Transition rate"
Tolrance aux fautes : Proprit d'un systme qui
le rend capable d'accomplir une fonction requise en
prsence de certaines dfaillances ou pannes de ses
composants.
Terme anglais : "Fault tolerance"
10/ 67
Introduction, contexte de travail et problmatique

Les activits industrielles et humaines font presque quotidiennement les grands titres des actualits avec
leurs cortges dincidents, daccidents ou dvnements catastrophiques. En effet, le zro dfaut ou le risque zro
nexiste malheureusement pas pour les activits industrielles cause de loccurrence de dfaillances humaines
ou matrielles.
Toutefois, pour tenter de rduire les risques un niveau le plus faible possible et acceptable, des mthodes,
des techniques et des outils scientifiques ont t dvelopps ds le dbut du 20me sicle pour valuer les risques
potentiels, prvoir loccurrence des dfaillances et tenter de minimiser les consquences des situations
catastrophiques lorsquelles se produisent.
Lensemble de ces dveloppements mthodologiques caractre scientifique reprsente, laube du
troisime millnaire, la discipline de la Sret de fonctionnement. La Sret de fonctionnement consiste
connatre, valuer, prvoir, mesurer et matriser les dfaillances des systmes technologiques et les dfaillances
humaines. Cette sret de fonctionnement sera de qualit si la maintenance associe est de qualit tant sur le plan
Humain que Technologique.
Nous sommes, dans le cas prsent, sur la description dun processus boucl comme le montre la Figure 1
[5].
Figure 1 : Les trois tapes du diagnostic

La premire tape, "Voir", correspond la gnration d'alarmes (i.e. la dtection d'tats perturbs dans
le systme). La suivante, "Comprendre", correspond au filtrage et l'interprtation des alarmes (i.e. le traitement
des alarmes pour mieux comprendre le phnomne qui a eu lieu). La dernire tape, "Agir", correspond la
commande du systme (i.e. comment remettre le systme dans son tat nominal).
Les mthodes danalyse concernant laide la dcision ont vu le jour dans les annes 60 par Barlow,
Proschan, Jorgenson, MC Call, Radner et Hunter. Leurs diffrents rsultats sont rsums dans J. McCall [2].
Pour Dekker [22], un modle doptimisation de la maintenance est un modle mathmatique dans lequel les
cots et les bnfices de la maintenance sont quantifis (mesurs) et quun quilibre entre eux est obtenu tout en
tenant compte des contraintes de production. En gnral, les modles doptimisation de la maintenance couvrent
quatre aspects :
la description technique du systme, ses fonctions et son importance,
la modlisation du processus de dfaillance du systme et les consquences possibles,
la description des informations sur le systme et les actions de gestion du systme qui simposent,
la dtermination de la fonction objective avec des techniques doptimisation qui simposent pour
rechercher loptimum possible.
Tous ces modles utilisent les techniques de programmation linaire et non linaire, la programmation
dynamique, les dcisions de Markov, les arbres de dfaillances, la dcision statistique baysienne, lanalyse
baysienne, les systmes experts
Les rsultats attendus pour ces modles sont diffrents :
la comparaison des politiques de maintenance avec les paramtres de fiabilit et de rentabilit,
lobtention de la structure optimale des politiques,
laide la synchronisation des actions de maintenance,
la planification des oprations de maintenance,
lobtention des plans de maintenance technique tenant compte des contraintes.
Pascal Vrignat
11/ 67
Il nen demeure pas moins que de nombreux problmes existent sur les modles doptimisation de la
maintenance. Les plus frquemment rencontrs sont :
la collecte et lanalyse des donnes,
le problme de rsolution numrique,
la modlisation de la dfaillance,
la comprhension et linterprtation difficile des modles pour les techniciens de maintenance
et de production,
lcriture en langage mathmatique,
la confidentialit des informations dtenues par les entreprises pour des raisons de
concurrence.
Il nexiste pas de modle gnrique doptimisation de la maintenance ; lessentiel est dindiquer la
meilleure dcision prendre et dobtenir les informations sur la disponibilit. Les perspectives davenir pour les
modles doptimisation de la maintenance sont intressantes pour deux raisons essentielles :
la pousse technologique et la ncessit conomique,
laugmentation du capital dinvestis sement.
En gnral les modles auront donc pour mission dvaluer les consquences conomiques des
dcisions prises.
Parmi lensemble des mthodes de diagnostic et de dtection, deux approches ressortent
rgulirement: la premire est une approche dterministe ou dite classique, la deuxime est une approche
probabiliste.
Ces raisonnements et mthodes mathmatiques impliquent souvent des travaux complexes. Ils
aboutissent galement et rgulirement des plans daction. Nanmoins, la dcision finale est choisie par le
financier lorsquil analyse par exemple des tableaux synthtiques et trs pragmatiques comme peut lvoquer
le Tableau 1.
Machines
SP1
SQ1
Nb arrts
14
8
Dure max par

arrt-1/100H
8
10
Dure cumule
Disponibilit
des arrts- Disponibilit 1
depuis le
1/100H
an glissant
1/1/2006
98
98
97,02
54
96
95,4
% Objectif
98,2
96,8
Pnalit
43 000
28 500
Tableau 1 : Exemple de tableau de bord d'objectifs de fabrications

Lactualit montre lmergence du concept de durabilit , qui oblige dornavant les industriels
intgrer dans leur stratgie de dveloppement, au-del de la finalit conomique habituelle, de nouvelles
proccupations sociales et environnementales. Dans ce contexte, les industriels cherchent, dans un premier
temps, matriser leurs performances de manire holistique et, dans un second temps, trouver des leviers
daction permettant damliorer la performance globale de leur entreprise. Cible privilgie, le processus de
production rpond ces nouvelles exigences par lintermdiaire du processus de Maintien en Conditions
Oprationnelles du systme de production (MCO). Cependant, le processus de MCO doit voluer vers des
aspects plus coopratifs et plus proactifs sil veut garantir lobtention dune performance globale satisfaisante
tout au long de la phase d'exploitation du systme de production. Cette ncessit se dcline concrtement sur
lensemble des sous-processus du MCO, et plus particulirement sur le processus cl de Maintenance [3].
Le travail prsent dans ce manuscrit se dcompose en quatre parties.
Dans un premier temps, nous ferons le point sur des dfinitions incontournables en maintenance et sur
lvolution de cette discipline. Dans un second chapitre, nous dresserons un tat de lart sur un large ventail de
mthodes utilises pour laide la dcision. Dans une troisime partie, nous essayerons de montrer, sur un
exemple industriel concret, quelle a t notre dmarche de travail ainsi que la mthode utilise nous permettant
dobtenir un rsultat souhait.
Pour terminer, nous discuterons des rsultats obtenus et prsenterons le travail qui sera effectu dans un
avenir proche et nous exposerons galement les pistes de recherche ouvertes par ce travail.
Pascal Vrignat
12/ 67
1 Prsentation du laboratoire et des travaux de lquipe

Situation du laboratoire de Recherche
1.1
Le Laboratoire Vision et Robotique (LVR) est une Unit Propre de Recherche de l'Enseignement
Suprieur cre en 1988 et qui regroupe aujourd'hui une cinquantaine de membres dont trente permanents. Ses
thmatiques se situent dans les domaines de la Recherche Mthodologique et de la Recherche Applique.
Elles concernent :
la Robotique, thmatique fdratrice, dans plusieurs de ses aspects (conception, perception,
contrle-commande),
le Traitement du Signal et de l'Image pour leur interprtation et l'imagerie mdicale,
l'Automatique en terme d'outils pour :
o l'observation et la commande,
o la surveillance, le diagnostic et la dtection de dfaut.
Les domaines d'activits concerns sont :
le gnie bio mdical,
le gnie des procds,
l'environnement,
l'automobile...
La finalit du LVR est de dvelopper de nouvelles connaissances dans ces domaines et de favoriser
leurs applications dans le monde industriel. Le couplage Recherche - Industrie constitue un des lments moteur
du laboratoire.
Le LVR est un laboratoire commun l'Universit d'Orlans et l'Ecole Nationale Suprieure
d'Ingnieurs (ENSI) de Bourges.
Ses activits sont ainsi menes par les enseignants -chercheurs affects l'Universit d'Orlans (aux IUT
de Bourges, Chteauroux et Orlans, ainsi qu' Polytech'Orlans) et par les enseignants -chercheurs affects
l'ENSI de Bourges.
Les activits de recherche du LVR se partagent entre trois quipes :
Robotique :
o robotique autonome, mobile ou tlopre,
o perception de l'environnement,
o conception et commande de robots,
o chanes de tlopration (projet OTELO) et de tlprsence,
o micro robotique;
Signal, Image et Vision (SIV) :

o systmes de vision,
o traitement d'images et de signaux,
o reconstruction 3D,
o contrle qualit;
Automatique :
o commande et diagnostic de systmes, avec un domaine d'application privilgi portant sur les :
systmes en dimension infinie,
Systmes Dynamiques Hybrides.
Pascal Vrignat
13/ 67
CHAPITRE 1
2 Dfinition de la maintenance
Les normes NF X 60-010 et 60-011 dfinissent la maintenance comme lensemble des actions permettant
de maintenir ou de rtablir un bien dans un tat spcifi ou en mesure dassurer un service dtermin.
Retour et al. [1] prsentent la fonction maintenance comme un ensemble dactivits regroupes en deux
sous-ensembles : les activits dominante technique et les activits dominante gestion (voir Figure 2)
Figure 2 : Le contenu de la fonction maintenance

Le processus de maintenance peut tre dcrit plus en dtail dans ([24]) comme nous le montre la Figure 3.
Figure 3 : Le processus de maintenance

Dans ce contexte de complexification de loutil de production, relever le double challenge Mise en
pratique des principes du dveloppement durable / Amlioration de la flexibilit et de la ractivit de lentreprise
vis --vis de lvolution du produit ncessite que chacun des sous-processus de production apporte sa propre
Pascal Vrignat
14/ 67
contribution lobtention de la performance globale. En ce sens, le processus de Maintien en Conditions

Oprationnelles met en oeuvre 1 un ensemble dactivits et de moyens logistiques (ravitaillement, acquisition et
gestion des rechanges, oprations de maintenance, outillages, documentation, formation) dans lobjectif de
garantir tout au long de la phase d'exploitation la finalit (produit ou service) attendue du systme. La Figure 4
dcrit la rpartition des actions incontournables [23].
Remarque : le terme MCO est issu du domaine militaire o la matrise chaque instant de la disponibilit et de
la scurit des systmes darme est capitale. Il est galement utilis depuis quelques temps dans le monde de la
tlphonie ou des systmes dinformations en tant que processus permettent de garantir la continuit de service
du rseau et la rsolution la plus rapide possible des incidents de fonctionnement.
Figure 4 : Les priorits Maintenance long terme des industriels
3 Contenu de la fonction maintenance

Dans la dfinition de la maintenance, nous trouvons deux mots-cls : maintenir et rtablir. Le premier fait
rfrence une action prventive. Le deuxime fait rfrence laspect correctif (voir Figure 5). On peut
rsumer les diffrentes politiques de maintenance selon la Figure 5. Une bonne synthse de ces diffrentes
stratgies de maintenance se trouve par exemple dans la thse de B. Castanier [14]. Le choix d'une politique est
parfois impose, comme c'est le cas dans le nuclaire en France par exemple. Ainsi, l'optimisation de la
maintenance par la fiabilit dtermine la maintenance prventive optimale . Dans le cas o il n'y a pas de
maintenance prventive, cela revient attendre la dfaillance, c'est -dire une maintenance corrective. De
nombreuses tudes ont montr que les politiques de maintenance prventive (ou plutt mixte) sont souvent les
moins onreuses sur le long terme.
Selon la dfinition propose par lAssociation Franaise dIngnierie Systme (AFIS) - www.afis.fr.
Pascal Vrignat
15/ 67
Figure 5 : Exemple de politiques de maintenance
4 Evolution de la discipline
4.1 La sret de fonctionnement
La sret de fonctionnement est appele la science des dfaillances . Dautres dsignations existent
suivant les domaines dapplications : analyse de risque (exemple : milieu ptrolier), cyndinique (science du
danger), FMDS 2 , en anglais RAMS3 . Elle se caractrise la fois par les tudes structurelles statiques et
dynamiques des systmes, du point de vue prvisionnel mais aussi oprationnel et exprimental (essais,
accidents), en tenant comp te des aspects probabilistes et des consquences induites par les dfaillances
techniques et humaines. Cette discipline intervient non seulement au niveau des systmes dj construits mais
aussi au niveau conceptuel pour la ralisation des systmes.
Introduite en 1962 pour traduire le terme anglais reliability, la fiabilit est la probabilit de nondfaillance dun quipement sur un intervalle de temps donn (du latin fidare : faire confiance, fidus : fidle et
du latin mdival fiablete ce qui est digne de confiance). La disponibilit se dfinit par la probabilit dtre en
tat daccomplir sa fonction un instant donn. Anglicisme introduit vers 1965, la maintenabilit est laptitude
dun systme tre maintenu en tat. Elle correspond la probabilit que la remise en tat dune entit en panne
soit effectue dans un intervalle de temps .
Les mots sret et scurit ont en fait la mme racine tymologique (latin securus : sr). La scurit,
en particulier en France, implique actuellement les aspects rglementaires de la scurit des personnes. Cest
ainsi que les comits hygine et scurit ont vu leur apparition dans les tablissements commerciaux et
industriels. Le terme sret est plutt utilis par les techniciens pour la conception ou lexploitation de biens et
de services pour qualifier la fiabilit et la disponibilit du fonctionnement des installations [6].
2
3
Fiabilit, Maintenabilit, Disponibilit, Scurit

Reliability, Availability, Maintainability and Safety
Pascal Vrignat
16/ 67
La sret de fonctionnement sest dveloppe principalement au cours du 20me sicle pour tre
actuellement un domaine incontournable pour les industries risques mais aussi, de plus en plus, pour toute
lindustrie, en raison de sa corrlation avec la notion de qualit, les problmes ergonomiques (relation hommemachine) et limpact sur lenvironnement. Jusquavant la seconde guerre mondiale, la sret de fonctionnement
est demeure plus un art empirique quune science exacte.
4.2 La notion de fiabilit dun systme

Un systme peut tre dfini comme un ensemble de composants interdpendants, conus pour raliser une
fonction donne, dans des conditions donnes et dans un intervalle de temps donn. Pour chaque systme, il
importe de dfinir clairement les lments qui le caractrisent, savoir : la fonction, la structure, les conditions
de fonctionnement, les conditions dexploitation et lenvironnement dans lequel il est appel oprer.
La fiabilit dun systme sexprime par la probabilit que ce dispositif accomplisse une fonction requise
dans des conditions dutilisation et pour une priode de temps dtermine [4]. Cest donc une grandeur comprise
entre 0 et 1. Nous la dsignons, dans ce qui suit par R(t) o t dsigne la dure de la mission.
R(t) = P { dure de vie du systme > t }
(1)
Rappelons que la dure de vie dun systme est une mesure de la quantit de service rendu. Selon le
systme tudi, elle sexprime en terme de temps, de kilomtres, ou autre.
Le fait que la dfaillance dun systme puisse survenir nimporte quel moment nous amne
considrer cette grandeur comme une variable alatoire laquelle nous pouvons associer une fonction de densit
de probabilit f(t). Il importe de rappeler que f(t).dt est la probabilit que la dure de vie dun systme soit
comprise entre t et t + dt, ou encore la probabilit quil tombe en panne entre t et t + dt (Figure 6 : La fonction
densit de dure de vie).
f(t). dt = P { t < dure de vie du systme < t + dt }
(2)
Figure 6 : La fonction densit de dure de vie
Il est souvent difficile de caractriser la dfaillance dun systme. Nous convenons dans ce qui suit quun
systme est considr dfaillant ou hors dusage sil nest pas en mesure de raliser la fonction pour laquelle il a
t conu. Pour certains systmes, nous parlons de dfaillance lorsque les grandeurs caractristiques voluent en
dehors de certaines limites de fonctionnement tablies auparavant. Cette seconde dfinition sera exploite
lorsque nous introduisons les concepts de maintenance conditionnelle. Nous dsignons par F(t), la fonction de
rpartition ou la fonction de distribution associe aux dures de vie. F(t) peut sinterprter comme la probabilit
que le systme fonctionne encore linstant t
F(t) = P { dure de vie du systme
Pascal Vrignat
t}
(3)
17/ 67
Nous supposons quen tout temps, le systme est soit en opration ou hors dusage, il sensuit que :
t > 0
R(t) + F(t) = 1
(4)
Lapplication des proprits de la fonction logarithme nprien et de calcul intgral conduit aux relations :
d (ln( u )) =
du
du
du
= ln( u ) u = exp
u
u
u
(t ) =
t
R' (t )
d [ln( R (t ))]
=
R (t )
dt
(5)
(6)
(u) du = [ ln R(u ) ] = ln( R(t ))

t
(7)
(car R (0) = 1 ln( R( 0)) = 0 R (t ) = exp (u) du )

0
Comme nous mesurons la fiabilit partir de t=0 (condition initiale du systme), il est vident que R(0)=1
(pas de dfaillance t=0), do les relations entre F(t), R(t), f(t) et (t) dfinies dans le Tableau 2.
Tableau 2 : Relations en F(t), R(t), f(t) et (t)
La dfaillance dun quipement peut tre caractrise par un taux () appel taux de panne. Ce taux est
aussi appel taux de dfaillance, taux de hasard ou taux de mortalit. Il est dfini comme tant la probabilit
conditionnelle que lquipement tombe en panne entre linstant t et t + t sachant quil a survcu jusqu' linstant
t. Il peut aussi tre dfini comme la proportion de composants ayant survcu jusqu linstant t (quation 8). Il
reprsente galement la vitesse darrive de la panne [10].
(t ) =
Pascal Vrignat
N (t) N (t + t )
N ( t) t
(8)
18/ 67
Avec :
N(t) : nombre de composants ayant survcu jusqu linstant t,

N(t+t ) : nombre de composants ayant survcu jusqu linstant t+t.
Pendant la dure de vie dune entit, on constate que son taux de dfaillance volue au cours du temps.
Aprs la premire mise en service, sur une priode appele priode de jeunesse, le taux de dfaillance est lev
puis a tendance dcrotre. Cela correspond la priode de rodage des systmes mcaniques ou au
dverminage de cartes lectroniques. Ensuite le taux de dfaillance de la majorit des entits est caractris
par une valeur constante, ce qui signifie que la probabilit dune dfaillance est identique pour chaque instant
considr. Cest la priode de dfaillance taux constant. Ensuite, en raison du vieillissement des matriaux,
des composants ou de leur usure, on observe gnralement un taux de dfaillance qui se met crotre de faon
significative. Cette priode de la vie de lentit est appele la priode de vieillissement ou dusure. Cette
volution est connue sous le nom de courbe en baignoire comme le montre la Figure 7.
Figure 7 : La courbe en baignoire
La distribution de Weibull est la plus utilise pour modliser la fonction de fiabilit R(t) dun
composant ou dune machine. En effet, elle permet de modliser lvolution du taux de dfaillance (t) (8), lors
des trois priodes de sa vie : jeunesse, exploitation et vieillesse (Figure 7) :
(9)
avec paramtre de forme, paramtre dchelle, paramtre de dcalage
Pour ces 3 zones temporelles (Jeunesse, Vie active, Vieillissement), nous pouvons associer des causes et des
remdes [12] (voir Tableau 3).
Tableau 3 : Associations Causes / Remdes
Pascal Vrignat
19/ 67
Selon le type de produit (lectronique, informatique ou mcanique), lallure de la courbe peut changer.
Lewis (1987) [13] prsente plusieurs types de courbes en baignoire (Voir Figure 8).
Figure 8 : Allures caractristiques du taux de panne

Toutefois, dautres distributions sont galement utilises :
la loi binomiale ou la loi de Poisson pour les systmes soumis des dfaillances la sollicitation,
la loi exponentielle lorsque le taux de dfaillance peut tre considr comme constant,
les lois normales ou log-normales, la loi Gamma
Dans des conditions dutilisation relle, lvolution de la fiabilit (ou de la dtrioration) dun composant est
influence par un ensemble de paramtres : lenvironnement (temprature, humidit) ou le mode de
fonctionnement du systme de production (charges de travail, rgimes continus) [43] .
Lutilisation dun modle de type PHM (Proportional Hazards Modeling) [44], ou ALT (Accelerated Life
Testing) [45] permet de modliser ce genre de situation en introduisant une ou plusieurs variable(s) exogne(s)4
(ou explicatives) dans lexpression de la fiabilit ou du processus de dtrioration.
Dun point de vue mathmatique, un vecteur des variables exognes z(t) est introduit dans lexpression R(t) ou
(t). Concrtement, ce vecteur acclre le processus dusure (modle ALM) ou augmente le taux de dfaillance
(modle PHM) du composant lorsque les conditions dutilisation se dgradent.
Vlok et al. [46] utilisent ainsi un modle Weibull PHM ou modle de rgression Weibull (10) pour modifier
dynamiquement le taux de dfaillance de moteurs partir dun vecteur dusure z(t) :
(10)
4.3 La notion de disponibilit dun systme

La norme AFNOR X 60-500 dfinit la disponibilit comme laptitude dune entit tre en tat daccomplir
une fonction requise dans des conditions donnes, un instant donn ou pendant un intervalle de temps donn,
en supposant que la fourniture des moyens extrieurs ncessaires de maintenance soit assure .
La probabilit associe A(t) linstant t est aussi appele disponibilit et sexprime par (quation 11) :
A(t ) = P (Entit non dfaillante linstant t)
(11)
Laptitude contraire est appele indisponibilit et est dfinie par (quation 12) :
4
Une variable exogne exerce une influence sur une autre variable ou alors en explique les variations. Elle est dtermine en dehors du
systme tudi.
Pascal Vrignat
20/ 67
A = 1 - A(t)
(12)
Attention : la disponibilit A(t) est une grandeur instantane. Lentit peut donc avoir subi une panne
puis une rparation avant linstant t, contrairement la fiabilit R(t) qui est une grandeur mesure sur une dure
(intervalle [0, t]). La confusion entre disponibilit et fiabilit est due au fait que ces deux concepts sont
quivalents quand le systme est non rparable.
Linterprtation physique est illustre sur la Figure 9 : Disponibilit en fonction du temps t o sont
reprsents les cas dentits disponibles et non disponibles linstant t = 0.
Figure 9 : Disponibilit en fonction du temps t

Dans lindustrie cela revient au constat que, sous rserve dune politique de maintenance efficace, au
bout dun temps donn les entits ont atteint leur limite asymptotique de disponibilit.
Comme la fiabilit, plusieurs types de disponibilits peuvent tre utiliss :
la disponibilit instantane prvisionnelle (dfinie prcdemment),

la disponibilit moyenne : moyenne sur un intervalle de temps donn [t 1 , t2 ] de la disponibilit
instantane prvisionnelle, ou mesure en phase oprationnelle par la dure de fonctionnement effectif
divise par la dure donne.
Les grandeurs moyennes associes la disponibilit les plus courantes sont :
le TMD ou dure de bon fonctionnement aprs rparation, ou MUT : dure moyenne de fonctionnement
aprs la rparation et la dfaillance suivante ;
le TMI ou dure moyenne dindisponibilit, ou MDT : dure moyenne entre une dfaillance et la remise
en tat suivante ;
la dure moyenne entre dfaillance note MTBF : dure moyenne entre deux dfaillances conscutives
de lentit. En gnral, on a la relation :
MTBF = MUT + MDT
(13)
Remarque : ces trois notions sont indpendantes des considrations initiales sur les tats des entits.
La Figure 10 fournit les reprsentations graphiques de ces dfinitions en fonction du temps.
Figure 10 : Reprsentation des MTBF, MDT,MUT et MTTF
Pascal Vrignat
21/ 67
La disponibilit asymptotique se dduit du MUT et du MTBF par la relation :
A =
MUT
MTBF
(14)
5 Concepts et terminologie
5.1 Systme et composants
Un processus assure la fabrication dun produit ou fournit un service (Exemples : une raffinerie produit
des produits ptroliers labors, une centrale lectrique produit du courant lectrique, un avion sert aux
transports des biens ou des personnes, un ordinateur rpond des services de calculs scientifiques, de gestion,
de multi-mdia). Un processus industriel est une installation complexe assumant un objectif fonctionnel de haut
niveau (production de bien ou de service). Pour assurer ces objectifs fonctionnels de haut niveau, le processus
fait appel un ensemble de systmes interconnects (voir Figure 11). Chaque systme assure une ou plusieurs
fonction(s) bien dfinie(s).
Les systmes peuvent tre dcomposs en sous-systmes assumant leur tour gnralement un seul
objectif fonctionnel. Ltape suivante concerne la dcomposition des systmes ou sous-systmes en composants
ou matriels bien dtermins. Dans la suite de ce document, les termes composants ou matriels seront utiliss
de faon quivalente. A titre dillustration, des moteurs lectriques, des moteurs diesels, des vannes, des
pompes ou des units centrales dordinateurs sont des composants ou des matriels bien identifis. Selon les
spcificits des secteurs industriels concerns, les mthodes de description des lments constitutifs dun
procd industriel font appel des dcoupages matriels qui prennent en compte la morphologie physique des
matriels par un descriptif mettant en oeuvre la notion, par exemple, de matriels, composants, pices
lmentaires. Dans le cas dune description fonctionnelle, on sattache dcrire le procd laide dentits
fonctionnelles telles que des groupements fonctionnels, ensembles fonctionnels, sous-ensembles fonctionnels...
La lecture attentive des normes concernant la qualit, la maintenance, la maintenabilit 5 , la maintenance intgre
la conception, le SLI 6 , la TPM 7 font appel une telle varit de termes quil est souvent difficile de dialoguer
mme entre spcialistes. En effet, suivant les cultures de maintenance rencontres dans les diffrents pays
industrialiss (Europe, tats-Unis, Canada, Japon, Core, Russie) les termes utiliss possdent un sens et un
contenu diffrents.
Les mthodes de description des procds industriels complexes sont multiples, dpendent de la finalit
recherche et utilisent des vocabulaires spcifiques normaliss, tout au moins en France (normes AFNOR cf.
[Doc. R 8 250]).
Les mthodes fonctionnelles utilisent des formalismes ou des arborescences bases sur des fonctions
principales, secondaires, externes et redondantes permettant de comprendre le fonctionnement sans se
proccuper des ralisations matrielles. Ce sont ces mthodes qui sont lheure actuelle appliques par les
concepteurs et les quipes charges des tudes de sret de fonctionnement.
Les dfinitions qui suivent aideront le lecteur comprendre les subtilits des terminologies utilises
pour des dcompositions matrielles et fonctionnelles.
Suivant la norme AFNOR cest : dans les conditions donnes dutilisation, laptitude dune entit tre maintenue ou rtablie, sur un
intervalle de temps donn, dans un tat dans lequel elle peut accomplir une fonction requise, lorsque la maintenance est accomplie dans des
conditions donnes, avec des procdures et des moyens prescrits .
6
Soutien Logistique Intgre
7
Productive Totale Productive Maintenance
Pascal Vrignat
22/ 67
Figure 11 : Dcomposition hirarchique dun processus
5.2 Description fonctionnelle

Une description fonctionnelle se prsente gnralement sous la forme dune arborescence hirarchise
plusieurs niveaux reprsente sur la Figure 12. Dans cet exemple, on na reprsent que trois niveaux sachant
quil est possible dajouter des niveaux supplmentaires. Cette dcomposition fonctionnelle sous forme darbre
fonctionnel nest pas la seule mthode disponible. Des mthodes issues des techniques de lanalyse de la valeur
et de lanalyse fonctionnelle sont utilisables pour dcrire les phases de conception et lexploitation dun systme
industriel (mthodes : FAST 8 , RELIASEP 9 , APTE10 , SADT 11 ).
En thorie, cette description fonctionnelle devrait faire abstraction de toute ralisation matrielle. Dans la
pratique, surtout pour la description dinstallations complexes oprationnelles, on associe trs souvent les
lments matriels qui contribuent raliser ces fonctions. Trois termes principaux sont largement utiliss pour
dcrire fonctionnellement une installation industrielle complexe : les systmes, les sous-systmes et les
composants [9].
Figure 12 : Description fonctionnelle dune machine laver la vaisselle
Function Analysis System Technique

Dmarche de larbre fonctionnel
Application aux techniques dentreprise utilisant des outils graphiques tels que bte cornes ou diagramme de type pieuvre
11
Structured Analysis and Design Technique
9
10
Pascal Vrignat
23/ 67
5.3 Description matrielle

Une description matrielle dun processus ou dun quipement fournit essentiellement tous ses lments
constitutifs sans se proccuper de leurs fonctions. On peut considrer cette dcomposition comme une mise
plat des lments que lon obtiendrait en effectuant un dmontage complet. Elle correspond une logique de
dmontage / remontage. De ce fait, elle donne une reprsentation externe et physique. La Figure 13 reprsente la
dcomposition matrielle de la machine laver la vaisselle. Dans lindustrie, cette mthode de dcomposition est
particulirement utile pour tablir une nomenclature des diffrents lments pour la gestion des stocks, la mise
en oeuvre dun outil de GMAO12 et, dans certains cas, pour servir de support aux banques de donnes de Retour
dEXprience (projet : REX). Par exemple dans le milieu de la sret nuclaire, avec les annes, la collecte et
lanalyse du retour dexprience (REX) ont gagn en profondeur et en complexit de sorte quil existe
aujourdhui une littrature abondante sur ce concept [8], [9], [12], [15].
Cette dcomposition matrielle comprend des des cripteurs matriels tels que pices, organes,
mcanismes, dispositifs, matriels et installations qui vont du plus petit lment (pice) au plus important
(installation). La norme AFNOR X 60-012 13 auquel nous renvoyons le lecteur dcrit de faon approfondie la
taxonomie des pices.
Figure 13 : Dcomposition matrielle dune machine laver la vaisselle

Le paragraphe 5 sous-entend au lecteur que les mthodes de diagnostic ne possdent pas de caractre
universel. En fonction de la nature des processus, systmes, sous-systmes, composants, il faudra mettre en
uvre chaque fois des mthodes spcifiques tenant compte des technologies dployes.
5.4 Dfaillances, missions et fonctions dun systme et de ses composants

5.4.1
Dfinition de la dfaillance fonctionnelle
Une dfaillance est laltration ou la cessation de laptitude dun ensemble accomplir sa ou ses
fonction(s) requise(s) avec les performances dfinies dans les spcifications techniques . Lensemble est
indisponible suite la dfaillance. La cessation de laptitude conduit lentit tre dans un tat appel panne.
Un ensemble est dfaillant si ses capacits fonctionnelles sont interrompues (panne ou arrt volontaire
par action dun systme interne de protection ou une procdure manuelle quivalente). Dans le cas dune
dgradation sans perte totale de la fonction, on considre quil sagit dune dfaillance si sa performance tombe
au dessous dun seuil dfini, lorsquun tel seuil minimal est contenu dans les spcifications fonctionnelles du
matriel.
Il sensuit quun ensemble est dfaillant sil est considr ou dclar incapable dassurer les fonctions
requises par lexploitant utilisant des critres fonctionnels simp les. Toute tude de fiabilit implique
lacceptation de deux tats totalement exclusifs : le fonctionnement normal et le fonctionnement dfaillant. Les
passages dun tat de fonctionnement normal un tat dfaillant pouvant se manifester en fonction du temps de
12
13
Gestion de Maintenance Assiste par Ordinateur

Termes et dfinitions des lments constitutifs et de leurs approvisionnements pour les biens durables Norme exprimentale, 1982.
Pascal Vrignat
24/ 67
manire progressive, soudaine ou de faon alatoire, la fiabilit ne connat pas la notion de dfaillance partielle
ou progressive. La Figure 14 reprsente trois cas conduisant tous une dfaillance.
Figure 14 : Cas de figure conduisant tous la dfaillance

Cette dfinition inclut de faon trs explicite la perte de la fonction dune entit et, pour cette raison, elle
porte souvent des interprtations diffrentes suivant les intervenants. Certains secteurs industriels, pour lever
cette ambigit, ont dress des listes standardises de dfaillances fonctionnelles. Les dfaillances, compte tenu
de leurs manifestations, de leurs effets et de leurs consquences ont fait lobjet de plusieurs classifications. On
qualifiera alors les pannes de mineures, majeures, critiques, catastrophiques, partielles, totales, etc.
Pour Exemple : si lon considre un moteur lectrique dont la fonction principale est de convertir une
nergie lectrique en nergie mcanique, le refus de dmarrage est une dfaillance fonctionnelle du moteur.
Dans dautres secteurs industriels, en adoptant une approche matrielle de la dfaillance, une perte de
lisolement du stator sera considre comme une dfaillance.
5.4.2
Dfinitions : missions et fonctions
Une tude de sret de fonctionnement passe ncessairement par une analyse exhaustive des diffrentes
phases de fonctionnement faisant appel des termes prcis tels que missions et fonctions assures par un bien. Il
est particulirement indispensable de dfinir les notions de fonction et de mission. Ces dfinitions sont, en effet,
trs variables dun secteur dactivit un autre ou dun pays un autre. Les missions et fonctions dune entit
dcoulent directement de la dfinition et de la spcification de ses exigences oprationnelles :
quelles sont les exigences oprationnelles et comment lentit sera-t-elle utilise ?

o lentit sera-t-elle utilise ?
combien de temps lentit sera-t-elle utilise ?
5.4.2.1
Missions
Le profil de la mission dune entit se dcompose en plusieurs phases distinctes dans lesquelles il est
indispensable pour chacune dentre elles de disposer dun ensemble de fonctions bien dfinies. Par exemple : une
des missions de la navette spatiale amricaine est de mettre en orbite des satellites. Les phases de la mission qui
doivent tre ralises par la navette, une fois mise en orbite, sont reprsentes sur la Figure 15. La mission sera
considre comme remplie si toutes les phases se droulent conformment aux spcifications.
Pascal Vrignat
25/ 67
Figure 15 : Phases de la mission de la navette spatiale pour le lancement dun satellite
5.4.2.2
Fonctions
La comprhension de la notion de fonction et de ses paramtres est llment cl sur lequel reposent les
analyses de sret de fonctionnement car on recherche les lments matriels qui vont entraner la perte ou la
dgradation des fonctions.
LAFNOR dfinit une fonction comme laction dune entit ou de lun de ses constituants exprime
en termes de finalit .
Cette dfinition de nature qualitative est indispensable pour dcrire de faon globale une fonction. La
fonction fait appel des notions qualitatives et quantitatives.
Pour un systme tel quun propulseur poudre, la description de sa fonction est simple : fournir une
pousse nominale de 15 t pendant 30 s. Cette dfinition donne ses caractristiques en termes quantitatifs. Un
moteur lectrique possde une fonction de base consistant convertir de lnergie mcanique en nergie
lectrique. Les diffrences entre ces fonctions sont quelquefois subtiles et lacceptation de leur terminologie doit
toujours faire lobjet dune acceptation au sens dune mme entreprise et de ses prestataires. Pour des systmes
plus complexes, il est indispensable de classer et de hirarchiser la nature des fonctions :
principales,
secondaires,
de protection,
redondantes.
5.4.2.3
Fonctions principales
Une fonction principale peut se dfinir comme tant la raison dtre dun bien ou dun systme avec ses
caractristiques associes (dure, caractristiques physiques, chimiques...).
Par exemple, une premire dfinition gnrale de la fonction principale dune chaudire est de fournir
de la vapeur.
Une seconde dfinition de la fonction de la chaudire vapeur est de fournir de la vapeur 110 C avec
un dbit de 40 t/heure pendant 24 h.
Ces deux exemples de dfinitions montrent la difficult de dcrire une fonction quand on sintresse
ses modes de dfaillance. En effet, dans la premire dfinition, la perte de la fonction correspondra une nonfourniture de vapeur. Il nexistera dans ce cas quun seul mode de dfaillance.
Par contre, en utilisant la deuxime dfinition, trois modes de dfaillance de la fonction apparaissent :
non-fourniture de vapeur 110 C (temprature suprieure ou infrieure),

non-fourniture du dbit de 40 t/heure (dbit suprieur ou infrieur),
non-fourniture de la vapeur une temprature de 110 C, avec un dbit de 40 t/heure, pendant 24 h.
Sous laspect smantique, une fonction est dfinie par un verbe suivi dun complment dobjet.
Verbe = action
Complments = paramtres
Les fonctions principales de la navette spatiale pour la mission lancement dun satellite sont
reprsentes sur la Figure 15.
Pascal Vrignat
26/ 67
CHAPITRE 2
6 Approche classique pour la

dysfonctionnements dun systme
modlisation
des
Principalement utilise lorsque le nombre de donnes de retour dexprience est suffisamment important,
cette approche des dysfonctionnements des systmes consiste identifier les conditions qui peuvent conduire
des dfaillances et prvoir leurs consquences sur la fiabilit, la maintenabilit, la disponibilit et la scurit
des systmes en cours de conception ou dj oprationnels [9].
Elle est ralise partir dinformations diverses dont le tri et lanalyse permettent de concevoir un modle
du systme.
Pascal Vrignat
27/ 67
Les informations ncessaires lanalyse sont :

la description du systme rel : structures physiques et fonctionnelles,
les caractristiques des composants du systme et des interactions entre eux (modes de dfaillance
et leurs consquences...),
les relations entre le systme et son environnement,
la prise en compte des erreurs humaines en phase dexploitation.
6.1 Description des mthodes danalyse prvisionnelle

Les mthodes danalyse prvisionnelle se rpartissent en deux grandes familles qui se diffrencient par
les techniques de raisonnement :
les mthodes inductives (bottom to top) partent des causes des dfaillances et remontent
jusquaux consquences que lon souhaite viter,
les mthodes dductives sont au contraire des mthodes descendantes (top to bottom) : on part de
lvnement indsirable et on recherche toutes les causes susceptibles dentraner cet vnement
[9].
La mise en oeuvre de ces mthodes rend indispensable des dcompositions hirarchiques matrielles ou
fonctionnelles du systme. Certaines dentre-elles permettent une quantification des probabilits des risques
encourus ( condition de disposer dun retour dexprience de qualit, cest--dire fiable et bnficiant dun
programme dassurance qualit). Par souci dexhaustivit, puisque certains secteurs industriels privilgient ces
outils pour leurs tudes de scurit et de dfinition de leurs stratgies de maintenance, ce paragraphe rsumera
succintement les principales mthodes (nous dtaillerons plus loin les diffrentes mthodes dductives) :
Analyse des Modes de Dfaillance et de leurs Effets (AMDE, annes 60, aronautique), Analyse
des Modes de Dfaillance, de leurs Effets et de leur Criticit (AMDEC, annes 60, NASA),
Failure Mode, Effects and Criticality Analysis (FMECA),
Analyse Prliminaire des Dangers (APD), analyse prliminaire des risques (annes 60,
aronautique),
HAZard and OPerability study (HAZOP, annes 70, industries chimiques),
Mthode du Diagramme de Succs ou de Fiabilit (MDS ou MDF, annes 60), Reliability Block
Diagram Method (RBDM),
Mthode de la Table de Vrit (MTV), Mthode de la Table de Dcision (MTD),
Mthode de lArbre des Causes (MAC, annes 60), (fault tree method),
Mthode des Combinaisons de Pannes Rsumes (annes 70, aronautique),
Mthode de lArbre des consquences ou des arbres dEvnements (MACQ ou MAE, annes 70,
nuclaire), Event Tree Method (ETM),
Mthode du Diagramme Causes -Consquences (MDCC, annes 70, nuclaire), CauseConsequence Diagram Method (CCDM),
Mthode de lEspace des Etats ( MEE), annes 50, processus de Markov,
Rseau de Petri,
...
6.2 Etat de lart : mthodes de modlisation dans le cadre dune approche

dterministe
6.2.1
Introduction
Ces mthodes sont principalement utilises lorsque le nombre de donnes de retour dexprience est
suffisamment important.
Parmi ces mthodes, on peut noter lutilisation des diagrammes, des histogrammes, de lAMDEC, de
ltude MBF (Maintenance Base sur la Fiabilit). Ce terme trouve son origine dans la RCM (Reliability
Centered Maintenance) dveloppe au cours des annes 60 dans le domaine de laronautique. La MBF, lors de
ces dernires dcennies, a fait lobjet de diverses dclinaisons dont lOMF (Optimisation de la Maintenance par
la Fiabilit) applique la production nuclaire dlectricit [19], la mthode despace des tats (Markov), des
arbres de dfaillances, les rseaux de Petri stochastiques,
Pascal Vrignat
28/ 67
Gnralement pour la mthode despace des tats, le systme est modlis sous forme dtats : ltat i
dans lequel se trouve le systme un instant t ne dpend que des tats (i-1) ou (i+1). Le passage dun tat un
autre se ralise suivant une loi exponentielle, les taux de dfaillance ? et de rparation sont souvent supposs
constant. Les diffrents tats de fonctionnement et de pannes sont dfinis par un graphe o lon fait apparatre la
possibilit de passage dun tat lautre. Cest ce que lon appelle un graphe de transition. Les probabilits de
passage dun tat lautre caractrisent la disponibilit du systme. La probabilit de fonctionnement dun
systme se stabilise vers une valeur constante au cours du temps. Cest lasymptote de la fonction de
disponibilit A(t).
Lapplication industrielle de S. Deniau [20] conduit dvelopper un modle qui repose sur le concept de
rparation minimale enrichi par lintroduction de lactualisation des donnes. Loptimisation est base sur le
concept de maximisation du revenu global dexploitation.
Lapplicabilit de ces mthodes dterministes trouve galement des applications au niveau conomique
comme le montre les travaux de K. Matsuyama [21] o le besoin du retour dexprience se fait ressentir pour la
rduction des carts entre le niveau dinventaire prvu et le niveau ralis.
Par consquent, le travail de recherche bibliographique a occup une place cruciale dans le droulement
de ce travail.
Ltat de lart que nous proposons ci-dessous a pour ambition de synthtiser les rsultats de cette tude
bibliographique et galement dintroduire et dexposer les concepts principaux qui sont prsents dans la suite de
ce rapport.
6.2.2
Mthode de larbre des causes ou de dfaillance (MAC/MAD) , techniques

combinatoires
Cest une construction top->down (du gnral au particulier). Cette mthode a t dveloppe en 1961-1962
la Socit Bell Telephone par A. Watson (Fault Tree Analysis, FTA). Elle a fait lobjet damliorations peu
aprs par Haasl (Boeing), avant de se gnraliser de nombreux domaines de lindustrie. Loutil de cette
mthode dductive couramment appel Arbre de Dfaillance (AdD) est une reprsentation statique du systme.
Cette mthode consiste donc considrer une dfaillance donne du systme et construire dune manire
arborescente (descendante) lensemble des combinaisons de dfaillances des composants mis en jeu
(comportement binaire des vnements lmentaires). Lvnement indsirable ou non souhait est au sommet
de larbre do la dnomination dvnement-sommet , les vnements indsirables intermdiaires ou de base
tant relis en cascade laide de symboles correspondant des oprations logiques. Une branche se termine
toujours par un vnement de base. Ces oprateurs appels portes sont :
portes ET, ET prioritaire ou squentiel, ET avec condition,
portes OU, OU exclusif, OU avec condition,
porte SI condition,
porte k /n combinaison,
porte DELAI,
porte NON,
porte matricielle (sortie gnre pour certaines combinaisons dentre).
La Figure 16 reprsente les symboles les plus courants utiliss pour construire un arbre de dfaillance. Elle
montre galement quil ny a pas de construction unique pour modliser la raction du systme par rapport aux
dfaillances [16]. T. Gaudre [33], propose un outil pour la gnration automatique darbres de dfaillances un
systme lectronique embarqu.
Pascal Vrignat
29/ 67
Figure 16 : Exemple de diagrammes de dfaillances

Dautres vnements sont spcifis dans des blocs de formes normalises :
rectangle : vnement-sommet ou intermdiaire (dfaillance de commande),
cercle : vnement de base lmentaire (non dvelopp, dfaillance premire),
losange : vnement de base non lmentaire (non dvelopp, dfaillance seconde),
double losange : vnement non de base (dveloppement effectuer),
maison : vnement de base considr comme normal (vnement de fonctionnement),
ovale : vnement conditionnel (portes logiques).
Des triangles sont galement utiliss pour effectuer des transferts dun arbre dautres sous-arbres, et donc
pour simplifier la prsentation dun arbre complexe.
Pour construire lAdD, on procde comme suit :
recherche des causes immdiates, ncessaires et suffisantes de lvnement indsirable (obtention
dvnements intermdiaires),
classement et analyse des vnements intermdiaires (lis un ou plusieurs composants et quels
types de dfaillances),
recherche des causes immdiates, ncessaires et suffisantes,
des vnements intermdiaires jusqu obtention dvnements de base.
Il faut remarquer que ces phases doivent souvent tre rptes pour permettre lanalyste de mieux connatre le
systme et damliorer sa dcomposition en vnements de base. LAdD permet de gnrer lensemble des
coupes (comme un diagramme de fiabilit dont il est le dual ) et den dduire celui des coupes minimales
comme le montre, par exemple, la Figure 17 [16]. Le principe consiste calculer les coupes minimales avec leur
indisponibilit et lintensit conditionnelle de dfaillance en les combinant pour avoir lindisponibilit et
lintensit conditionnelle de dfaillance du systme.
Figure 17 : Exemple de coupes minimales
Pascal Vrignat
30/ 67
M. Bouissou et A. Floria [17] montrent que cette approche peut tre utilise pour construire, formaliser et
exploiter des modles avec une base de connaissances de type BDMP (Boolean logic Driven Markov Process).
Dautres applications rcentes montrent que cet outil de description est galement utilis dans le cadre dune
BDMP rattache la recherche de squences dans le concept FIGSEQ [18]. FIGSEQ contient des algorithmes de
quantification permettant de calculer la fiabilit et la disponibilit partir de lexploitation de squences, en
faisant des approximations matrises.
Avant deffectuer cette valuation, des techniques de rduction de larbre peuvent tre appliques
(simplification).
On distingue plusieurs types dAdD suivant leur complexit :
AdD-c : arbres de dfaillance cohrents composs de portes ET, OU, et de variables monoformes
(vnements lmentaires de mme catgorie : dfaillance),
AdD-nc : arbres de dfaillance non cohrents composs de portes ET, OU, et de variables biformes
(vnements lmentaires de catgories diffrentes),
AdD dlai : arbres de dfaillance composs de portes ET, OU et DELAI,
AdD-r : Arbres de Dfaillance avec restriction, gnralisant les AdD-nc pour des vnements
lmentaires exclusifs non complmentaires,
AdD-mp : Arbres de Dfaillance multiperformants, gnralisation des oprateurs n entres.
6.2.3
Mthodes de la table de vrit et de la table de dcision (MTV, MTD)
Base sur lalgbre boolenne, la mthode de la table de vrit permet didentifier tous les tats
(fonctionnement ou panne) du systme partir de comportements binaires. Elle reste limite aux cas simples
pour lanalyse manuelle, mais peut tre automatise. La construction de la table est ralise aprs identification
des modes de dfaillance des composants et de leurs tats de panne, ainsi que leurs effets (AMDE). A chaque
tat du composant est associe une variable qui peut prendre la valeur 0 (fonctionnement) ou 1 (panne). Le
nombre de combinaisons devenant important quand le nombre de composants crot, cette mthode reste limite
aux systmes comportant peu de composants. La table de dcision est une extension de la table de vrit
permettant de traiter un nombre quelconque dtats pour chaque entre de la table. Elle peut servir llaboration
dun arbre de dfaillance. Le Tableau 4 illustre le contenu dune table de vrit pour un systme compos de
deux lments en srie. Sur cet exemple simple, la conclusion vidente est quil suffit davoir un seul des
composants en panne pour perdre la fonction du systme [9].
Tableau 4 : Table de vrit pour deux systmes en srie
6.2.4
Mthodes de larbre de consquences ou arbres dvnements (MACQ14 ou MAE)
Lutilisation de cette mthode remonte aux annes 70 aux tats-Unis pour lvaluation des risques dans les
centrales nuclaires. Cette mthode est drive de la mthode des arbres de dcision (analyse de dcision) et est
principalement utilise dans lindustrie nuclaire [25], [26], [27]. Une squence dvnements est constitue
dun vnement initiateur et dune combinaison de dfaillances et fonctionnements de systmes de sret. Elle
est qualifie dinacceptable ou dacceptable suivant les consquences quelle engendre [9]. La Figure 18
reprsente un arbre dvnements que lon parcourt de gauche droite et en retenant la branche suprieure si le
systme est dans un tat oprationnel quand il est sollicit.
14
Mthode de l'arbre des consquences
Pascal Vrignat
31/ 67
Figure 18 : Exemple dun arbre dvnements

La mthode MACQ permet didentifier ces squences et ensuite de les tudier quantitativement et
qualitativement. Il faut dabord dfinir les fonctions de sret du systme et les vnements initiateurs
(utilisation dun arbre des causes standard ). Deux approches sont possibles, soit dductive, soit inductive.
Lapproche dductive commence par la construction dun arbre des consquences fonctions partir
dun vnement initiateur. Il se dveloppe en envisageant chaque tape le succs ou lchec de la fonction de
sret considre. Ensuite, larbre est rduit : certaines squences sont supprimes en raison de leur incohrence.
Larbre des consquences systmes est dduit en remplaant dans larbre prcdent les fonctions par les
systmes de sret correspondants. Souvent, il faut revoir lordre des vnements gnriques en raison des
interactions entre fonctions de sret, cela permettant galement de simplifier larbre. La mis e en ordre est
guide par les aspects temporels, les interactions fonctionnelles et les interactions entre systmes lmentaires.
Une simplification laide de lalgbre boolen est galement possible.
Lapproche inductive est base sur la mthode MCPR 15 qui permet llaboration des pannes rsumes
globales. Celles-ci permettent la slection des vnements initiateurs et ensuite llaboration des arbres des
consquences. La simplification des arbres des consquences est ralise sur les mmes critres et laide des
mmes mthodes que dans lapproche dductive. Cette mthode vient complter lAMDE. Elle ne permet
gnralement dtudier que les simples dfaillances, par ltude de combinaisons de ces dfaillances [28]. En
revanche, sa possible lourdeur invite ne lemployer qu bon escient, selon [29]. En synthse, la Figure 19 fait
ressortir les relations et complmentarits entre ce mthodes [30].
15
La Mthode des Combinaisons de Pannes Rsumes
Pascal Vrignat
32/ 67
Figure 19 : Schma rcapitulatif des principales mthodes pour la sret de fonctionnement des systmes
industriels
6.2.5
Mthode du diagramme causes-consquences (MDCC)
Dveloppe dans les annes 70 par le laboratoire national Ris0 au Danemark, la mthode du diagramme
causes -consquences (cause-consequence diagram method) est une combinaison des mthodes MAC et MACQ
[9]. Elle met en oeuvre la fois les logiques inductives de larbre des consquences (AC) et dductives de larbre
des causes des dfaillances (AdD). Donc, un diagramme causes -consquences (DCC) est constitu dun ou
plusieurs sommets comme un AdD conduisant des consquences indsirables, redoutes ou inacceptables, et
dune partie consquences qui correspond aux consquences des vnements sommets. Comme pour les
AdD, des symboles spcifiques sont utiliss pour la construction des DCC, la partie cause conservant les
conventions des AdD. Les symboles spcifiques aux DCC sont donns sur le Tableau 5 [9]. La construction dun
DCC suit les rgles cumules des AdD et AC, et seffectue en slectionnant un vnement initiateur, puis en
cherchant les causes (AdD) et les consquences (AC) de cet vnement. Ensuite, ltablissement des coupes,
puis des coupes minimales permettent dobtenir des rsultats quantitatifs.
Tableau 5 :Exemples de symboles utiliss pour les diagrammes causes-consquences

En synthse, la Figure 19 fait ressortir les relations et complmentarits entre ces mthodes.
Pascal Vrignat
33/ 67
6.2.6
Mthode de lespace des tats (MEE)
Cette approche est assez ancienne (annes 50) et sest dabord dveloppe pour ltude des processus
stochastiques; du type markovien . On considre le systme comme un ensemble de composants pouvant se
trouver dans un nombre fini dtats de fonctionnement ou de panne (il est possible dadmettre des tats dits
dgrads ). On dispose donc dun ensemble dtats de composants qui, combins, permettent de dfinir
lensemble des tats du systme. Cet ensemble est divis en deux sous-ensembles des tats de fonctionnement et
de panne, devant tre dfinis pralablement. Dans le cas de n composants binaires , on obtient un nombre
maximal de 2n tats. Ensuite, il faut recenser toutes les transitions possibles entre les diffrents tats du
systme en identifiant leurs causes.
Un support graphique appel graphe des tats permet de visualiser les tats, les transitions et leurs
caractristiques (taux de dfaillance, de remise en service ou de rparation...). Il consiste relier des tats
(reprsents par des cercles) par des arcs orients (transitions dtats de dpart vers des tats darrive) avec des
paramtres (taux de dfaillance) et (taux de rparation) spcifis (caractristiques des transitions) comme le
reprsente la Figure 20.
Figure 20 : Modle markovien

Les mthodes de rsolution bases sur ces graphes permettent une tude dynamique du systme (volution
dans le temps). Nanmoins, comme lvoque M. Bouissou [32], les graphes de Markov, qui sont pourtant les
plus simples des modles comportementaux, sont bien plus difficiles construire et exploiter que les modles
structurels (ou statiques) comme les arbres de dfaillances, qui font l'hypothse de l'indpendance des diffrents
processus lmentaires de panne et de rparation au niveau de chaque composant.
On est en effet confront de difficiles problmes de :
modlisation si l'on utilise un formalisme de description trop pauvre, tel que les diagrammes de
fiabilit plus ou moins enrichis proposs par un grand nombre d'outils du commerce,
validation des modles produits si l'on utilise un formalisme plus gnral, mais peu lisible tel que les
rseaux de Petri,
calcul, car on a trs vite fait, quel que soit le modle utilis, datteindre les quelques millions dtats
pour des systmes complexes qui sont la limite actuelle de la plupart des logiciels.
6.2.6.1
Processus markoviens, systmes markoviens homognes
On considre souvent les processus markoviens pour tudier lvolution des systmes dans le temps. Un
systme est dit markovien si la probabilit conditionnelle de transition dun tat prsent vers un tat
suivant est indpendante du pass du systme. On parlera aussi de chanes de Markov si le processus est
discret (temps valeurs entires). Remarquons que, sous certaines conditions, un processus markovien peut
tendre vers un rgime stationnaire (notion de disponibilit asymptotique). Si les transitions entre les tats se
caractrisent par des taux constants (indpendants du temps : densit de probabilit de type
exponentielle), le processus est dit markovien homogne [9].
Ltude dun tel systme ncessite la rsolution dun systme dquations diffrentielles linaires couples
du premier ordre et coefficients constants. De nombreuses mthodes analytiques et numriques permettent de
rsoudre ce type dquations (transformation de Laplace, exponentiation de matrices, intgrations numriques,
calculs de valeurs propres...) et dobtenir fiabilit, disponibilit et maintenabilit en fonction du temps. De
surcrot, des grandeurs moyennes (MTTF, MTTR, MUT, MDT, MTBF) et la disponibilit asymptotique A , si
le processus est rgime permanent, peuvent tre facilement obtenues par inversion dun systme dquations
linaires :
Pascal Vrignat
34/ 67
dA(t )
= A(t ) + (1 A(t ))
dt
(15)
Le rgime permanent sobtient en annulant la drive :
A =
(16)
La Figure 9 fournit les solutions de lquation pour diffrentes valeurs initiales.

S. Bloch-Mercier [31] prsente les instants de fin de maintenance comme des instants de renouvellement
markoviens pour lesquels il est possible de calculer lindisponibilit asymptotique en reprenant les principes
voqus dans ce paragraphe.
La Figure 21 reprsente le cas dun modle de Markov montrant que A et B sont rparables. B sera rparable
seulement si A est tomb en panne [16].
Figure 21 : Schma de Markov pour un systme comprenant deux lments A et B

Le rsultat de cette construction donne la matrice suivante (P1(AB), P2(AB), P3(A B), P4(A B)) :
(17)
C. Meier-Himer [34] propose une approche dans lestimation des paramtres des lois de dure de vie des pices
catnaires en utilisant une mthode statistique base sur les chanes de Markov et les processus markoviens de
sauts. Cette approche permet ainsi dtudier la fiabilit de ces pices.
6.2.6.2
Processus semi- markoviens
Un processus semi -markovien est tel que la probabilit de transition dun tat vers un autre ne dpend que
du temps coul depuis larrive dans cet tat. Ce type de processus conduit un systme dquations couples
qui peut tre rsolu analytiquement [9]. M.A. Boyd [35] expose largement dans cette note dapplication cette
mthode. J. Lonchampt [36] propose un modle mathmatique de quantification des risques dun programme de
maintenance prventive pour un composant rparable. Le modle mathmatique dcrit est fond sur lutilisation
de graphes semi-markoviens, le risque tant reprsent par les moments des distributions des consquences sur
des enjeux additifs (cots, indisponibilit). Le modle mathmatique est mis en oeuvre sur un cas de recherche
de programme de maintenance optimal.
Pascal Vrignat
35/ 67
6.2.6.3
Rseaux de Petri Stochastiques
La dfinition d'un processus stochastique ncessite dans un premier temps d'expliciter l'espace d'tats E du
phnomne, cet espace d'tats devant tre si possible minimum, cest dire. dans le cas discret, tel que pour tout
i E la probabilit pour le systme modlis d'tre dans cet tat soit non nulle. Un rseau de Ptri stochastique
est un rseau de Ptri dans lequel est associ chaque transition, une variable alatoire valeurs relles
positives. Ces variables modlis ent alors une dure alatoire de sensibilisation. Une transition t de dure de
sensibilisation constante correspond alors une variable alatoire de loi, la mesure de Dirac au point .
Lorsque =0, la transition sera appele immdiate, elle sera tire en priorit sur les transitions pouvant tre
temporises [37]. Dautres lois de probabilit (Exponentielle, Weibull, Uniforme,...) rgissent les dlais
alatoires de franchissement des transitions [38]. En gnral, la probabilisation des franchissements de
transitions est obtenue laide des RdP temporiss, [39]et [40]. Dans les RdP temporiss, une dure de
franchissement est associe chaque transition, ce qui reprsente le temps dattente entre linstant dautorisation
et le franchissement de la transition. Dans les RdP stochastiques (SPN 16 ) ce temps dattente est une variable
alatoire. Dans le cas le plus simple, on suppose que la variable alatoire associe une transition t est distribue
selon une loi exponentielle avec le paramtre at = 1/(temps dattente moyen) [41].
La Figure 22 prsente un exemple d'un rseau stochastique, qui modlise n quipements pouvant tomber en
panne suivant une loi exponentielle de paramtre et tre rpars suivant une loi exponentielle de paramtre .
Figure 22 : RdP stochastique

Une variable alatoire de loi exponentielle de paramtre x nombre de jetons dans P1 (resp. de paramtre
x M(P2)) est associe la transition t1 (resp. t2). Il est ncessaire, dans certains cas, d'affecter une distribution
discrte de probabilit sur un sous-ensemble de transitions. Ceci s'avrera utile, dans la modlisation du choix
alatoire d'un tat parmi plusieurs, aprs l'arrive d'un certain vnement (cf Figure 23). La probabilit de
1 [37].
russite du dmarrage est gale
1 + 2
16
Stochastic Petri Nets
Pascal Vrignat
36/ 67
Figure 23 : RdP modlisant une procdure de dmarrage dun groupe lectrogne suite un panne
secteur
A. Aghasaryan [41] apporte une attention particulire lextension des SPN ; la plus utilise tant les rseaux
de Ptri stochastiques gnraliss (GSPN17 ), [42] [40]. Les GSPN sont obtenus en dfinissant deux classes de
transitions :
les transitions immdiates,
les transition temporises.
Ces dernires ont la mme signification que dans les SPN standard. Les transitions immdiates, par contre,
ont une dure de franchissement nulle, et elles ont donc une priorit de tir suprieure par rapport aux transitions
temporises (si les deux types de transitions sont autoriss dans le mme marquage, alors naturellement ce sont
les transitions immdiates qui tirent dabord18 ). Les marquages o seules des transitions temporises sont
autorises sont appels tangibles. Les autres (o au-moins une transition immdiate est franchissable) sont les
marquages transitoires. Les marquages tangibles reprsentent des tats o le systme reste pendant une dure
non nulle. Par contre, dans les marquages transitoires, les changements logiques se produisent sans temps
dattente [41].
6.2.7
Avantages, inconvnients, utilisation courante des diffrentes mthodes
Le Erreur ! Source du renvoi introuvable. propose un ensemble synthtique des diffrentes mthodes
prsentes.
17
Generalized Stochastic Petri Nets

Dans le cas le plus gnral, les transitions immdiates peuvent leur tour appartenir diffrents niveaux de priorit, mais cela nest pas
considr ici.
18
Pascal Vrignat
37/ 67
Pascal Vrignat
38/ 67
Tableau 6 : Avantages, inconvnients, utilisation courante des diffrentes mthodes.
Pascal Vrignat
39/ 67
CHAPITRE 3
7 Etude de cas : maintenance dune peseuse volumtrique de

pte pour HARRYS / France / Montierchaume
Dans ce chapitre, nous proposons des lments pour rpondre aux besoins de modlisation dun systme ou
sous-systme dans le cadre dactivits de maintenance. Dans un premier temps, nous allons prsenter le soussystme dans son contexte et les activits de maintenance qui sy greffent. Nous nous intresserons ensuite la
partie modlisation de ce sous-systme . Nous expliciterons quelle a t notre dmarche dans ce travail.
Enfin, nous prsenterons nos rsultats mettant en vidence notre dmarche danalyse et la mthode utilise pour
y rpondre.
7.1 Environnement de travail

7.1.1
Un peu dhistoire
Harrys est une socit ne en France, dune double histoire : un boulanger de Chteauroux, qui a su
importer et valoriser le savoir-faire amricain en matire de fabrication de pain de mie, et un boulanger de
Talmont, qui a dvelopp une gamme de spcialits de viennoiseries inspires de recettes de brioches
vendennes. De ce lignage, Harrys France a hrit des deux principes fondateurs de son activit : qualit et
innovation. Au lendemain de la Libration, un certain Paul Picard, fils de boulanger Chteauroux, fait la
connaissance des Amricains de la base de lOTAN, ce qui incite le boulanger franais effectuer un premier
voyage aux tats-Unis. Quelques annes plus tard, Paul Picard dcide d'importer le savoir-faire des boulangers
d'Outre-Atlantique pour fabriquer du pain de mie.
7.1.2
Des implantations spcifiques dans le monde
Harry's dtient une place unique sur le march de la boulangerie de marque courte dure de vie. A partir de
sa position en France, le Groupe s'est dvelopp en Europe et est aujourd'hui prsent en Belgique, Espagne,
Russie et en Turquie, des travers de crations, des reprises et joint ventures19 . L'association avec Barilla, qui a
fait lacquisition du Groupe Harry's en 2003, a permis de constituer le premier groupe europen de boulangerie
pr-emballe.
Avec un effectif de 3 200 salaris, le Groupe Harry's a ralis un chiffre d'affaires de plus de 640 millions
deuros en 2006.
Au niveau europen, Harrys est, avec le Groupe Barilla, le seul acteur de son domaine d'activit possder un
savoir-faire industriel et marketing sur les trois catgories de produits que sont le pain, la viennoiserie et la
ptisserie. Les 3 grandes marques commercialises par le Groupe Harrys sont : Harry's en France, en Russie et
en Belgique, La Bella Easo en Espagne et Dan Cake en Turquie.
19
Joint venture : ce terme est habituellement associe aux fonctionnements des grandes affaires rattach aux multinationales.
Pascal Vrignat
40/ 67
7.1.3
Rpartition du chiffre daffaire et activits produits
Figure 24 : Rpartition du chiffre daffaire du

groupe Harrys
7.2 Organisation de la production, du processus et de la maintenance au sein de

la structure Harrys Montierchaume
Lusine fonctionne toute lanne sans interruption en quipes organises en 3x8. Pour chaque quipe
rattache la production, il y a 20 agents de maintenance encadrs par un responsable global. A lissu dune
intervention de maintenance (prventive ou non), chaque agent consigne le dtail de ses actes sur une base de
donnes centralise et gre par Access20 (pour exemple, voir Tableau 7). Dans le cas de la peseuse
volumtrique (repre : M2), il ny a pas de variation du temps douverture sur lanne (144 heures par
semaine sur lanne) et aucun taux de vieillissement nest appliqu. La Figure 25 dcrit lorganisation du
processus.
Tableau 7 : Suivi dactivit maintenance Harrys Malterie - Montierchaume

20
Microsoft Access ou MS Access (officiellement Microsoft Office Access) est un systme de gestion de base de donnes relationnelles
dit par Microsoft
Pascal Vrignat
41/ 67
Figure 25 : Organisation du processus (principe)

Cet ensemble sinscrit dans le cadre des processus dit continu . Larrt dun sous-systme engendre larrt
total de production en amont de celui-ci. Une maintenance prventive est donc indispensable ! Le principe de
fonctionnement de la peseuse volumtrique peut sassimiler au fonctionnement dune seringue que lon
remplierait par un effet de dpression.
A partir des donnes dont nous disposions, nous avons travaill dans un premier temps synthtiser le bilan
des observations codifies sur lanne 2005 entre le 3 janvier 2005 et le 8 novembre 2005 soit au total 475
relevs relats chronologiquement dans le Tableau 7. Le Tableau 8 prsente diffrents totaux et pourcentages
ainsi que le choix de codification (effectu la main) des diffrentes occurrences dobservations.
Pascal Vrignat
42/ 67
Tableau 8 : Rcapitulatif des observations
Pascal Vrignat
43/ 67
7.3 Modlisation de ce sous-systme

7.3.1
Introduction aux chanes de Markov caches
Le philosophe Dennett [47] parle dun point de vue dinterprtation qui permet de comprendre les
phnomnes qui sont rgis par un mcanisme : le point de vue du plan (design stance), dont lide est quun
objet se comporte en gnral de la manire dont il est construit pour se comporter , cest--dire selon son
plan. Daprs Dennett, de ce point de vue presque tout le monde peut prdire le moment o un rveil-matin va
sonner simplement en observant son tat extrieur. Si lon veut faire des prdictions plus prcises et plus
dtailles au niveau du plan, il faut descendre un degr de description de son plan qui soit moins abstrait ; par
exemple, au niveau o lon dcrit les engrenages, mais o leur composition matrielle nest pas spcifie :
autrement dit parce quon sait comment fonctionne thoriquement le rveil, on a besoin uniquement daccder
son tat extrieur pour prdire son comportement.
Les chanes de Markov Caches (Hidden Markov Models ou HMM ou CMC) modlisent des phnomnes
alatoires dont on suppose quils sont composs un premier niveau dun processus alatoire de transition entre
des tats inobservables (les tats cachs) et, un second niveau, dun autre processus alatoire qui, dans chaque
tat, engendre des valeurs observables (appeles observations). On retrouve donc dans ce formalisme une
application de lide nonce par Dennett de deux niveaux : ltat extrieur (les observations) et un degr de
description plus dtaill que lon a pas besoin dobserver parce quon connat son fonctionnement thorique (on
possde un modle thorique de ses tats cachs). Larticulation de ces deux niveaux confre aux modles de
type HMM une grande flexibilit et ces mo dles bass sur des transitions entre tats sont bien adapts pour
rendre compte de processus organiss dans le temps. De plus, les modles de Markov cachs permettent un
alignement lastique entre un nombre quelconque dobservations temporelles et un ensemble dtats dfinis a
priori. Ces caractristiques en font des outils appropris comme le montrent les travaux en reconnaissance de la
parole [48], [49], [50] et comme cela a t dmontr dans diffrents domaines :
biosciences [51], [52], [53],
climatologie [54], [55],
reconnaissance de lcriture [56], [57], [58],
vrification de lidentit (base sur lcriture) [59], [60],
mdecine (aide au diagnostic) [61], [62],
...
7.3.2
Dfinitions des lments dune chane de Markov cache
Une chane de Markov cache ? dcrit un systme qui chaque instant se trouve dans un des N tats dun
ensemble {S1, S2,, SN} : il sagit donc dun automate probabiliste d'tats finis constitu de N tats (Figure
26). Les flches reprsentent les transitions possibles entre tats.
Exemple : Soit le modle = (A,B, ) comprenant trois tats S1,S2,S3 et permettant dobserver deux
0,6
0 ,3 0 ,5 0,2
1 0

symboles a et b. A = 0
0,3 0,7 , B = 0,5 0, 5 , = 0,4
0
0
0 1
0
1
Figure 26 : Exemple d'automate probabiliste d'tats finis (compos ici de 3 tats).
Pascal Vrignat
44/ 67
Un processus alatoire gre la transition dtat tat, mais ltat du systme nest pas observable (il est
cach ), on ne voit que les missions de ces tats : les observations. Autrement dit, au temps t le systme est
dans ltat q t (invisible) et met lobservation Ot (visible).
Ces observations Ot peuvent prendre leurs valeurs dans un ensemble fini de valeurs discrtes ou de
symboles, ou dans un ensemble continu et infini. Dans notre situation, nous sommes en prsence dun
ensemble de valeurs discrtes dcrites par des symboles.
A chaque instant t, le systme va donc effectuer des tirages alatoires deux niveaux : le premier
dtermine la transition depuis ltat qt-1 vers ltat qt , le second dtermine lobservation tire dans ltat q t . On
peut donc dfinir :
? = (A, B, p) le modle CMC,

S = {S1 , , SN } l'ensemble des N tats possibles de la chane,
A = {aij } la matrice des probabilits de transitions entre les tats Si et Sj :
aij = P (qt = S j qt 1 = Si )
(18)
p = {p i} le vecteur des probabilits initiales,

pi=P(q1 =Si), 1=i=N
(19)
Le vecteur p caractrise les probabilits de transitions depuis un tat dentre virtuel o se trouve le
systme en t = 0. On peut galement considrer un N+1me tat, ou tat de sortie 21 , auquel cas A contiendra aussi
les probabilits aiN+1 .
O = {O1 ,,OT } le vecteur de T observations mises.
Dans le cas discret :
7.3.3
V = {vk }, k [1..nv ] lensemble des nv symboles observables,

B = {bj(k)} lensemble des probabilits dmissions des symboles v k dans ltat
Sj : b j ( k ) = P(Ot = vk / qt = S j ) .
Emploi gnral
Une CMC est dfinie par un triplet de matrices not ? = (A, B, p) qui suppose la connaissance de N (nombre
dtats cachs) et de M (symboles observables). Plusieurs types de problmes sont rencontrs lors de leur
utilisation (L. Rabiner [48]). Pour valuer une CMC ? partir dune observation O, on recherche avec quelle
probabilit la CMC ? engendre lobservation O, cest dire P(O|?). Ce problme est rsolu par exemple grce
aux algorithmes Forward ou Backward.
Lapprentissage permet la dtermination des coefficients des trois matrices de la CMC ? qui, pour une
observation O, maximisent P(O|?). Cela est ralis grce lalgorithme de Baum-Welch (L.E. Baum [63]).
Lalgorithme de Baum-Welch est ladaptation aux CMC de lalgorithme EM 22 . Il sagit dun algorithme de
gradient. Afin de surmonter cette limitation de lapprentissage, lalgorithme GHOSP23 qui rsulte de
lhybridation dun algorithme gntique (AG) et de lalgorithme de Baum-Welch comme tape doptimisation a
t dvelopp (T. Brouard [67]). Il permet de dterminer de manire automatique le nombre dtats et la
structure de ?.
Le troisime type de problme concerne la recherche du meilleur chemin pour la squence dobservations O
au sein des tats du modle ? = (A, B, p). Cet algorithme permet didentifier, partir dune squence
21
Un tat de sortie est un tat virtuel de la chane auquel aucune observation nest assortie. Cet tat peut savrer ncessaire une bonne
utilisation du modle HMM dans certains cas particulier
22
Expectation Maximization
23
Genetic Hybrid Optimization and Search of Parameters
Pascal Vrignat
45/ 67
dobservations, le chemin le plus vraisemblable, c'est--dire la squence dtats la plus probable pour produire
cette squence dobservations. Pour cela, nous faisons appel lalgorithme de Viterbi (A.J. Viterbi [69]).
7.3.4
Apprentissage du modle dans le cas des observatio ns lies la peseuse

volumtrique
Dans notre cas, nous avons effectu un codage des diffrentes observations dcrivant des moments o
les actions de maintenance rattaches ce sous-systme peuvent aboutir un arrt ou non de celui-ci (voir
Tableau 8). Lensemble des observations a t cod suivant le Tableau 9 .
Dans notre tude, nous pourrions presque parler doccurrence dobservations . Le nombre total
des observations sur la squence ( priode entre le 3 janvier 2005 et le 8 novembre 2005 inclus) est de 475.
La base de temps choisie est la journe.
Tableau 9 : Principe de codage de la squence dobservations avec ses insertions de codage (10) ntant
pas prsent dans le tableau initial Tableau 7
La phase d'apprentissage va donc dterminer les diffrents lments de la CMC (nombre d'tats,
probabilits de transition inter-tats, probabilits de gnration des symboles) qui maximisent la probabilit
que la CMC gnre les squences de valeurs apprises. Gnralement on considre au dbut de
l'apprentissage que la connectivit de la chane est totale, cest dire quaucune probabilit de transition
n'est nulle. C'est alors l'algorithme d'apprentissage employ de faire voluer cette connectivit. Mais il
peut arriver que l'on impose cette connectivit afin de respecter des contraintes du domaine tudi. Ce sera
le cas, dans les rsultats prsents pour la modlisation du sous-systme par chane de Markov cache
topologie force. La connectivit est suppose totale afin d'offrir l'espace de recherche le plus vaste possible
l'algorithme d'optimisation. De nombreux algorithmes d'apprentissage de CMC existent. Ils sont bass,
gnralement, sur des descentes de gradient tel que l'algorithme de Baum-Welch [63]. Deux problmes
majeurs se posent lors de leur utilisation. Il s'agit d'une part d'viter les minimums locaux de la fonction
d'valuation des CMC et d'autre part de dterminer le bon nombre d'tats cachs des chanes susceptibles de
mieux apprendre les donnes.
Les rsultats prsents dans ce rapport concerneront uniquement le nombre dtats cachs ayant
rpondu correctement aux attentes souhaites.
Lalgorithme utilis est en annexe [Algorithme de Baum-Welch [68]]
A la suite, nous utiliserons lalgorithme de Viterbi, celui-ci jouant un rle fondamental en modlisation
stochastique. Cet algorithme de Viterbi permettra de retrouver la squence la plus vraisemblable a posteriori,
conditionnellement aux observations prleves sur notre sous-systme.
Lalgorithme utilis est en annexe [Algorithme de Viterbi [68]]
7.3.4.1
Tests et rsultats
La Figure 27 re-prcise quelle a t la dmarche dans notre protocole de travail pour rpondre la question
suivante :
Peut-on modliser ce sous-systme partir dobservations ? La configuration allant de ltat S1 (cas le
plus dfavorable car le systme est arrt) ltat S4 (cas le plus favorable le systme fonctionne seul).
Peut-on disposer dun pseudo-vumtre progressif rpondant nos attentes ?
Pascal Vrignat
46/ 67
Figure 27 : Principe de lestimation du modle

N tats cachs (pour nous : 4, de S1 S4) et M symboles (pour nous : 10, conformment au Tableau 8)
La matrice A de dimension NxN contient les probabilits de transitions entre les tats cachs.
La matrice B de dimension NxM contient les probabilits dmissions des symboles en fonctions de ltat
cach.
La matrice de dimension Nx1 contient les probabilits de commencer une squence partir dun tat
donn.
Premier essai : Pour cet apprentissage, aucune contrainte de topologie nest impose. Lalgorithme de
Baum-Welch dbute lestimation des paramtres partir de matrices de probabilits tires alatoirement.
Lalgorithme ajuste ensuite les paramtres afin de maximiser la probabilit P(O|?). Le rsultat obtenu est
donn en Figure 28.
Le rsultat concernant lestimation des paramtres par lalgorithme de Baum-Welch est :
M= 10
N= 4
A:
0.746836
0.388131
0.158353
0.019334
B:
0.707474
0.096739
0.004722
0.002651
:
0.999749
0.002768
0.576354
0.197167
0.115782
0.045816
0.001485
0.640700
0.050878
0.207580
0.037031
0.006781
0.817007
0.119851
0.041389
0.001297
0.001305
0.025625
0.001101
0.001074
0.011656
0.081083
0.001479
0.002523
0.042932
0.001247
0.001003
0.001001
0.001511
0.002614
0.654622
0.017400
0.002720
0.027164
0.202553
0.187650
0.001870
0.001170
0.001495
0.082317
0.001135
0.001000
0.064481
0.001031
0.001792
0.374906
0.074395
0.008074
0.065938
0.461437
0.001837
0.653984
Figure 28 : Rsultat de la modlisation du sous-systme par chane de Markov cache connectivit totale
Pascal Vrignat
47/ 67
Deuxime essai (contraindre la topologie) : Cet essai nous a conduit pr-disposer le modle pour quil
rponde aux exigences que nous nous tions fixes (voir Figure 29), cest--dire :
pouvoir disposer dun modle dont le passage entre tats serait progressif. Par exemple, lorsque le
systme commence se dgrader, il passe de S4 S3 ,
pouvoir disposer dun pseudo-vumtre progressif allant de S4 S1 en passant pour S3 et S2
conformment au respect de la lgende Figure 28.
Figure 29 : Rsultat de la modlisation du sous-systme par chane de Markov cache topologie force
Nous avons par la suite appliqu lalgorithme de Viterbi (voir Figure 30) aux observations disponibles
pour le 1er semestre 2006 (voir Tableau 10, Tableau 11 et Tableau 12) et le 1er trimestre 2007 (voir Tableau 13 et
Tableau 14). Ces observations ayant t au pralable codes par des symboles de 1 10 suivant les dsignations
fournies (voir Tableau 8). La Figure 31 prcise comment interprter les rsultats dans les tableaux qui suivent.
Figure 30 : Estimation des tats du systme par lalgorithme de Viterbi (CMC 4 tats)
Figure 31 : Comment interprter les rsultats dans les tableaux qui suivent ?
Pascal Vrignat
48/ 67
Tableau 10 : Comparaison des rsultats entre le modle Figure 28 et le modle Figure 29 pour le 1 er
semestre 2006
Pascal Vrignat
49/ 67
semestre 2006 (suite)
Pascal Vrignat
50/ 67
semestre 2006 (fin)
Pascal Vrignat
51/ 67
trimestre 2007
Pascal Vrignat
52/ 67
trimestre 2007 (fin)
7.3.4.2
Commentaires sur les rsultats : Tableau 10, Tableau 11, Tableau 12, Tableau 13
et Tableau 14
Les rsultats du Tableau 15 issus des estimations des tats du systme du Tableau 10 montrent clairement
la diffrence entre le modle connectivit totale et le modle topologie force que nous souhaitions
prconiser.
En effet, dans le cas du modle topologie force, nous avons bien cette notion destimation progressive
sur ltat du systme que nous avions au pralable voque comme un pseudo-vumtre progressif . La
premire alerte / verte (tat S3) arrive dans ce modle au numro 9 des observations, puis une seconde
alerte / orange (tat S2) de niveau suprieur arrive au numro 11 des observations avant de confirmer larrt
du systme (tat S1). Cet arrt signifie quune intervention de dpannage (code symbolique : DEP) mener par
un agent de maintenance est obligatoire ! Cela montre galement que lon peut mettre en place des actions et/ou
des moyens matriels et humains partir de ltat S2 pour tenter de revenir soit dans ltat S3, soit dans ltat S4.
Nanmoins, les deux modles ne se trompent pas dans les deux topologies (Tableau 15). Ils apportent bien tous
les deux une confirmation de larrt du systme lorsquil est effectivement bien arrt (codes symboliques du
Tableau 8).
Pascal Vrignat
53/ 67
Tableau 15 : Rsultats significatifs tirs du Tableau 10

Nous constatons galement que le taux derreur pour ltat S1 est plus important dans le cas dune
estimation des tats du systme avec une CMC connectivit totale (voir Tableau 16).
Tableau 16 : Taux derreur de lestimation de ltat S1 pour la totalit des observations sur 2006 et 2007
Pascal Vrignat
54/ 67
CHAPITRE 4
8 Discussion et perspectives
Le problme des donnes insuffisantes :
Il a t dmontr dans [64] que les paramtres de la CMC convergent vers les vraies valeurs quand le
nombre d'observations tend vers l'infini. Dans la ralit, le nombre d'observations pour l'apprentissage est
ncessairement fini. Par consquent, cette diffrence entrane une perte d'information, et certains vnements trs
peu probables risquent de ne pas tre inclus dans le corpus d'apprentissage. La convergence vers les "vraies"
valeurs n'est pas atteinte, et la CMC risque par la suite de rencontrer des transitions qui n'ayant jamais t
rencontres ont t oublies .
Dtermination a priori de l'architecture de la CMC :
Le choix du nombre d'tats d'une CMC pose toujours un srieux problme, tant donn qu'il n'existe pas de
mthode thorique pour le rsoudre. De plus, les tats ne sont pas ncessairement lis un phnomne physique
observable. En gnral deux approches sont suivies :
on effectue des tests avec diffrents nombres d'tats, afin de slectionner une valeur
optimale ,
on donne la CMC une explication physique, et on trouve un nombre d'tats d'aprs des
connaissances a priori du domaine.
Dans notre tude, la dtermination du nombre dtats de la CMC a t choisie en fonction des informations
dont nous disposions dans le tableau des relevs dinterventions. En effet, 4 cas typiques se dgageaient de cette
analyse Tableau 8 :
le systme tait arrt sur intervention de dpannage,
le systme pouvait sarrter ou non parfois en fonction de certaines interventions,
le systme tait sous intervention sans sarrter,
le systme fonctionnait seul.
Nous avons pu confirmer le bon choix de cette dmarche par des rsultats de simulations pour 3 et 5 tats
totalement incorrects (voir annexe : Tableau 17).
Des travaux de M.J. Russel [65] prconisant d'essayer diffrentes architectures et d'en dduire l'architecture
la mieux adapte nont pas t tests dans notre tude. Il en est de mme, pour les travaux de Ponting [66]
proposant un critre statistique pour dterminer automatiquement le nombre d'tats optimal d'une CMC d'aprs
un corpus d'apprentissage.
Dtermination des estimations initiales :
Nous avons vu que la solution donne par l'algorithme de Baum-Welch est fortement dpendante dun
tirage alatoire (dans lapplication logicielle utilise [68]) de valeurs au lancement de lapplication informatique
utilise. Si le modle initial est mal choisi, l'algorithme de Baum-Welch risque de converger vers un extrema
local. Il n'existe pas de solution thorique ce problme. Dans notre tude, nous avons pu montrer, que sil ny
avait pas une r-estimation du modle initial en forant certaines conditions pour lapprentissage (cas du modle
topologie force), les rsultats attendus notamment pour S1 et S4 ntaient pas en adquation nos attentes
(deuxime essai) pour linterprtation du modle (CMC 4 tats).
Dtermination dalgorithmes d'estimation des paramtres des CMC :
Il existe de nombreux algorithmes diffrents pour estimer les paramtres dune CMC. Ces derniers sont
largement dcrit dans T. Brouard [67] :
Algorithme SEM,
Algorithme ICE,
...
Dans notre tude, nous avons uniquement utilis lalgorithme de Baum-Welch (algorithme le plus
frquemment utilis).
Pascal Vrignat
55/ 67
Nous pouvons constater (voir Tableau 10et Tableau 13) que notre modle prconis est de bonne qualit
car il respecte les contraintes que nous nous tions fix sur le deuxime essai.
Commentaires gnraux :
Les rsultats obtenus nous donnent dj des premires estimations intressantes dtats sur notre systme.
Cependant, il reste optimiser le modle !
Les pistes envis ages sont les suivantes :
-
influence de laspect temporel sur lestimation du modle (ne plus travailler la journe, mais sur des
fractions de journes),
influence sur le choix des squences dobservations (ne plus estimer le modle sur la totalit des
observations dune anne, 2005, mais sur un volume de plusieurs squences dobservations diffrentes
conduisant systmatiquement larrt du systme).
Il reste cependant un travail essentiel mener qui est de prdire quel sera ltat du systme aprs la 124me
observations (par exemple : Tableau 14). Autrement dit, lobjectif trs concret, de Monsieur Herv
LEGAGNEUX (Responsable technique Harrys France S.A.S / MONTIERCHAUME) est davoir un outil lui
permettant de disposer dune prvision sur les priorits dinterventions mener chaque matin sur lensemble des
systmes rattachs la production.
Ce travail en maintenance prdictive devrait tre men ds le mois de septembre 2007 et rejoindra une
thmatique qui est la e-maintenance. Aujourdhui, la e-maintenance est bien plus quun problme dassemblage
de nouvelles technologies car combine avec une nouvelle faon de penser la maintenance. Cest un sujet
rellement trs mergent avec un bouillonnement industriel et scientifique hyper actif aujourdhui.
Pascal Vrignat
56/ 67
9 Conclusion
Cet aperu des travaux engags souligne avant tout la complexit et la richesse de la problmatique
pose. Les travaux effectus dans le cadre de ce stage de recherche mont conduit aborder un problme
complexe, et assimiler une masse de donnes et de connaissances sur le sujet tudi. Jy ai dcouvert un
environnement enrichissant et motivant, pluridisciplinaire et baign dans une dynamique dinnovation continue.
Il nest que le dbut dune exprience qui devrait se poursuivre ds lanne prochaine dans le cadre dune thse
en collaboration avec lUniversit: CADI AYAD / Maroc et lUniversit dOrlans pour un projet dAction
Intgr (COMITE VOLUBILIS Programme des Actions Intgres). Notre objectif est dapporter une expertise
supplmentaire sur les systmes communicants. Les systmes de supervision associs des capteurs
communicants offrent de relles perspectives pour la mise en place de maintenances intelligentes . La gestion
de lhistorique des vnements ouvre des perspectives dapprentissages de situations particulires qui , par
exemple, peuvent conduire des pannes ou des dfauts. De ce fait, partir de mthodes stochastiques (Markov,
) ou dalgorithmes dintelligence artificielle (rseaux de neurones, ), il sera possible dassurer une tlmaintenance prdictive. Une fois les modles tablis, limplmentation dun systme de supervision sera mme
de prvoir les actions de maintenance lorsque ces situations particulires sont sur le point de se reproduire.
Il est souligner, quun article crit sur ce sujet t retenu au colloque CNRIUT en 2007 :
Que peut-on attendre aujourdhui des nouveaux produits dautomation pour la e-maintenance ?
(P. VRIGNAT, M. AVILA, JC BARDET, F. KRATZ / Laboratoire Vision et Robotique).
Il est souligner galement quun dossier dpos dernirement par notre quipe et toujours sur cette thmatique
(Savoir faire en agro -alimentaire : Ptisserie Michel KREMER / Argenton sur Creuse 36200) auprs du
challenge international Xplore 2008 a pass le cap des qualifications nationales et se retrouve aujourdhui en
finale avec vingt nations.
Ce stage a donc t la fois une grande ouverture sur le monde de la recherche et ses insertions avec le
monde professionnel, mais aussi un important prliminaire pour un travail de thse qui sannonce fructueux,
dans une quipe dynamique et soude.
Pascal Vrignat
57/ 67
Bibliographie
[1]
D. Retour, M. Bouche et V. Plauchu, O va la maintenance industrielle, Problmes conomiques ,

No. 2.159, pp. 7-13, 24 Janvier 1990.
[2]
J. McCall, Maintenance Policies for Stochastically Failing Equipment: A Survey, Management

Science, Vol. 11, pp. 493-524, 1965.
[3]
A. Muller, Contribution la maintenance prvisionnelle des systmes de production par la

formalisation dun processus Thse de doctorat, Universit de Nancy I, 2005.
[4]
AFNOR, Guides de lutilisateur : Contrats de maintenance, 2me dition, 1988.
[5]
M. Basseville, and M.O. Cordier, Surveillance et diagnostic de systmes dynamiques : approches

complmentaires du Traitement de Signal et de l'Intelligence Artificielle. , Rapport de Recherche
INRIA 2861, 1996.
[6]
G. Zwingelstein, Diagnostic des dfaillances, thorie et pratique pour les systmes industriels. , Ed.
HERMES,1995.
[7]
Three Mile Island , USNRC Special Inquiry Group, Washington, USA, 1980.
[8]
A System for the Feedback of Experience from Events in Nuclear Installations, IAEA Safety Guide,
Vienne, Austria 2005.
[9]
G. Zwingelstein, Sret de fonctionnement des systmes industriels complexes , Revue ISSN 16323831, 1999.
[10]
F. Monchy, La fonction maintenance : Formation la gestion de la maintenance industrielle ,

Collection technologies de luniversit lindustrie, MASSON, 1991.
[11]
Jautomatise, Techniques de maintenance : vers une disponibilit sans cesse accrue, N 42 - Septembre Octobre 2005
[12]
X. Zwingmann, Modle dvaluation de la fiabililit et de la maintenabilit au stade de la conception

, Thse de doctorat, Universit Louis Pasteur. 2005.
Pascal Vrignat
58/ 67
[13]
E. Lewis, Introduction to Reliability Engineering. , John Wiley & Sons, New York. 1987.
[14]
B. Castanier, Modlisation stochastique et optimisation de la maintenance conditionnelle des systmes

dgradation graduelle , Thse de doctorat, Universit de Technologie de Troyes, 2001.
[15]
OCDE 2006, NEA n6137, Lutilisation du retour dexprience : dfis pour les autorits de sret
nuclaire. ISBN 92-64-01-087-4, 2006.
[16]
B. Guaglio, Fiabilit : Comment rpondre la question le systme, marchera-t-il ?, CERN, juin 2005.
[17]
M. Bouissou, A. Floria, Manuel dutilisation de la base de connaissances BDMP pour KB3 , HT52/03/039/A, EDF-R&D, 2003.
[18]
M. Bouissou, Recherche de squences avec FIGSEQ : Exemples dapplication avec les BDMP, EDF
R&D et CNRS UMR 8050 , 2005.
[19]
Acte Industrie, La Mthode MBF,2004.
[20]
S. Deniaud, N. Zerhouni, A. El Moudni, F. Morel Sur une modlisation de maintenance prventive

lAlstom , International Journal of Mechanical production systems Engineering. Number 2, V-53 V65, Mai 1999.
[21]
K. Matsuyama, Maintaining optimal inventory level by feedbacks , Pages 57-69, Volume 53, Issue 1,
International Journal of Production Economics, 6 Novembre 1997.
[22]
R. Dekker, Applications of maintenance optimization models : a review and analysis , pages 229240, volume 51, Issues 3, Reliability Engeniering and Safety Journal, March 1996.
[23]
J.L. Combeau, Situation et tendances de lvolution de la maintenance chez les donneurs dordres
industriels , Etude ralise en 2002 par lADEPA sous lgide du Ministre de lEconomie, des
Finances et de lIndustrie, avec le concours de lAFNOR, lAFIM et du CNMI. 2002.
[24]
J.C. Francastel, La fonction maintenance. De lexpression la satisfaction du besoin. , AFNOR

Editions. Paris, 1999.
[25]
M. Bouissou, Deux mthodes originales pour calculer les performances dun systme possdant des
tats de fonctionnement dgrad , 12me colloque de fiabilit et maintenabilit, lm12, Montpellier,
mars 2000.
Pascal Vrignat
59/ 67
[26]
C. Bonnet, Approche probabiliste, Approche par barrires , Institut National de l Environnement

Industriel et des Risques, mars 2004.
[27]
Fiches mthodes, Groupe de travail Management Mthodes Outils Standard (M2OS), avril 2006.
[28]
F. Moussa, C. Kolski, M. Riahi, Analyse des dysfonctionnements des systmes complexes en amont
de la conception des IHM, apport, difficults et tudes de cas , Revue d'Interaction Homme Machine
(RIHM), volume 7, n.2, pp. 79-111, 2006.
[29]
A. Villemeur, Reliability, availability, maintainability and safety assessment , (vol.1 & 2). John
Wiley & Sons,1992.
[30]
F. Moussa, C. Kolski, M. Riahi, De la modlisation des dysfonctionnements dun systme complexe

la dduction des besoins informationnels des utilisateurs : une transition difficile en IHM , IHM 2005,
septembre 2005.
[31]
S. Bloch-Mercier, C. Cocozza-Thivent, M. Roussignol, Divers modles stochastiques pour

loptimisation de la maintenance , Journal de la Socit Franaise de Statistique, tome 141, n3, 2000.
[32]
M. Bouissou, S. Muffat, Automatisation de ltude de sret de fonctionnement des sytmes

dynamiques complexes laide de mthodes markoviennes , Convergence'03, Paris, Decembre 2003.
[33]
T. Gaudre, M. Bouissou, P. Chaussis, P. Nonclercq, Application de loutil KB3-IFAST (ARALIA

inside) de gnration automatique dArbres de Dfaillances un systme lectronique embarqu
automobile , 2me Confrence Annuelle dIngnierie Systme, Toulouse, Juin 2001.
[34]
C. Meier-Hirmer, F. Sourget, M. Roussignol, Estimation de la dure de vie des pices catnaires ,

6me Congrs international pluridisciplinaire, Qualit et Sret de Fonctionnement, Qualita 2005, mars
2005.
[35]
M.A. Boyd, What Markov Modeling can do for you : An Introduction , Annual Reability and
Maintainability Symposium, Tutorial notes , 1994.
[36]
J. Lonchampt, Mthode matricielle de quantification des risques associs la maintenance d'un

composant par un modle semi -markovien , 6me Congrs international pluridisciplinaire, Qualit et
Sret de Fonctionnement, Qualita 2005, mars 2005.
[37]
P. Lezaud, Etude des Rseaux de Petri Stochastiques , mmoire de DEA de Mathmatiques

Appliques, Universit Paul Sabatier, Toulouse III, juin 1995.
Pascal Vrignat
60/ 67
[38]
R. Garnier, Une mthode efficace dacclration de la simulation des rseaux de Petri stochastiques ,
Thse de doctorat, Universit de Bordeaux 1, 1998.
[39]
R. David, H. Alla, Petri Nets for Modeling Dynamic systems - A Survey, Automatica, Vol.40,
No.2, pp.175-202, 1994.
[40]
M. Ajmone, G. Balgo, G. Conte, S. Donatelli, G. Franceshinis, Modelling with Generalized Stochastic

Petri Nets , John Willey & Sons Ltd., Series in Parallel Computing, Chichester, England, 1995.
[41]
A. Aghasaryan, Formalisme HMM pour les rseaux de Petri partiellement stochastiques : Apllication
au diagnostic des pannes dans les systmes rpartis , Thse de doctorat, Universit de Rennes 1, 1998.
[42]
M. Ajmone, G. Balgo, G. Conte, A class of Generalized Stochastic Petri Nets for performance
Analysis of Multiprocessor Systems , ACM Transactions on Computer Systems, Vol.2, No.2, pp.93122, may 1984.
[43]
S. Martorell, A. Sanchez and V. Serradell, Age-dependent reliability model considering effects of

maintenance and working conditions , Reliability Engineering and System Safety, 64(1), pp. 19-31,
1999.
[44]
D. Coit and J. English, System Reliability Modeling Considering the Dependence of Component
Environmental Influences , In: 1999 Reliability and Maintainability Symposium (RAMS), pp. 214218,Washington, USA, 1999.
[45]
Finkelstein, Wearing-out of components in a variable environment , Reliability Engineering and

System Safety, 66(3), pp. 235-242, M.S, 1999.
[46]
P. Vlok, J. Coetzee, D. Banjevic, A. Jardine and V. Makis, Optimal component replacement decisions
using vibration monitoring and the proportional-hazards model , Journal of the Operational Research
Society, 53, 193-202, 2003.
[47]
D.C, Dennett, la stratgie de linterprte , (1987), d. nrf essais Gallimard, page 29 1990.
[48]
L. Rabiner, A tutorial on Hidden Markov Model and Selected Applications in Speech Recognition ,
Proceedings of the IEEE vol.77 n2, 1989.
[49]
L. Rabiner, J. Bin-Huang, Fundamentals of Speech Recognition , Prentice Hall, 1993.
Pascal Vrignat
61/ 67
[50]
M. Magimai Doss, Using Auxiliary Sources of Knowledge for Automatic Speech Recognition ,
Thse n 3263, cole Polytechnique Fdrale de Lausanne, 2005.
[51]
W.N. Grundy, T.L. Bailey, M.E. Baker, Meta-MEME :Motif-based Hidden Markov models of protein
families , Computer applications in the biosciences, 13(4), p. 397, Aug 1997.
[52]
H. Mamitsuka, Predicting Peptides ThAT Bind to MHC Molecules Using Supervised Learning of
Hidden Markov Models, Proteins, 33(4), p. 460, 1998.
[53]
S. Schbath, Les chanes de Markov caches : prsentation et usage en analyse de squences

biologiques , Unit Mathmatique, Informatique & Gnome, INRA, 2007.
[54]
J.P. Hugues, P. Guttorp, A hidden Markov model for downscalling synoptic atmospheric patterns to
precipitation amounts , Climate research, 15(1), p. 1, may 2000.
[55]
J.P. Hugues, P. Guttorp, S.P. Charles, A non-homogeneous Hidden Markov Model for precipitation
occurrence , Applied statistics, 48(1), p. 15, 1999.
[56]
A. Belaid, J. Anigbogu, Hidden Markov Models in Text Recognition , International journal of

pattern recognition and, 9(6), dec 1995.
[57]
H. Bunke, M. Roth, E. Schukat-Talamazzini, Off-line cursive handwriting recognition using Hidden

Markov Models , Pattern recognition, 28(9), dec 1995.
[58]
M. Avila, Optimisation de modles Markoviens pour la reconnaissance de lcrit , Thse de doctorat,

Universit de Rouen, 1996.
[59]
A. Schalapbach, H. Bunke, Using HMM-based recognizers for writer identification and verification ,
Proc. 9th Int. Workshop on frontiers in Handwriting Recognition, pp. 167-172, 2004.
[60]
A. Schalapbach, H. Bunke, Off-line handwriting identification using HMM-based recognizers , Proc.

17th Int. Conference on Pattern Recognition, vol. II, pp. 654-658, 2004.
[61]
F.B, Vialatte, Aide au diagnostic danomalies cardiaques , mmoire de DEA de Sciences Cognitives,
Paris VI, 2002.
[62]
B.W, Koes, V.D, Hoogen, Efficacy of bed rest and orthoses of low back pain , A review of
randomized clinicaltrials. Eur. J. Phys. Med. Rehabit. 4: 86-93 (systematic review), 1994.
Pascal Vrignat
62/ 67
[63]
L.E, Baum, J.A Eagon, An inequality with applications to statistical stimation for probabilistic
functions of Markov processes and to a model for ecology , Bull, American Society, vol. 73, pp. 360363, 1967.
[64]
L.E, Baum, T. Petrie, Statistical inference for probabilistic functions of nite state Markov chains ,
Annals of Mathematics & Statistics, vol. 37, pp. 1554-1563 , 1966.
[65]
M.J, Russel, A.E, Cook, Experiments in speecker-dependent isolated digit recognition using hidden
Markov models , Proc. Inst of Acoust., vol. 8-7, pp. 291-298, 1986.
[66]
K.M, Ponting, A statistical approach to the determination of hidden Markov models structure , Proc.
of the 7th FASE Symposium, 1988.
[67]
T. Brouard, Hybidation gntique de Chanes de Markov caches : conception dalgorithmes

dapprentissage et applications, Thse de doctorat , Universit Franois Rabelais, TOURS, 1999.
[68]
K. Tapas, Hidden Markov Models, Center for Automation Research, University of Maryland.
[69]
A.J. Viterbi, Error bounds for convolutional codes and asymptotically optimum decoding algorithm,
IEEE transactions on Information Theo, vol . 13, pp. 260-269, 1967.
www.inria.fr/
www.iec.ch/
http://www.univ-valenciennes.fr/GDR-MACS/
Pascal Vrignat
63/ 67
Rfrences normatives internationales importantes

[1] IEC 60300 Gestion de sret de fonctionnement.
[2] IEC 60605 Essais de fiabilit des quipements.
[3] IEC 60706 Guide de maintenabilit de matriel.
[4] IEC 60812 Procdure danalyse des modes de dfaillance et de leurs effets (AMDE).
[5] IEC 61014 Programmes de croissance de fiabilit.
[6] IEC 61025 Analyse par arbre de panne (AAP).
[7] IEC 61070 Procdures d'essai de conformit pour la disponibilit en rgime tabli.
[8] IEC 61165 Application des techniques de Markov.
Pascal Vrignat
64/ 67
ANNEXES
Algorithme de Baum-Welch [68]

PRECONDITION : CMC , Observation O, matrices stochastiques.
REALISE : CMC
Pascal Vrignat
( )
modifie telle que P O P(O ) .
65/ 67
Algorithme de Viterbi [68]

PRECONDITION : CMC
= ( A, B, ) , Observation O, matrices stochastiques.
REALISE : Chemin dtats
Pascal Vrignat
Q = q1,...qT le plus probable, P(Q O, ) .
66/ 67
Prsentation incomplte des rsultats des estimations des

tats du systme : modle connectivit totale (CMC 3 et
5 tats)
Tableau 17 : Comparaison des rsultats des estimations des tats du systme : modle connectivit totale
(CMC 3 et 5 tats)
Pascal Vrignat
67/ 67

Stage M2R Pascal PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Stage M2R Pascal PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Rapport de stage de Master Recherche M2R

Modlisation des dysfonctionnements dun systme dans le

Stage de Master de recherche M2R.

Table des Matires

Table des figures

Table des Tableaux

catastrophiques. On parle aussi de "scurit

la sret de fonctionnement. On parle aussi de

Densit de rparation : C'est la limite, si elle

Pour viter ces a eu et eu eu , ne pourrait-on

Immaintenabilit : Inaptitude d'une entit tre

temps donn [t1;t2]. Elle est note A (t1, t2).

remettre une entit dans un tat lui permettant

Probabilit de transition : Probabilit de quitter

Taux de dfaillance asymptotique : C'est la

Taux de rparation asymptotique : C'est la limite,

Introduction, contexte de travail et problmatique

Figure 1 : Les trois tapes du diagnostic

Dure max par

Tableau 1 : Exemple de tableau de bord d'objectifs de fabrications

1 Prsentation du laboratoire et des travaux de lquipe

Signal, Image et Vision (SIV) :

Figure 2 : Le contenu de la fonction maintenance

Figure 3 : Le processus de maintenance

contribution lobtention de la performance globale. En ce sens, le processus de Maintien en Conditions

Figure 4 : Les priorits Maintenance long terme des industriels

3 Contenu de la fonction maintenance

Figure 5 : Exemple de politiques de maintenance

Fiabilit, Maintenabilit, Disponibilit, Scurit

4.2 La notion de fiabilit dun systme

Figure 6 : La fonction densit de dure de vie

(u) du = [ ln R(u ) ] = ln( R(t ))

(car R (0) = 1 ln( R( 0)) = 0 R (t ) = exp (u) du )

Tableau 2 : Relations en F(t), R(t), f(t) et (t)

N(t) : nombre de composants ayant survcu jusqu linstant t,

Figure 7 : La courbe en baignoire

Tableau 3 : Associations Causes / Remdes

Figure 8 : Allures caractristiques du taux de panne

4.3 La notion de disponibilit dun systme

Figure 9 : Disponibilit en fonction du temps t

la disponibilit instantane prvisionnelle (dfinie prcdemment),

Les grandeurs moyennes associes la disponibilit les plus courantes sont :

Figure 10 : Reprsentation des MTBF, MDT,MUT et MTTF

La disponibilit asymptotique se dduit du MUT et du MTBF par la relation :

Figure 11 : Dcomposition hirarchique dun processus

5.2 Description fonctionnelle

Figure 12 : Description fonctionnelle dune machine laver la vaisselle

Function Analysis System Technique

5.3 Description matrielle

Figure 13 : Dcomposition matrielle dune machine laver la vaisselle

5.4 Dfaillances, missions et fonctions dun systme et de ses composants

Dfinition de la dfaillance fonctionnelle

Gestion de Maintenance Assiste par Ordinateur

Figure 14 : Cas de figure conduisant tous la dfaillance

Dfinitions : missions et fonctions

quelles sont les exigences oprationnelles et comment lentit sera-t-elle utilise ?

Figure 15 : Phases de la mission de la navette spatiale pour le lancement dun satellite

non-fourniture de vapeur 110 C (temprature suprieure ou infrieure),

6 Approche classique pour la

Les informations ncessaires lanalyse sont :

6.1 Description des mthodes danalyse prvisionnelle

6.2 Etat de lart : mthodes de modlisation dans le cadre dune approche

Mthode de larbre des causes ou de dfaillance (MAC/MAD) , techniques