Ecole Nationale d’Ingénieurs de Monastir

Département de Génie Mécanique

Cours de Maintenance Industrielle

Préparé par :
Mnaouar CHOUCHANE

Niveau : 2ème année Génie Mécanique et Mastère en Génie Mécanique

Année : 2019-20
 Table de matières

Avant-propos ............................................................................................................................. iii

Chapitre I : Rappels mathématiques........................................................................................... 1

Chapitre II : Modélisation de la fiabilité .................................................................................... 3

2.1 Principales définitions ..................................................................................... 3
2.2 La fonction fiabilité ......................................................................................... 3
2.3 Moyenne de temps de bon fonctionnement (MTBF) ...................................... 5
2.4 Le taux de défaillances .................................................................................... 6
2.5 Fiabilité conditionnelle ................................................................................... 7
2.6 La loi exponentielle ......................................................................................... 8
2.7 La loi de Weibull........................................................................................... 12
2.8 La loi normale ............................................................................................... 18
2.9 La loi log-normale ......................................................................................... 19
Chapitre III : Fiabilité des systèmes de composants ................................................................ 21
3.1 Introduction ................................................................................................... 21
3.2 Configuration série ........................................................................................ 21
3.3 Configuration parallèle ................................................................................. 24
3.4 Configuration combinée série-parallèle ........................................................ 26
3.5 Redondance de niveau haut et niveau bas ..................................................... 26
3.6 Redondance k parmi n ................................................................................... 27
Chapitre IV : Modèles physiques de la fiabilité ....................................................................... 28
4.1 Modèles à covariables ................................................................................... 28
4.1.1 Cas d’une loi exponentielle ................................................................. 29
4.1.2 Cas d’une loi de Weibull..................................................................... 31
4.1.3 Modèles position-échelle .................................................................... 32
4.2 Modèles statique ........................................................................................... 32
4.3 Modèles dynamiques..................................................................................... 36
4.3.1 Chargements cycliques ....................................................................... 37
4.3.2 Chargements aléatoires ....................................................................... 38
4.3.3 Chargement aléatoire à contrainte et résistance fixes ......................... 39
4.4 Modèles physiques des défaillances ............................................................. 40
Chapitre V : Modélisation des défaillances des systèmes réparables ...................................... 43

ii
5.1 Processus de renouvellement ........................................................................ 44
5.2 Processus de Poisson Homogène .................................................................. 46
5.3 La fonction de renouvellement ..................................................................... 47
5.4 Processus de réparation minimale ................................................................. 48
5.5 Processus de Poisson Non Homogène .......................................................... 50
5.6 Temps moyens entre deux révisions ............................................................. 52
5.7 Cas de temps de réparation non négligeable ................................................. 53
5.8 Temps de réparation d’un système de composants ....................................... 55
5.9 Amélioration de la fiabilité par la maintenance préventive .......................... 56

iii
 Avant-propos

Ce cours est préparé en se basant essentiellement sur la référence suivante :

Ebeling Ch. E, An Introduction to Reliability and Maintainability Engineering, McGraw-Hill,

1997.

Une grande partie de ce fascicule de cours est adoptée de ce livre. Plusieurs exercices et figures
sont aussi tirés de ce livre.

iv
 Chapitre I : Rappels Mathématiques

Variable aléatoire
On appelle variable aléatoire T une variable telle qu’à chaque valeur t de T , on associe une
probabilité F (t ) .
Une variable aléatoire peut être :
- continue : par exemple, l’intervalle de temps entre deux défaillances consécutives T ;
- discrète : par exemple, le nombre N de défaillances d’un composant dans un intervalle
de temps.

Loi de probabilité
Une loi de probabilité relative à une variable aléatoire continue T est caractérisée par
- sa fonction de distribution ou densité de probabilité f (t ) ;

- sa fonction de répartition ou probabilité cumulée F (t ) = Pr T  t

F (t ) = Pr T  t : est la probabilité que la variable aléatoire T soit inférieure ou égale à t .

La densité de probabilité f (t ) est reliée à la fonction de répartition ou la probabilité cumulée

F (t ) par la relation suivante :

d F (t ) F (t + t ) − F (t ) Pr t  T  t + t
f (t ) = = lim = lim
dt t t
t → 0 t → 0

Propriétés d’une fonction de probabilité cumulée

- F (t ) est une fonction croissante
- 0  F (t )  1
- lim F (t ) = 0
t → −
- lim F (t ) = 1
t →
Loi de probabilité d’une variable aléatoire continue
t

- Pr t  T  = F (t ) =  f ( )d
−

- 0  F (t )  1
dF (t )
- f (t ) =
dt

1
 

- 
−
f (t )dt = 1

t2

- Pr t1  T  t2  =  f (t )dt = F (t2 ) − F (t1 )

t1

- E (T ) =  =  t f (t )dt
−

où  est la moyenne de la variable aléatoire T qui est égale à l’espérance mathématique E (T )

La variance de la distribution de la variable aléatoire T :

Var (T ) =  2 =  (t −  )
2
f (t )dt
−

n
Pour une combinaison linéaire de variables aléatoires T =  aiTi ; Ti est une variable aléatoire
i =1

de moyenne i et de variance  i2 ,
n n
E (T ) =  ai i et Var (T ) =  ai2 i2
i =1 i =1

Loi de probabilité d’une variable aléatoire discrète

Soit un ensemble de valeurs discrète finies que peut prendre la variable aléatoire discrète T :
t1, , ti , tk  .

On définit la probabilité de réalisation de toute valeur ti : pi = Pr(T = ti )

0  pi  1; i = 1, ,k
 0 si t  t1
 i

La fonction de probabilité cumulée F (t ) =  p j si ti  t  ti +1
 j =1
 si t  tk
 1
k
- p
j =1
j =1

k
- La moyenne  =  t j p j
j =1

2
 k
La variance  =  (t j −  ) p j
2 2
-
j =1

Chapitre II : Modélisation de la fiabilité

2.1 Principales définitions

Fiabilité
La fiabilité est l’aptitude d’un dispositif à accomplir une fonction requise, dans des conditions
données, pour une période de temps donnée.

Défaillance
La défaillance est la fin de l’aptitude d’un dispositif ou d’un système accomplir la fonction que
l’on attendait de ce matériel.
La défaillance peut être :
- Une défaillance totale qui entraine la fin de la fonction ;
- Une défaillance partielle qui réduise l’aptitude d’accomplir la fonction.

Durée de vie
Pour les dispositifs non réparables, on utilise la notion de durée de vie, qui est la durée de
fonctionnement jusqu’à la défaillance totale.

Temps de bon fonctionnement

Pour les dispositifs réparables, on utilise l’intervalle de temps entre défaillance ou le temps de
bon fonctionnement (TBF) qui est la durée de fonctionnement d’un dispositif réparable entre
deux défaillances successives.

Etats de fonctionnement d’un dispositif

Dans ce chapitre on se le limite à deux états. Soit le dispositif est en état de fonctionnement ou
il est en état de non fonctionnement suite à une défaillance.

2.2 La fonction fiabilité

La fiabilité R (t ) d’un matériel au temps t est la probabilité pour que la variable aléatoire T, non
négative, représentant la durée de vie de ce matériel, soit supérieure à une valeur t :

R(t ) = Pr T  t = 1 − Pr T  t = 1 − F (t )

R (t ) est la fiabilité au temps t du matériel ou la fonction de survie ; en anglais, reliability.

3
F (t ) est la probabilité cumulée des défaillances au temps t , qu’on peut l’interpréter comme le
pourcentage des dispositifs qui ont subi une défaillance avec le temps t.

La fonction fiabilité a les propriétés suivantes :

lim R(t ) = 0
R (t )  0 ; R (0) = 1 ;
t →

La probabilité que le temps de fonctionnement avant la défaillance T soit inférieur à t est

F (t ) = Pr T  t
= 1 − Pr T  t = 1 − R(t )

lim F (t ) = 1
Notons que F (0) = 0 et
t →

La fonction densité de probabilité f (t ) est définie par

d F (t ) d R(t )
f (t ) = =−
dt dt
Cette fonction représente la forme de la distribution des défaillances.
La densité de probabilité f (t ) possède les deux propriétés suivantes :

f (t )  0 et 
0
f (t )dt = 1

Les fonctions R (t ) , F (t ) et f (t ) sont présentées dans la figure ci-dessous.

Connaissant la densité de probabilité f (t ) , on peut déterminer les fonctions F (t ) , R (t ) en
utilisant les formules suivantes
t
F (t ) =  f ( )d
0


R(t ) =  f ( )d
t

La probabilité qu’une défaillance se produit dans l’intervalle du temps t1 , t2 

F (t ) = Pr t1  T  t2  =  f ( )d =  f ( )d −  f ( ) d = F (t2 ) − F (t1 ) = R(t1 ) − R(t2 )

t2 t2 t1

t1 0 0

4
 Source : Référence [x]
Remarque
La variable aléatoire T peut représenter, au lieu du temps, le nombre de kilomètres, le nombre
de cycles, etc.

2.3 Moyenne de temps de bon fonctionnement (MTBF)

La Moyenne de temps de bon fonctionnement MTBF est égale à l’espérance mathématique de

la variable aléatoire T définie par l’expression suivante

MTBF = E(t ) =  t f (t ) dt
0

5
Il est possible de monter que

MTBF =  R(t ) dt
0

Cette dernière expression peut être plus facile à utiliser que l’expression précédente.
La moyenne n’est que l’un des indicateurs de la tendance centrale de la loi de probabilité. La
valeur médiane tmed de la variable aléatoire T est définie par l’expression suivante :

R(tmed ) = 0.5 = Pr t  tmed 

Il faut remarquer que

F (tmed ) = 0.5 = Pr t  tmed 

Le troisième indicateur de la tendance centrale d’une loi de probabilité est le mode qui
correspond à la valeur de la variable aléatoire pour laquelle la densité de probabilité présente
un maximum ; soit
f (tmod e ) = max f (t )
0t 
La probabilité de défaillance dans un intervalle centré à tmod e est plus grande que celle

correspondante à un autre intervalle de même largeur centré à une autre valeur de la variable
aléatoire.

2.4 Le taux de défaillances

Le taux de défaillance qu’on le note  (t ) est souvent utilisé dans l’étude de fiabilité. On
l’introduit ci-après en étapes.

La probabilité conditionnelle de défaillance dans l’intervalle t , t + t  à condition que le

système a survie jusqu’au temps t (a fonctionné sans incident jusqu’au temps t)

R(t ) − R(t + t )
Pr t  T  t + t T  t =
R(t )

La probabilité conditionnelle de défaillance dans l’intervalle t , t + t  par unité de temps est

R(t ) − R(t + t )
R(t )t

Le taux de défaillance  (t ) est défini par l’expression suivante :

R(t ) − R(t + t ) 1 dR(t ) 1 f (t )
 (t ) = lim =− =
t R(t ) dt R(t ) R(t )
t → 0

6
Soit
f (t )
 (t ) =
R(t )

Le taux de défaillance  (t ) constitue une autre alternative à f (t ) pour décrire la distribution

des défaillances. La fonction  (t ) peut être monotone ou non monotone. Si  (t ) est monotone,
on considère trois cas :
-  (t ) est constante qui correspond à un taux défaillance constant ;
-  (t ) est une fonction croissante qui correspond à un taux défaillance croissant ;
-  (t ) est une fonction décroissante qui correspond à un taux défaillance décroissant.

On démontre dans la suite comment déterminer la fonction fiabilité R (t ) à partir de l’expression

de la fonction taux de défaillances  (t ) .
dR(t ) 1
 (t ) = −
dt R(t )
dR(t )
ou  (t )dt = −
R(t )
Intégrons cette équation entre t = 0 et t ;
t R (t ) dR( ) R ( t ) dR( )
  ( )d = −
0 R (0) R( )
= −
1 R( )
= − ln R(t )

D’où
t
R(t ) = exp− (  ( )d )
0

dF (t )
Une fois R (t ) est déterminée, on peut trouver F (t ) = 1 − R(t ) et f (t ) = .
dt

2.5 Fiabilité conditionnelle

La fiabilité conditionnelle est la fiabilité d’un système après un temps de bon fonctionnement
T0

Pr T  T0 + t  R(T0 + t )
R(t T0 ) = Pr T  T0 + t T0  = =
Pr T  T0  R (T0 )

Cette expression peut être exprimée en fonction du taux de défaillance  (t ) :

T0 +t
R(T0 + t ) exp− ( 0  ( )d ) T0 +t
R(t T0 ) = = T0
= exp− (   ( )d )
R(T0 )

exp− (  ( )d )
T0
0

7
La fiabilité conditionnelle R(t T0 ) permet de déterminer la fiabilité d’un système après une

période de bon fonctionnement T0 qui correspond par exemple à une période de déverminage

ou une période de garantie. R(t T0 ) peut aussi être utilisée pour déterminer la probabilité de

bon fonctionnement à un instant t après une période de bon fonctionnement T0 .

A partir de R(t T0 ) , on peut obtenir la moyenne du temps de bon fonctionnement résiduelle

MTBF (T0 ) après une période de bon fonctionnement T0

  R(t + T0 ) 1 
MTBF (T0 ) =  R(t T0 )dt = 
R(T0 ) T0
dt = R( )d
0 0 R(T0 )

où  = t + T0

On introduit dans la suite du chapitre les lois de probabilité les plus utilisées suivantes pour
modéliser la probabilité de défaillances :
- Loi exponentielle ;
- Loi de Weibull
- Loi Normale
- Loi Log-normal
Dans les chapitres suivants, on présente les méthodes permettant de déterminer les paramètres
de ces lois et comment choisir la loi qui représente le mieux un ensemble des données des tests
de durées de vie.

2.6 La loi exponentielle

La loi exponentielle correspond au cas où le taux de défaillances  (t ) est constante :

 (t ) = 
La loi exponentielle est la loi la plus simple à utiliser dans l’analyse de la fiabilité. Cette loi est
utilisée pour modéliser les défaillances qui se produisent d’une manière aléatoire par exemple
les défaillances de certains composants électroniques ou les défaillances des certains systèmes
de composants qui ont plusieurs modes de défaillance.
On peut ainsi déterminer la fonction fiabilité connaissant le taux de défaillances
t

R(t ) = e 0
− (  ( ) d )
= e − t ,

la probabilité de défaillance
F (t ) = 1 − R(t ) = 1 − e−t ,

8
et la densité de probabilité
dF (t )
f (t ) = =  e − t
dt
La moyenne de temps de bon fonctionnement MTBF est déterminée en utilisant l’équation de
R (t ) ci-dessus, soit

  e − t 1
MTBF =  R(t ) dt =  e − t
dt = − =
0 0  0


et on utilise la définition ci-dessus pour déterminer la variance, soit

 
1 1
 =  (t −  ) f (t )dt =  (t − ) 2  e − t dt = 2
2 2

0 0
 
et l’écart type
1
= = MTBF


Cette équation montre que la dispersion augmente avec la MTBF. La fiabilité à un temps
t = MTBF est
1 1
R(MTBF) = R   = e −1 = = 0.368
 e

Pour une fiabilité désirée R0 , on peut résoudre l’équation ci-dessus pour déterminer le temps
de bon fonctionnement correspondant à cette valeur de la fiabilité qui correspond à la durée de
vie pour un composant ou un système non réparable :
1
t0 = − ln R0

La valeur médiane du temps de bon fonctionnement correspond à R0 = 0.5 ; soit

1 1
tmed = − ln 0.5 = 0.693 = 0.693MTBF
 
La loi de probabilité exponentielle a la propriété de « perte de mémoire » ou « l’absence de
mémoire » qu’on la démontre par l’équation suivante
R(t + T0 ) e−  (t +T0 )
R(t T0 ) = = − T0 = e− t = R(t )
R(T0 ) e

9
Une période de fonctionnement antérieure T0 n’a pas d’influence sur la fiabilité. La période T0

peut correspondre par exemple à une période de déverminage qui ne permet pas d’améliorer la
fiabilité dans le cas d’une loi exponentielle.
La loi exponentielle ne permet pas de modéliser les systèmes mécaniques qui subissent des
dégradations et qui ont par conséquent un taux de défaillance croissant au cours du temps. Les
lois qui seront étudiées dans les paragraphes suivants ont un taux de défaillance non constant
au cours du temps et peuvent ainsi être utilisées pour les systèmes ayant un taux de défaillance
croissant.

Tableau récapitulatif

10
Exemple

Un émetteur micro-onde a un taux de défaillance constant égal à 0.00034 défaillance par heure
de fonctionnement. Caractériser le processus de défaillance.

Réponses

1. La fonction fiabilité est

R(t ) = e−t = e−0.00034t

2. La moyenne de temps de bon fonctionnement est

1 1
MTBF = = = 2941 heures
 0.00034

3. La valeur médiane de la durée de vie est

0.69315
tmed = = 0.69315MTBF = 0.69315  2941 = 2039 heures


4. La fiabilité correspondant à une période de fonctionnement continu de 30 jours est

R(30  24) = 0.78286

5. La durée de vie nominale correspondante à une fiabilité de 0.95 est

t0.95 = (− ln 0.95) / 0.00034 = 150.86 heures

11
2.7 La loi de Weibull

La loi de Weibull est fréquemment utilisée pour modéliser la fiabilité car il peut avoir un taux
de défaillance croissant ou décroissant en fonction des paramètres du modèle. Le taux de
défaillance de la loi de Weibull a la forme d’une loi de puissance ; soit
 (t ) = at b
où a  0 pour que  (t )  0 .

Si b  0 ,  (t ) est une fonction croissante ;

si b  0 ,  (t ) est une fonction décroissante

et si b = 0 ,  (t ) est une constante.

Il convient d’écrire  (t ) sous la forme suivante

 −1
t 
 (t ) =  
  
Le paramètre  est appelé paramètre d’échelle qui a la même unité que t ; le paramètre  est
appelé paramètre de forme qui est sans unité.

A partir de la fonction  (t ) , on peut déterminer les fonctions R (t ) , F (t ) et f (t ) :

 −1 
t   t 
−(   
t
d )
R(t ) = e 0
 ( ) d )
−( − 
= e 0   =e  


t 
− 
 
F (t ) = 1 − R(t ) = 1 − e


 −1 t 
dF (t )   t  − 
 
f (t ) = =   e
dt   

Les figures ci-dessous montrent l’effet du paramètre  sur les fonctions f (t ) , F (t ) ,  (t ) et

R (t )

12
13
Le taux de défaillances  (t ) est une fonction décroissante si   1 ; constante si  = 1 et
1
croissante si   1 . Dans le cas où  = 1 ,  (t ) = =  = cste ; c’est-à-dire que la loi de

1 1
Weibull se réduit à une loi exponentielle de taux de défaillance  = = et 
 MTBF
représente dans ce cas la MTBF.

Un taux de défaillance  (t ) peut accroitre avec un taux décroissant donnant une allure concave
à la fonction pour  (t ) si 1    2 , avec un taux constant si  = 2 et un taux croissant avec une
courbe convexe de  (t ) si   2 .
La densité de probabilité f (t ) est une fonction décroissante si   1 . Pour   1 , elle est non
monotone et admet un maximum. En particulier, pour  = 2 , la loi de Weibull se réduit à la loi
de Rayleigh qui présente une densité de probabilité asymétrique désaxée vers la droite. Pour
les valeurs 3    4 , la densité de probabilité est approximativement symétrique et s’approche
de celle de la loi Normale.
−1
Il faut constater aussi que pour t =  , R(t ) = e = 0.368 et F (t ) = 1 − 0.368 = 0.632 ; ainsi
toutes les courbes de R (t ) correspondantes aux différentes valeurs de  passent par le point
(  , 0.368 ) et toutes les courbes F (t ) passent par le point (  , 0.632). La probabilité de
défaillance pour t =  est de 0.632 soit 63.2% des défaillances se produisent avant t =  quelle
que soit la valeur de  . Le tableau suivant résume l’effet du paramètre de forme  sur le taux
de défaillance  (t ) .

La MTBF de la variable aléatoire T pour la loi de Weibull est

14
 1
MTBF =  =  (1 + )

et la variance  2 est

  2    1  
2

 =  1 +  −  1 +   
2 2

       
 
 
où  ( x ) est la fonction Gamma. Un tableau est utilisé pour déterminer la valeur de  ( x ) pour
une valeur donnée de x. La relation suivante peut aussi être utilisée pour calculer  ( x )
connaissant  ( x − 1)
( x) = ( x − 1)( x − 1)

Les équations ci-dessus montrent que la moyenne  et l’écart type  sont proportionnels au
paramètre d’échelle  . La figure ci-dessous montre l’effet du paramètre  sur les fonctions
f (t ) , R (t ) et  (t ) pour une valeur de  = 2. Pour une valeur fixe de  , l’augmentation de la

valeur de  augmente la valeur de R (t ) pour une valeur donnée de t. Par contre, la pente de
 (t ) décroit avec  .

15
Durée de vie
La durée de vie t0 associée à une valeur donnée R0 de la fonction de fiabilité peut être
déterminée en utilisant la relation suivante

 tR 
− 0 

R(tR0 ) = e 
= R0
Soit

tR0 =  (− ln R0 )1/ 

Pour les roulements à billes, on utilise la durée de vie nominale L10 correspondante à une

fiabilité de 90% qui signifie que 90% de roulements d’un lot atteignent cette durée de vie

L10 =  (− ln 0.9)1/ 

La durée de vie B1 qui correspondant à une fiabilité de 99% est aussi utilisés dans certains
domaines.

La valeur médiane représente mieux la tendance centrale quand la densité de probabilité est

asymétrique. Cette valeur est obtenue en remplaçant dans l’équation ci-dessus R0 = 0.5 , soit

t0.5 =  (− ln 0.5)1/ 

Le mode est obtenu à partir de la solution de l’équation

f (tmod ) = max f (t )
t 0
qui donne

16
  (1 − 1/  )1/  si   1
tmod = 
 0 si   1

La fiabilité conditionnelle après une période de survie T0 est


 T +t    T + t    T   
− 0 
   − + 0 
R(t + T0 ) e
0

       
R(t T0 ) = =  = e
R(T0 )  T 
− 0

e  

Exemple

Soit une loi de Weibull de paramètre de forme  = 1 / 3 et de paramètre d’échelle  = 16000

heures. Caractériser complètement le processus de défaillance.

Réponses

1. La fonction fiabilité est

  t 1/3 
R(t ) = exp  −   
  16000  

2.  = 1 / 3 correspond à un taux de défaillances décroissant qui correspond à une mortalité

infantile.

3. MTBF = 16000 (1 + 1/ 3) = 16000  3! = 96000 heures .

tmed =1600 ( 0.69315) = 5328 heures

3

Puisque la distribution est fortement désaxée vers la droite, la valeur médiane donne une
meilleure indication de la tendance centrale.

Le mode est égal à zéro car   1 .

2 2
 2

4.  = (16000) (7) − (4) = 175104 10
6

soit  = 5328 heures

5. La durée de vie caractéristique est 16000 heures. Donc, 63 % des défaillances se produisent
au cours de cette durée de vie caractéristique.

6. Si une fiabilité de 90 % est requise, la durée de vie nominale correspondante est

t0.9 = 16000(− ln 0.90)3 = 18,71 heures

17
7. La durée de vie B1 est t0.99 = 16000(− ln 0.99) = 0,0162 heure indiquant un pourcentage
3

élevé des défaillances précoces.

2.8 La loi normale

La loi normale est une loi de probabilité qui dépend de deux paramètres : la moyenne  et
l’écart type  . La densité de probabilité a la forme d’une cloche et présente une symétrie par
rapport à la moyenne. L’expression mathématique de la densité de probabilité de la loi normale
est
1 ( t −  )2
1 −
f (t ) = e 2 2
pour −   t  
2
La variable aléatoire T d’une loi normale peut prendre des valeurs −   t   et ne peut donc
pas représentée un temps de bon fonctionnement qui est positif. Cependant, pour les valeurs
fréquemment observées de la moyenne  et de l’écart type  , la probabilité que la variable
aléatoire prend des valeurs négatives est négligeable et il est donc raisonnable d’utiliser la loi
normale pour modéliser le temps de bon fonctionnement.

Pour la loi normale, la probabilité cumulée de défaillances F (t )

1 ( −  )2
1 −
F (t ) = Pr T  t = 
t t
f ( )d =  e 2 2
d
− −
2
Cette intégrale qui n’a pas une solution analytique peut être résolue numériquement. Cependant
l’approche utilisée pour calculer cette probabilité est d’utiliser des tableaux en termes de la
variable aléatoire centrée et réduite
T −
Z=

La densité de probabilité peut s’écrire en termes de cette variable
2
1 − z2
 ( z) = e
2
et la probabilité cumulée

1 − 2 T −  t −  
2
z
( z ) =  e d  = Pr   
−
2    
Cette probabilité cumulée est donnée dans des tableaux dans les références de statistiques. Ce
tableau peut être utilisé quelques soient les valeurs de la moyenne et de l’écart type lorsqu’on
utilise la relation suivante

18
 T −  t −   t− 
F (t ) = Pr T  t = Pr    = Pr Z  z =    = (z)
      
La fiabilité R (t ) peut ensuite être déterminée à partir de F (t )
R (t ) = 1 − F (t )

La fonction taux de défaillance  (t ) ne peut pas s’écrire sous une forme analytique. Cependant,
cette fonction est strictement croissante pour la loi normale et peut donc être utilisée dans le cas
des défaillances par dégradation.

2.9 La loi log-normale

Un temps de bon fonctionnement représenté par une variable aléatoire T a une distribution log-
normale de paramètres  et  2 si ln(T ) a une distribution normale de paramètre  et  2 . La
densité de probabilité de la distribution log-normale est

1 (ln t −  )2
1 −
f (t ) = e 2 2
pour t  0
2 t

Cette distribution est définie uniquement pour des valeurs positives de t et convient mieux que
la distribution normale pour modéliser les temps de bon fonctionnement. Des expressions
analytiques de la probabilité cumulée et du taux de défaillances ne sont pas disponibles.
Cependant, ces fonctions peuvent être déterminées en utilisant la relation de cette distribution
avec la distribution normale. La figure ci-dessous montre la densité de probabilité et la fonction

taux de défaillances pour une série des valeurs des paramètres (  ,  ) .

2

La distribution log-normale peut prendre diverses formes comme la distribution de Weibull.

Dans plusieurs cas les deux distributions peuvent représenter convenablement des données de
défaillances.

19
 Source : Blischke

La moyenne du temps de bon fonctionnement et la variance sont données par les expressions
suivantes

MTBF = e(  +
2
var(T ) = e (e −1)e2
/2) 2 2
et
La valeur médiane est

tmed = e 
et le mode de la distribution est

tmod = e  −
2

On peut établir la relation suivante entre la MTBF, la médiane et le mode

tmod  tmed  MTBF
La fonction fiabilité R (t ) peut être calculée en utilisant la relation suivant avec la loi normale

 ln T −  ln t −    ln t −  
R(t ) = Pr T  t = Pr ln T  ln t = Pr    = 1−   
      

20
 Chapitre III : Fiabilité de systèmes de composants

3.1 Introduction

Les lois de probabilité étudiées au chapitre 2 peuvent être utilisées pour modéliser les
défaillances de systèmes de composants. Une autre approche de modélisation consiste à définir
une loi de probabilité pour chaque composant et de trouver ensuite la fiabilité du système de
composants en se basant sur la configuration de l’association de ces composants dans le
système. C’est cette dernière approche qui sera traitée dans ce chapitre.

Un système est un ensemble de composants assemblés pour assurer une fonction spécifique.

Il existe deux configurations de base d’un système de composants :

- La configuration en série
- La configuration en parallèle

Dans une configuration en série, tous les composants doivent être fonctionnels pour que le
système puisse fonctionner. Par contre, pour une configuration en parallèle, au moins un
composant doit être fonctionnel pour que le système puisse fonctionner.

On utilise des diagrammes en blocs pour modéliser l’association des composants d’un système.

3.2 Configuration série

La figure ci-dessous montre le diagramme en blocs d’un système constitué de n composants

associés en série.

Dans un système structuré en série, la défaillance d’un seul composant entraîne la défaillance
du système.

La fiabilité d’un système de composants est une probabilité qu’on peut la calculer en utilisant
les lois de probabilité de la façon suivante :

21
Soit E1 l’évènement que le composant 1 ne subit pas une défaillance ;

et E2 l’évènement que le composant 2 ne subit pas une défaillance ;

R1 = Pr( E1 ) et R2 = Pr( E2 )

La fiabilité du système de deux composants est

Rs = Pr( E1  E2 ) = Pr( E1 ) Pr( E2 ) = R1R2

Cette équation est valable si les événements sont indépendants ; c’est-à-dire la défaillance de
l’un des deux composants n’a pas d’effet sur la défaillance de l’autre composant. L’association
en série implique que le système ne peut fonctionner que si les deux composants soient en état
de fonctionnement.

Pour un système à n composants associés en série en prenant en considération la dépendance

de la fiabilité du temps, la fiabilité du système a l’expression suivante

n
Rs (t ) = R1 (t ) R2 (t ) Rn (t ) =  Ri (t )
i =1

Sachant que Ri (t )  1, i = 1, ,n ,
Rs (t )  min Ri (t )
i = 1,..., n

La fiabilité du système ne dépasse pas la fiabilité du composant qui a la plus faible fiabilité.
Donc, un composant de faible fiabilité pénalise l’ensemble du système. L’amélioration de la
fiabilité du système nécessite en premier lieu d’améliorer la fiabilité de composants de faibles
valeurs de fiabilité.

Considérons le cas où tous les composants ont des défaillances de distribution exponentielles.

Si chaque composant i du système a un taux de défaillances constant i , la fiabilité du système

est
n
n n −  it
Rs (t ) =  Ri (t ) =  e− it = e i =1
= e− st
i =1 i =1

où

22
 n n
1
s =  i = 
i =1 i =1 MTBFi

est le taux de défaillances du système qui a aussi un taux de défaillances constant.

Dans le cas où la fiabilité de chaque composant du système est modélisée par la loi de Weibull,
la fiabilité du système est
i i
 t 
n
 t 
n n −  −  i 
Rs (t ) =  Ri (t ) =  e  i 
=e i =1

i =1 i =1
Le taux de défaillance du système
i
i −1  t 
1 d Rs (t )  n  i  t  
n

 −   1
=      e

s (t ) = − i =1  i 

 
i
n
 t 
 i =1  i  i  
Rs (t ) dt    i 
 −
i =1
e
i −1
n
   t 
=   i  
i =1   i   i 

s (t ) n’a pas la forme d’un taux de défaillance de la loi de Weibull. On peut ainsi conclure que
la défaillance d’un système dont les défaillances de ses composants sont modélisées par la loi
de Weibull ne suit pas nécessairement la loi de Weibull.

Exemple 1
Un système est constitué de quatre composants identiques de distributions indépendantes avec

un taux de défaillances constant. Si la fiabilité désirée est Rs (100) = 0.95 ; déterminer la valeur

de MTBF d’un composant.

Réponses

Rs (100) = e−100s = e −100(4)  = 0.95

+ ln 0.95
donc  = 0.000128
400
1
et MTBF = = 7812.5
0.000128
Exemple 2
Un système est composé de quatre composants associés en série dont les défaillances de chaque
composant suivent la loi de Weibull de paramètres présentés au tableau ci-dessous. Exprimer
la fiabilité du système en déduire la fiabilité à t = 10.
Composant Paramètre d’échelle  Paramètre de forme 
1 100 1.2

23
 2 150 0.87
3 510 1.80
4 720 1.00
Réponses
La fiabilité du système est donc
  t 1.2  t 0.87  t 1.8  t 1.0  
Rs (t ) = exp −   +  +  +  

   100   150   510   720   
−0.172827
et Rs (10) = e = 0.8415 .

3.3 Configuration parallèle

Une configuration moins fréquente que la configuration en série consiste à disposer deux
composants ou plus en parallèle de façon que le système peut fonctionner si au moins un
composant est en état de fonctionnement. La figure ci-dessous présente le diagramme en blocs
d’une configuration parallèle d’un système constitué de n composants.

La défaillance d’un système de composants associés en parallèles n’a lieu que si tous les
composants soient défaillants, soit
n
Fs (t ) =  Fi (t )
i =1

La fiabilité du système peut alors être déterminée à partir de la relation suivante

n
1 − Rs (t ) =  (1 − Ri (t ))
i =1
ou
n
Rs (t ) = 1 −  (1 − Ri (t ))
i =1

D’où on déduit que

Rs (t )  max Ri (t )
i

24
Si tous les composants ont des taux de défaillance constant

i (t ) = i = cste
n
Rs (t ) = 1 −  (1 − e − it )
i =1

Cas où n=2

Rs (t ) = 1 − (1 − e− 1t )(1 − e− 2t ) = e− 1t + e− 2t − e− (1 +2 )t

La moyenne du temps de bon fonctionnement du système peut être déterminée en utilisant

l’expression de la moyenne en termes de la fonction fiabilité, soit
  1 1 1
MTBFs = E (T ) =  Rs (t )dt =  e− 1t + e− 2t − e − ( 1 + 2 )t  dt = + −
0 0 1 2 1 + 2

Exemple 3
Un système est constitué de deux composants, identiques et indépendants, associés en parallèles

ayant un taux de défaillances constant. Si la fiabilité désirée est Rs (1000) = 0.95 , déterminer la
MTBF d’un composant.

Réponses

En remplaçant 1 = 2 =  dans la formule ci-dessus, on obtient

Rs (t ) = 2e− t − e−2t
et

Rs (1000) = 2e−1000 − e−2000 =0.95

Cette équation peut être résolue graphiquement, en utilisant Matlab, ou en utilisant un tableau
de valeurs tel que le tableau suivant

 Rs (1000)
0.001 0.600
0.0001 0.991
0.0005 0.845
0.0002 0.967
0.00025 0.951

25
 0.000253 0.950

3.4 Configuration combinée série-parallèle

Un système modélisé par un diagramme en blocs peut être constitué d’une combinaison série-
parallèle de composants tel que le système de la figure ci-dessous. L’approche appliquée pour
ce type de système est de le subdivisé en sous-systèmes de configuration série ou parallèle et
de trouver la fiabilité de chaque sous système. La fiabilité du système est déterminée en prenant
en compte l’association entre les sous-systèmes.

Pour le système de la figure ci-dessus, la fiabilité des sous-systèmes A, B et C sont

RA = 1 − (1 − R1 )(1 − R2 )

RB = RA R3 = 1 − (1 − R1 )(1 − R2 ) R3

RC = R4 R5

La fiabilité du système est donc

Rs = 1 − (1 − RB )(1 − RC ) R6

3.5 Redondance de niveau haut et niveau bas

La redondance d’un système peut être appliquée de deux façons. Dans une redondance de
niveau bas, un ou plusieurs composants sont dupliqués pour obtenir une configuration parallèle
qui permet d’assurer la redondance de ces composantes, voir figure ci-dessous à gauche. Dans
une redondance de niveau haut, l’ensemble du système est dupliqué une ou plusieurs fois pour
former une configuration parallèle, voir figure ci-dessous gauche.

26
Quand les deux composants ont la même fiabilité R , il est possible de démontrer que le système
dont la redondance est de niveau bas est plus fiable que le système dont la redondance est de
niveau haut. D’autre part, le système dont la redondance est de niveau bas peut fonctionner si
un composant A et un composant B soient défaillants. Cependant, le système dont la redondance
est de niveau haut ne peut pas fonctionner si ces deux composantes ne sont pas dans la même
branche de la configuration parallèle.

3.6 Redondance k parmi n

Une généralisation de la configuration parallèle consiste à exiger que k parmi n composants

identiques et indépendants soient opérationnels pour que le système soit opérationnel sachant
que k  n . Si k = 1 , la redondance est totale et correspond à une configuration parallèle à n
composants. Si k = n , tous les n composants sont en effet configurés en série. La fiabilité du
système peut être déterminée à partir de la loi binomial de probabilité.

La fiabilité du système de redondance k parmi n est

n
n
Rs =    R x (1 − R)n − x
x=k  x 

où

n n!
 =
 x  x !(n − x)!

Si la distribution des défaillances est exponentielle

n
n
Rs =    e−  xt (1 − e− t )n− x
x =k  x 

Il a été démontré que la moyenne du temps de bon fonctionnement dans ce cas est

 1 n 1
MTBF =  Rs (t )dt =
0

 x=k x

27
 Chapitre IV : Modèles physiques de la fiabilité

Les deux chapitres précédents ont traité des modèles de fiabilité de composants et des systèmes
qui dépendent uniquement du temps. Dans plusieurs applications, d’autres facteurs peuvent être
aussi importants que le temps. Par exemples, pour des composants mécaniques tels que les
roulements, la résistance d’un roulement et par conséquent sa durée de vie dépend aussi de la
charge appliquée sur le roulement. Pour les composants électroniques, la défaillance de ces
composants dépend, entre autres, de la tension électrique appliquée, de la température et de
l’humidité de l’environnement. La résistance d’un matériau dépend aussi des impuretés qui sont
dans le matériau.

En général, un modèle plus exact de fiabilité doit inclure les caractéristiques inhérentes des
composants et les conditions d’utilisation. Un modèle à covariables permet de prendre en
compte les facteurs (covariables) qui affectent la durée de vie. Ces facteurs peuvent être
subdivisés en trois catégories :

- Environnement : chargement, température, humidité, lubrification, pression, vibration ;

- Historique d’utilisation : actions de maintenance préventive et réparations effectuées ;
- Caractéristiques intrinsèques : solutions technologiques, type et qualité des matériaux.

Les modèles à covariables intègrent généralement l’effet des covariables en exprimant les
paramètres de la loi de probabilité en fonction de ces covariables.

4.1 Modèles à covariables

Il s’agit d’exprimer la loi de probabilité en fonction des covariables ou variables explicatives.

Une loi de probabilité dépend d’un ou plusieurs paramètres. Un modèle à covariables exprime
l’un ou plusieurs de ces paramètres en fonction des covariables. Par exemple, pour un paramètre
 ,

 ( x ) = f ( x1 , x2 , , xn ) = f ( x )

où x = ( x1 , x2 , , xn ) et xi est la ième covariable.

La fonction f ( x ) peut être déterminée en se basant sur le processus physique qui relie le
paramètre  ( x ) aux covariables. Cependant, si cette relation n’est pas connue, une forme
simple peut être choisie : une forme linéaire, une loi de puissance, etc .
28
4.1.1 Cas d’une loi exponentielle

Un modèle additif ou un modèle multiplicatif peut être utilisé pour exprimer la relation entre le
taux de défaillance qui est considéré constant au cours du temps et les covariables.

Le modèle additif s’écrit sous la forme suivante

n
 ( x ) = a0 +  ai xir i

i =1

où ai , i = 0, , n et ri , i = 1, , n sont des paramètres du modèle qui sont des nombres réels.

Ce modèle peut, par exemple, être utilisé pour modéliser le taux de défaillances d’un composant
électronique qui dépend de la température et de l’humidité de l’environnement d’utilisation du
composant.

Le modèle multiplicatif a l’expression suivante :

n
 ( x ) = n  ai xiri
i =1

où n est la valeur nominale du taux de défaillance et ai , i = 0, , n et ri , i = 1, , n sont

des paramètres du modèle.

Par exemple, le taux de défaillances d’un roulement peut être exprimé par le modèle
multiplicatif suivant

 Mb 
y 0.54
L   A   v0 
2.36 0.67
 C1 
 = n  a   e        Cw
 Ls   0.006   v1   60  Mf 
où

n est le taux de défaillance nominale d’un roulement pour une période de 106 heures
de fonctionnement ; cette valeur est en général fournie par le fabricant du roulement ;

La est le chargement radial appliqué sur le roulement ;

Ls est un chargement radial de référence spécifié par le fabricant du roulement;
y = 3.33 pour les roulements à rouleaux ; 3.0 pour les roulements à billes ;

Ae est l’erreur d’alignement en radians ;

v0 est la viscosité du lubrifiant spécifiée ;

29
 v1 est la viscosité du lubrifiant utilisé ;

C1 est le niveau de contamination ( μg/m3 );

M b est un coefficient du matériau de référence en N/m2 (limite élastique du matériaux);
M f est un coefficient matériau du matériau utilisé en N/m2 (limite élastique);

Cw est un coefficient représentant la contamination avec de l’eau (due à la contamination

du lubrifiant avec de l’eau)
 1 + 460 x pour x  0.002
=
2.036 + 1.029 x − 0.0647 x pour x  0.002
2

où x est le pourcentage d’eau présent dans le lubrifiant.

Une autre forme du modèle multiplicatif consiste à exprimer le taux de défaillances  ( x ) comme
produit des fonctions exponentielles

n
 n 
 ( x) =  e ai xi
= exp   ai xi 
i =0  i =1 

Ce modèle garantie que  ( x )  0 ; en plus, le logarithme népérien de  ( x ) est une fonction

linéaire des covariables.

Quelques soit le modèle utilisé pour exprimer  ( x ) , la fonction fiabilité s’écrit

R(t , x ) = e− ( x )t

Exemple

Pour les composants électronique, la référence « Military Hanbook : Reliability Prediction of

Electronic Equipment » exprime le taux de défaillance de certains composants électroniques
sous forme d’un produit de fonctions exponentielles. Parmi ces fonctions, la fonction
suivante est utilisée :

g ( x ) = 0.11e0.916+0.0005638 x1x2

où x1 est la tension d’alimentation en volts et x2 est la température la plus élevée atteinte au

niveau de la soudure des pattes de jonction du composant exprimée en degré Celsius.

Dans l’industrie aéronautique, une pratique courante consiste à exprimer le MTBF ou le taux
de défaillance en fonction d’une ou plusieurs variables (paramètres). Ces variables sont souvent

30
des variables de substitution des variables réelles qui affectent le taux de défaillance. Par
exemples, le poids substitue la complexité du système ; la surface substitue le nombre de pièces,
etc. Par exemple, l’expression suivante a été utilisée pour exprimer la moyenne du temps entre
deux défaillances du système de propulsion d’un avion :

MTBF = 34.104 + 0.0009853  ( poids du moteur ) – 0.31223  ( poids du moteur )

1/2

D’autres équations similaires sont utilisées pour estimer la MTBF des systèmes électriques en
fonction du poids du système électrique et de la puissance maximale des générateurs. La MTBF
du train d’atterrissage est aussi exprimé en fonction du nombre des roues et du poids de l’avion.
1
La loi exponentielle est souvent utilisée dans laquelle  = .
MTBF

4.1.2 Cas d’une loi de Weibull

Pour la loi de Weibull, en général, uniquement le facteur d’échelle  , appelé aussi durée de
vie caractéristique, qui est supposé dépendre des covariables. Le facteur de forme  est
supposé constant. La fonction fiabilité s’écrit dans ce cas
 t 
− t
 (x) 
R(t , x ) = e
Le facteur d’échelle peut, par exemple, être de la forme suivante
 n

 ( x ) = exp   ai xi 
 i =0 

Exemple : Fiabilité d’un moteur à courant alternatif

Les défaillances d’un moteur à courant alternatif suivent la loi de Weibull de paramètre de
forme  = 1.5 . Les tests de fiabilité ont démontré que la durée de vie caractéristique (le
paramètre d’échelle)  en heures de fonctionnement dépend du chargement appliqué sur le
moteur selon la relation suivante

 ( x) = e23.2−0.134 x
où x est le chargement (en unité de chargement).
Déterminer la durée de vie correspondante à une fiabilité de 0.95 d’un moteur particulier soumis
à un chargement de 115 (unités de chargement). Si le chargement est réduit à 100, quelle est la
nouvelle durée de vie ?

Réponses

31
 (115) = 2412.3 t0.95 = 2416.3(− ln 0.95)0.6667 = 333.5 heures

 (100) = 18033.7 t0.95 = 18033.7(− ln 0.95)0.6667 = 2489.3 heures

4.1.3 Modèles position-échelle

Une autre famille de modèles à covariables appelés modèles position-échelle expriment la

variable aléatoire durée de vie T sous la forme suivante :

T (x) =  ( x) +  Z

où   0 et Z est une variable aléatoire dont la loi de probabilité ne dépend pas des
covariables. La fonction  ( x ) peut avoir, par exemple, la forme suivante :
n
 ( x ) =  ai xi
i =0

Souvent la variable aléatoire Z est modélisé par une loi normale centrée et réduite ; c’est-à-
dire de moyenne 0 et d’écart type 1. Dans ce cas, T a une loi normale de moyenne  ( x ) et
d’écart type  .

4.2 Modèles statiques

Dans plusieurs applications, il n’est pas nécessaire de supposer que la fiabilité dépend du temps.
Par exemple, le cas d’un système soumis à un chargement élevé pendant une courte période du
temps qui conduit à sa défaillance. La défaillance se produit lorsque le chargement dépasse la
limite de résistance du système. La limite de résistance est la valeur la plus élevée du
chargement que peut supporter le système sans subir une défaillance. Le chargement peut être
mécanique, électrique, thermique, chimique. Le chargement peut alors prendre la forme : d’une
contrainte mécanique, d’une tension électrique, d’une pression, d’une température etc. Dans
ces cas, la fiabilité est considérée statique car elle ne dépend pas du temps. Comme exemples
de chargement statique, le chargement appliqué sur le train d’atterrissage d’un avion pendant
l’atterrissage ; l’action d’une tempête sur un bâtiment, le chargement pendant le tir d’une fusée.
Dans la section suivante de ce chapitre, on traitera le cas d’un chargement dynamique dans
lequel le chargement est aléatoire ou périodique.

Modélisons le chargement par une variable aléatoire X de densité de probabilité f X ( x) et la

résistance par une variable aléatoire Y de densité de probabilité fY ( y) . La probabilité que le

chargement X ne dépasse pas x est

32
 x

0
Pr  X  x = FX ( x) = f X ( )d

et la probabilité que la résistance Y ne dépasse y est

y
Pr Y  y = FY ( y ) = 0 f Y ( )d

Cas d’un chargement aléatoire et d’une résistance constante

Si la résistance du système est connue et a une valeur constante k et le chargement est une
variable aléatoire comme défini ci-dessus, la fiabilité statique est définie par la probabilité que
le chargement ne dépasse pas la résistance k

k
R = Pr  X  k = FX (k ) = 0 f X ( x)dx

La figure ci-dessous illustre graphiquement la fiabilité R

Cas d’un chargement constant et d’une résistance aléatoire

Considérons le cas où le chargement est constant et connu dont la valeur est s et la résistance
est une variable aléatoire qui est définie ci-dessus. La fiabilité statique du système dans ce cas
est la probabilité que la résistance dépasse la valeur du chargement, voir figure ci-dessous


R = Pr Y  s = RY ( s) = s f Y ( y)dy = 1 −FY ( s)

33
Cas d’un chargement aléatoire et d’une résistance aléatoire
Si le chargement et la résistance sont tous les deux aléatoires, la fiabilité
 
R = Pr  X  Y  =   f X ( x) dx  fY ( y) d y =  FX ( y) fY ( y) d y
0
y

 0 
0

Puisque pour une valeur y ,

y
R( y) =  f X ( x) dx = FX ( y)
0

La fiabilité statique peut donc s’écrire sous la forme


R =  R ( y ) fY ( y ) d y
0

La valeur de la fiabilité R dépend de l’aire commune au-dessous de deux densités probabilité.

Cas d’une loi exponentielle

Le chargement et la résistance sont tous les deux des variables aléatoires dont les lois de
probabilité sont exponentielles de densités de probabilité suivantes :
1 − x / x
f X ( x) = e
x

34
et
1 − y/ y
fY ( y ) = e
y

où  x est la moyenne du chargement et  y est la moyenne de la résistance. La fiabilité R est

trouvée en utilisant l’équation ci-dessus


R = Pr  X  Y  =   f X ( x) dx  fY ( y ) d y
0
y

 0 
 
 y 1 − x / x  1 − y /  y 1 − y/
= 
0

0 
x
e dx 
 y
e d y = 1 − e − y /  x  e y d y
0
y 
  − y (1/  y +1/  x )
1 1 1 e 
0  0 
− y/y − y (1/  y +1/  x )
= e d y+ e d y = 1−
y y  y −(1/  y + 1/  x ) 0

La première intégrale dans la dernière ligne ci-dessus est égale à 1 car elle représente la surface

totale au-dessous de la courbe de la densité de probabilité fY ( y ) . On obtient ainsi

1  x  y  x y 1
R = 1−   = 1 − = =
 y   x +  y  x +  y x +  y 1 + x
y

x
Le tableau ci-dessous présente une série de valeurs du rapport variant de 1 à 0.1 et les
y
valeurs de la fiabilité R correspondantes. Le tableau montre que la moyenne de la résistance
doit être au moins égale à 10 fois la moyenne du chargement pour atteindre une valeur de la
fiabilité d’environ 0.9.

35
Cas d’une loi normale

Considérons le cas où le chargement et la résistance sont tous les deux modélisés par une loi
normale. Soit X la variable aléatoire représentant le chargement ayant une loi de probabilité

normale de moyenne  x et d’écart type  x et Y est la variable aléatoire représentant le

chargement ayant une loi de probabilité normale de moyenne  y et d’écart type  y . La

probabilité R est

R = Pr Y  X  = Pr Y − X  0 = Pr W  0

où W = Y − X , E (W ) =  y −  x et var(W ) = var(Y − X ) =  x +  y , en supposant que les

2 2

variables X et Y sont indépendantes. La probabilité R est

W −  −(  y −  x )  W −  (  y −  x )   ( −  ) 
 
R = Pr W  0 = Pr   =  =   y 
x
  
W W
Pr
   2
+  x 
2
   2
+  x 
2   2
+  2 
W y  W y   y x 

Exemple

Si la contrainte a une distribution normale de moyenne 10.3 et d’écart type 2.1 et la limite de la
résistance a une distribution normale de moyenne 25.8 et d’écart type 8.2, déterminer la fiabilité
du système.

Réponse
 25.8 − 10.3 
R =   =  (1.83) = 0.96638 .
 67.24 + 4.41 

Cette valeur est déterminée à partir de la table de la loi normale.

4.3 Modèles dynamiques

Si le chargement est appliqué sur le système d’une manière répétitive au cours du temps, la
fiabilité dynamique peut être déterminée dans certaines conditions. On présente deux cas. Dans
le premier cas, le chargement est appliqué à des intervalles de temps réguliers et connus. Dans
le deuxième cas, le chargement est appliqué à des instants aléatoires caractérisés par la loi de
Poisson. Dans les deux cas, la loi de probabilité de la résistance du système est supposée qu’elle
ne subit aucun changement au cours du temps. Ce qui exclue les cas où un vieillissement ou
une dégradation du système se produit au cours du temps.

36
4.3.1 Chargements cycliques

Supposant que n chargements représentés par des variables aléatoires des distributions

identiques et indépendantes sont appliqués aux instants t1 , t2 , , tn et les résistances aux instants
de l’application de chargements ont des distributions identiques et indépendantes. Dans des cas
particuliers, le chargement ou la résistance peut être constant au lieu qu’il soit une variable
aléatoire.

Soit X i le chargement et Yi la résistance au cycle i. Après l’application de n cycles, la fiabilité

Rn est
Rn = Pr  X 1  Y1 , X 2  Y2 , , X n  Yn 
= Pr  X 1  Y1 Pr  X 2  Y2  Pr  X n  Yn 

en supposant que le chargement et la résistance sont indépendantes d’un cycle à un autre.

Si les distributions de X i et de Yi sont identiques d’un cycle à un autre (un processus

stationnaire), on définit R = Pr  X i  Yi  ; où R est la fiabilité statique correspondante à

l’application d’un seul chargement. Pour n chargements indépendants

Rn = R n
Si les instants de l’application des chargements sont connus et constants, la fiabilité dynamique

R(t ) = R n pour tn  t  tn+1

avec t0 = 0 .

Si les instants de l’application des chargements sont uniformément espacés avec t = ti +1 − ti ,

t / t 
R (t ) = R 

où t / t  désigne la partie entière de t / t .

Exemple 1

Si la limite de résistance d’un système est supposée constante égale à k et le chargement suit
une loi exponentielle de paramètre  , la fiabilité du système est
Rn = (1 − e− k ) n
où 1/  est la moyenne du chargement à chaque application du chargement.

37
Exemple 2

Si le chargement est constant, égale à s, et la résistance du système a une distribution de Weibull

de paramètres  et  , alors

Rn = e− n ( s / )
Exemple 3

La résistance d’une poutre qui supporte une structure a une distribution de Weibull de
paramètres  = 2.1 et  = 1200 kg. Quelle est la fiabilité de la structure ?

Rn = e−4(100/1200) = 0.9785
2.1

Exemple 4

Un outil d’estampage est conçu pour résister à une force maximale de 1000 N. Une machine
d’estampage applique une force sur l’outil de distribution exponentielle de moyenne 100 N. Si
l’opération d’estampage est effectuée à une cadence fixe d’une opération toutes les deux
minutes ; c’est-à-dire, t = 1 / 30 hr , quelle est la fiabilité de compléter un poste de 8 heures
sans défaillances de l’outil ?

R = Pr  X  y = Fx (1000) = 1 − e−1000/100 = 0.9999546

t / t 
R(t ) = R  = 0.9999546
30t 

Donc

R(8) = 0.9999546
240
= 0.98916

4.3.2 Chargements aléatoires

Si les chargements sont appliqués d’une manière aléatoire avec un nombre de chargements
appliqués par unité du temps de distribution de Poisson. La probabilité que n chargements se
produisent durant le temps t est

Pn (t ) = ( t )n e( − t ) / n ! n = 0,1, 2,

où  est le nombre moyen de chargements appliqués par unité du temps ; donc  t représente
le nombre moyen de chargements appliqués durant le temps t. La fiabilité dans ce cas est

38
  
 ( t ) n e( − t ) 
R(t ) =  R Pn (t ) =  R 
n n

n =0 n =0  n! 

( tR) n
= e ( − t )  = e( − t ) e( tR ) = e − (1− R ) t
n =0 n !


xn
où on a utilisé,  = e , et l’expression de R est l’une des expressions données ci-dessus dans
x

n =0 n !

le cas d’un chargement statique.

Exemple
Une structure est conçue pour résister à un vent de 120 km/h. Un vent d’ouragan a une
distribution normale de moyenne 86 km/h et d’écart type 9 km/h. Le vent est appliqué d’une
manière aléatoire (selon un processus de Poisson) avec un taux moyen de 2 fois par ans.
Exprimer la fonction fiabilité.
 120 − 86 
  =  ( 3.78 ) = 0.99992
 9 
et

R(t ) = e−(0.00008)2t
4.3.3 Chargement aléatoire à contrainte et résistance fixes

Un résultat différent est obtenu si la contrainte et la résistance sont déterminées d’une manière
aléatoire une seule fois et garder constante pour chaque cycle. Dans le cas où les cycles de
temps suivent la loi de Poisson,
 
R(t ) =  Rn Pn (t ) = P0 (t ) + R  Pn (t )
n =0 n =1

Puisque R (0) = 1 et Rn = R = Pr x  y pour n = 1,2, ,n

Donc
R(t ) = P0 (t ) + R(1 − P0 (t ))

on a utilisé la relation  P (t ) = 1 . Puisque P0 (t ) = e−t pour un processus de Poisson,
i =1
i

R(t ) = e− t + R(1 − e− t )

= R + (1 − R)e− t

Exemple

39
Une soupape de sécurité a une résistance de distribution exponentielle de moyenne 3700 N. La
force, ou le chargement, a une distribution exponentielle de moyenne 740 N. Une fois le
chargement est appliqué il reste constant. Une procédure de fermeture d’urgence se produit
d’une manière aléatoire de une fois par an.
On a
 x /  y = 740 / 3700 = 0.20
A partir du tableau de la page 35, R = 0.83
et

R(t ) = 0.83 + 0.17e−t où t est mesuré en années.

Donc, la fiabilité pour une année est

R(t ) = 0.83 + 0.17e−1 = 0.8925 .

4.4 Modèles physiques des défaillances

L’approche principale présentée jusqu’ici consiste à considérer l’occurrence des défaillances

comme une processus aléatoire. Cela est dû au manque de connaissance des phénomènes
physiques à l’origine des défaillances. En conséquence, des modèles statistiques de la fiabilité
ont été développés. Dans ces modèles, des données de défaillances sont utilisées pour estimer
les paramètres des modèles statistiques et des tests de corrélation sont appliqués pour choisir la
forme du modèle ou la loi de probabilité la plus adaptée. Cette approche consiste à déterminer
les paramètres du modèle choisi à partir d’un échantillon des données de défaillances et de
généraliser le modèle obtenu à la population des entités identiques. Un modèle fiable
d’estimation de la fiabilité nécessite un nombre élevé de temps de défaillances. Ce type de
modèles ne fournit pas des informations sur le processus de la défaillance ou le composant qui
est à l’origine de la défaillance d’un système.

Un deuxième défaut de l’approche statistique est dû à la non prise en compte des chargements
et des conditions de fonctionnement d’un composant particulier. Les composants ne sont pas
tous soumis à un même chargement : tension, température ambiante, vibration, choc, ou
humidité. Par conséquent, on ne s’attendrait pas que tous les composants présentent le même
processus de défaillance. Les modèles à covariables présentés ci-dessus adressent ce problème
dans une certaine mesure. Cependant, ces modèles sont développés à partir d’échantillons de
données et généralisés pour une population entière.

40
Une approche alternative à l’estimation de la fiabilité par des modèles statistiques consiste à
utiliser des modèles physiques de défaillance. Un modèle physique de défaillance est un modèle
mathématique, généralement, déterministe obtenu en se basant sur le mécanisme de la
défaillance et les causes primaires de la défaillance. Une défaillance n’est pas considérée
comme un évènement statistique. La durée de vie est déterminée pour chaque mode de
défaillance d’un composant et le site de défaillance en fonction des contraintes appliquées, les
propriétés du matériau, la géométrie, les conditions de fonctionnement, et les conditions
d’utilisation. Un modèle physique est spécifique à un mécanisme de défaillance et un site de
défaillance particulier. Ainsi, un nombre réduit de modèles utiles ont été développés. On
présente ci-après deux exemples de modèles physiques de durée de vie ou du niveau de
dégradation.

Exemple 1 : Durée de vie utile d’un outil de coupe, tel qu’un forêt de perçage ou une lame de
scie (modèle de Taylor)

Le modèle de Taylor permet de calculer la durée de vie de l’outil de coupe. Ce modèle est
exprimé en fonction de la géométrie de l’outil, des conditions de coupe, et de la dureté du
matériau à usiner ou découper. Plusieurs modes de défaillance de l’outil de coupe ont été
identifiés tels que la rupture, la déformation plastique, et l’usure graduelle. Ce modèle a été
développé par Taylor (en 1907) et a fait depuis l’objet de plusieurs améliorations. Une forme
courante de ce modèle est la suivante :
c( Bhn )m
t=
v f  d 
où
t est la durée de vie de l’outil en minutes
Bhn est la dureté de Brinell de la pièce à usiner
v est la vitesse de coupe en m/mn
f est la vitesse d’avance en m/mn

d est la profondeur de passe en mm

c, m,  ,  et  sont des constantes déterminées de manière empirique.

En général,       m indiquant que la durée de vie de l’outil de coupe est sensible, dans
l’ordre suivant : à la vitesse de coupe, à la vitesse d’avance, à la profondeur de passe et enfin à
la dureté de la matière à usiner.

41
Exemple 2 : Usure de patin de frein

Un modèle développé par Newcomb permet d’estimer l’usure de patins de frein. Ce modèle est
utilisé pour estimer la durée de vie du patin.

 104Wb  Wt (v 2 N ) y 
W =  
 2A  4g 
où

W est l’usure du patin en mm/km

Wb est le taux d’usure spécifique du matériau de friction en mm3/N.m
A est la surface de revêtement en mm2
v est la variation moyenne de la vitesse par action de freinage
Wt est le poids du véhicule en N
g est l’accélération de pesanteur en m/s2
N est le nombre d’opérations de freinage par km
y est la proportion de l’effort de freinage total transmise à travers le patin.

Ce modèle suppose que l’usure d’un patin de frein est proportionnelle à l’énergie absorbée et
le taux d’usure du matériau de friction. Si l’épaisseur du patin est égale à d mm, la durée de vie
du patin en km est de
t = d /W

42
 Chapitre V : Modélisation des défaillances des systèmes réparables

Si un système peut être réparé ou restaurer à son état initial après une défaillance, il est considéré
un système réparable. Si la durée de la réparation ou la remise en état est négligeable, le temps
de fonctionnement du système est alors constitué d’une séquence d’intervalles de temps de bon
fonctionnement qui obéissent à une certaine loi de probabilité. Ces évènements ponctuels dans
le temps forment un processus aléatoire ponctuel. Un processus aléatoire ponctuel est formé
d’évènements ponctuels : défaillance/réparation, qui sont distribués d’une manière aléatoire sur
l’axe continu du temps.

La figure ci-dessous présente un processus aléatoire ponctuel ; c’est-à-dire, chaque évènement

(défaillance suivie d’une réparation) a une durée négligeable.

Soient T1 , T2 , les instants du temps des évènements (défaillance/réparation) ; Tk est l’instant

correspondant à la kème évènement; et T0 = 0 .

La variable aléatoire X k = Tk − Tk −1 est l’intervalle du temps entre la défaillance k −1 et la

défaillance k . On a donc
k
Tk =  X i
i =1

et
k
E (Tk ) =  E ( X i )
i =1

43
où E ( X i ) est le temps moyen entre deux défaillances. On s’intéresse à déterminer la distribution

de la probabilité de Tk qui dépend de la distribution de X i . Cette distribution peut dans certains

cas être déterminée si le temps entre défaillances forme un processus de renouvellement dans
lequel la réparation rétablit le système à son état initial.

5.1 Processus de renouvellement

Dans un processus de renouvellement, les variables aléatoires X i sont indépendants et ont des

distributions identiques. Cette hypothèse est cohérente avec la supposition que le dispositif est
rétabli à son état initial après réparation.

Pour un processus de renouvellement

E (Tk ) = kE ( X1 ) = k 1
et

var(Tk ) = k var( X 1 ) = k 12

où 1 est la moyenne de temps de bon fonctionnement jusqu’à la première défaillance et  1

est son écart type.

Puisque Tk est la somme des variables aléatoires indépendants et identiquement distribuées,

d’après le théorème de limite centrale et pour un nombre élevé k , Tk a approximativement une

distribution normale de moyenne k et d’écart type 1 k

 t − k 1 
Pr Tk  t    
 1 k 

L’approximation dans l’équation ci-dessus est valable pour k  30 bien qu’une valeur plus

faible de k est acceptable si la distribution de X1 est approximativement symétrique. Ce résultat

pourrait apparaitre peu utile car souvent on s’intéresse à la distribution de Tk pour de faibles

valeurs de k . Cependant, si la distribution de X1 est normale, Tk a une distribution normale

quelques soit la valeur de k et la probabilité dans l’équation ci-dessus est exacte.

44
Exemple 1

Une ligne de production présente plusieurs défaillances tels que des bourrages, des fuites de
lubrifiant et des défauts d’alignements. Le temps de défaillances a une distribution de Weibull

de paramètres  = 0.5 et  = 1.5 heure. Le taux de défaillances décroissant est compatible avec
l’observation que si la ligne va subir une défaillance, cette défaillance aura lieu probablement
immédiatement après le démarrage de la ligne. Le plus longtemps la ligne est en
fonctionnement, le plus probable qu’elle continue à fonctionner sans défaillances dues au
fonctionnement. Supposons que la réparation prend la forme d’un renouvellement, quelle est la
probabilité que la kème défaillance se produit avant le temps t.

Réponse

On calcule d’abord la moyenne et l’écart types correspondants à la loi de Weibull. Soit

MTBF = 3 heures et  = 6.71 .
La probabilité que la kème défaillance se produit avant le temps t est

 t − k (3) 
Pr Tk  t    
 6.71 k 

Exemple 2

Un outil de coupe a une durée de vie de distribution normale de moyenne 5 heures de

fonctionnement et d’écart type 1 heure. Neuf outils de rechange sont disponibles pour un temps
de production de 40 heures. Déterminer la probabilité (la fiabilité) de compléter la production
avec les outils disponibles.

Réponse

 t − 9(5) 
Pr T9  40  1 −    = 0.95254
 (1) 9 

Un processus stochastique peut aussi être caractérisé par le nombre de défaillances dans
l’intervalle (0, t ) . Soit N (t ) une variable aléatoire discrète qui représente le nombre de
défaillances cumulé qui apparaissent dans l’intervalle (0, t ) . N (t ) est représenté sur l’axe des
ordonnées dans la figure ci-dessus. Cette variable a les propriétés suivantes
Pr N (t ) = 0 = Pr T1  t

45
 Pr  N (t ) = j = Pr T j  t  T j +1
= Pr T j +1  0 − Pr T j  0 pour j = 1, 2,

Cette relation est fondamentale car elle établit la relation entre la probabilité de la variable
discrète N (t ) et la variable continue T .

Exemple 3 (suite de l’exemple 2)

Le temps de défaillance a une distribution normale de moyenne 5 heures et d’écart type 1 heure.
Exprimer la distribution du nombre de défaillances pour les 12 premières heures de
fonctionnement.

Réponse
 12 − 5 
Pr  N (12) = 0 = Pr T1  12 = 1 −    = 1−  (7)  0
 1 
 12 − 10 
Pr  N (12) = 1 = Pr T2  12 − Pr T1  12 = 1 −    − 0 = 1 −  (1.414 )  0.07927
 2 

 12 − 15    12 − 10  
Pr  N (12) = 2 = Pr T3  12 − Pr T2  12 = 1 −    − 1 −   
 3    2 
= − (1.732 ) +  (1.414 )  0.87891
Continuant
Pr N (12) = 3 = 0.04179

Pr N (12) = 4 = 0.00003

Pr N (12)  5 = 0
La moyenne du nombre de défaillance est

 =  j Pr  N (12) = j approximativement égale à 1.96 défaillances.
j =1

5.2 Processus de Poisson Homogène

Si la distribution des temps X i est une distribution exponentielle de paramètre  , la distribution

de Tk est une distribution gamma (Erlang) de paramètres  et k , soit

k −1
( t ) i
Pr Tk  t = 1 − e−t 
i =0 i!

46
La distribution de la probabilité du nombre de défaillances dans l’intervalle (0, t ) , N (t ) est
obtenue en appliquant l’équation ci-dessus

Pr  N (t ) = j = Pr T j +1  0 − Pr T j  0
j
( t ) i j −1
( t ) i
= e − t  − e − t 
i =0 i! i =0 i!
( t ) j
= e − t
j!

L’équation ci-dessus correspond à une loi de probabilité de Poisson de moyenne t . Ce

processus de renouvellement est appelé Processus de Poissons Homogène (PPH) car dans ce
cas  est constante. Un processus de Poisson est un processus ponctuel dont les intervalles
entre évènements successives sont des variables aléatoires indépendantes et dont la distribution
est exponentielle. L’espérance du nombre de défaillances dans l’intervalle (0, t ) est égale à la
moyenne de la loi de Poisson
E  N (t ) = t

5.3 La fonction de renouvellement

Pour tout processus de renouvellement, la fonction


m(t ) = E  N (t ) =  j Pr N (t ) = j
j =1

est appelée la fonction de renouvellement. Un théorème important dans la théorie de

renouvellement est le théorème élémentaire de renouvellement :
m(t ) 1
lim =
t 
t →

où  est la moyenne de la durée d’un cycle de renouvellement. Dans l’hypothèse d’un temps
de réparation négligeable,
 = E ( X i ) = MTBF
et
MTBF = E (T1 )

47
Ce théorème donne une approximation asymptotique. Lorsque t est relativement grande par
comparaison à la durée d’un cycle (c’est-à-dire le MTBF), la moyenne du nombre de
renouvellements dans l’intervalle (0, t ) est

t t
m(t ) = E  N (t ) = =
MTBF 

Un corollaire au théorème élémentaire de renouvellement est le suivant

T T
lim  m(t + T ) − m(t )  = = T 0
 MTBF
t →

Exemple

Un moteur a un temps de fonctionnement avant la première défaillance de distribution de

Weibull de paramètres  = 2400 heures et  = 1.8 . Déterminer la fiabilité du moteur à 500
heures si le moteur a subi une défaillance à 200 heures et a été restauré à son état initial (état
neuf). Combien de défaillances sont attendues pendant les premières 10 000 heures de
fonctionnement.

Réponses

Après la restauration à l’état neuf, le temps de bon fonctionnement a une distribution de

Weibull. Donc, on cherche sa fiabilité pour le fonctionnement de 300 heures supplémentaires.
Soit

R(300) = e−(3000/2400) = 0.9766

1.8

Puisque la MTBF est égale à 2400 (1 + 1/1.8) = 2135 heures, l’espérance du nombre de

défaillances, m(t ) = 10000 / 2135 = 4.86 .

5.4 Processus de réparation minimale

Dans plusieurs cas, la réparation se limite à réparer ou remplacer peu des pièces ou composants
parmi ceux qui forment un système. Ce type de réparation garde le système approximativement
dans le même état de dégradation qu’avant la défaillance et la réparation. La conséquence d’une
réparation minimale est que les temps entre défaillances ne sont plus indépendants et
identiquement distribués. Le système continue à se dégrader au cours du temps, et les valeurs

successives de X i seront corrélées et présenteront une certaine tendance.

48
Une manière de modéliser ce processus est de le traiter comme un processus stochastique
ponctuel. Pour modéliser ce processus, on définit la fonction intensité  (t ) qui représente le
taux de variation par rapport au temps de l’espérance du nombre de défaillance, soit
d E  N (t )
 (t ) =
dt

Une estimation de la valeur de  (t ) peut être obtenue en utilisant l’expression suivante

N (t + t ) − N (t )
 (t ) 
t

La fonction intensité est aussi appelée le taux de renouvellement, ou l’intensité des défaillances
ou le taux d’occurrence des défaillances (ROCOF). Cette fonction ne doit pas être confondue
avec le taux de défaillances  (t ) , car alors que  (t ) t est la probabilité conditionnelle de
défaillance dans l’intervalle du temps t étant donné que l’unité a survécu jusqu’à l’instant t ,
 (t ) t est une probabilité inconditionnelle de défaillance dans l’intervalle du temps t . Le

taux de défaillances  (t ) est un taux qui concerne uniquement la première défaillance alors que
le taux  (t ) est un taux de défaillances des systèmes réparables.

En utilisant la fonction intensité  (t ) , on trouve l’espérance du nombre de défaillances

E  N (t ) =   ( )d
t

Un MTBF instantané est défini par

1
MTBF (t ) =
 (t )
et une valeur de MTBF moyenne pour un intervalle du temps (t1 , t2 ) est

t2 − t1
MTBF (t1 , t2 ) =
m(t1 , t2 )
où
t2

m(t1 , t2 ) = E  N (t2 ) − N (t1 ) =   (t )dt

t1

m(t1 , t2 ) est l’espérance du nombre de défaillances dans l’intervalle (t1 , t2 ) .

49
Exemple
Une machine de production a une fonction intensité  (t ) = e−6.5+0.0002 t , où t est en heures. Après
une année d’utilisation (3000 heures),  (3000) = 0.002739 et la MTBF instantanée est
1/  (3000) = 365 heures. L’espérance du nombre de défaillances au cours de la deuxième
année d’utilisation est
6000
m(3000,6000) = 
3000
e−6.5+ 0.0002 t dt = 11.26

5.5 Processus de Poisson Non Homogène

Un modèle relativement simple d’un processus stochastique ponctuel est le processus de

Poisson non homogène dont la distribution du nombre de défaillances dans l’intervalle (t1 , t2 )
est exprimée par
m(t1 , t2 ) j − m(t1 ,t2 )
Pr  N (t2 ) − N (t1 ) = j = e
j!
où N (0) = 0 .

La fiabilité à l’instant t avant la première défaillance est égale à la probabilité qu’aucune

défaillance ne se produit dans l’intervalle (0, t )

R(t ) = Pr N (t ) = 0 = e−m(0,t )

La fiabilité suite à une défaillance/réparation à l’instant T est

R(t T ) = Pr N (t + T ) − N (t ) = 0 = e−m(T ,T +t )

Il faut noter que m(T , T + t ) est l’espérance du nombre des défaillances qui se produisent dans
l’intervalle du temps (T , T + t ) . Le processus de Poisson homogène constitue le cas particulier
où  (t ) =  , une constante, et m(0, t ) = t .

Une forme courante de la fonction intensité est la suivante

 (t ) = a b t b−1 a, b  0

qui est appelée loi de puissance ou loi de Weibull. L’appellation Weibull est dû à sa forme qui
est identique à celle de la fonction taux de défaillance de la loi de Weibull. Cependant, il faut

50
noter qu’à l’exception du temps jusqu’à la première défaillance, les temps entre défaillances
n’ont pas des distributions de Weibull.

Pour la fonction intensité ci-dessus, il faut remarquer que si b  1 ,  (t ) est une fonction
décroissante et par conséquent, le système s’améliore au cours du temps. Par contre, si b  1 ,
 (t ) est une fonction croissante et le système se dégrade au cours du temps comme c’est souvent

le cas pour un système qui subit une réparation minimale. Des méthodes existent pour estimer
les paramètres a et b . Il faut noter qu’avant de choisir le processus de Poisson non homogène,
les données utilisées pour la modélisation doivent être testées pour identifier s’il y a une
tendance de croissance ou décroissance des intervalles entre défaillances. Si la tendance existe,
le processus de Poisson Homogène est le modèle le plus adopté.

Exemple

Un bus âgé de 6 ans fait l’objet de réparation minimale après chaque défaillance. Il a été établi
que la fonction intensité est  (t ) = 0.0464 t 2.1 , où t est mesuré en années.

La MTBF instantanée pour t = 6 ans est

MTBF = 1/ 0.0464 (6) 2.1  = 0.5 année.

et l’espérance du nombre de défaillances au cours de l’année suivante est

7
m(6,7) =  0.0464 t 2.1dt = 2.37
6

La probabilité de l’occurrence d’aucune défaillance au cours de la septième année est

R(1 6) = Pr N (6 + 1) − N (6) = 0 = e−m(6,7) = e−2.37 = 0.095

et la probabilité qu’une seule défaillance se produit au cours de la septième année est

Pr N (7) − N (6) = 1 = 2.37e−2.37 = 0.224

La fonction fiabilité avant la première défaillance est

R(t ) = exp −  ( )d  = exp −  0.0464  2.1d  = e−0.0149677t

t t 3.1

 0   0 

qui correspond à une loi de Weibull de paramètres  = 3.1 et  = 3.878 heures.

51
5.6 Temps moyens entre deux révisions

Un type particulier du processus de renouvèlement consiste à faire une révision complète du

système qui permet de le remettre en état neuf d’une manière périodique de période T0 ou suite

à une défaillance selon la première éventualité. T0 peut être considérée comme une période de
maintenance préventive.

Soit Trev la variable aléatoire qui représente l’intervalle du temps entre deux révisions et soient

R (t ) et f (t ) la fiabilité et la densité de probabilité des défaillances du système, respectivement,

la moyenne de l’intervalle du temps entre révisions est

T0 T0
E(Trev ) = T0 R(T0 ) +  t f (t ) dt =  R(t ) dt
0 0

Cette équation est composée de deux termes. Le premier terme exprime que la moyenne du

temps entre deux révisions est de T0 si aucune défaillance ne se produit avant T0 avec une

probabilité R(T0 ) . Le second terme représente l’espérance partielle de la distribution des

défaillances entre 0 et T0 . On retrouve la formule de la moyenne de la variable aléatoire lorsque

T0 →  .

Il faut noter que le second terme de l’équation ci-dessus peut être développé de la façon
suivante :
T0 T0 T0
 t f (t ) dt = −tR(t ) 00 +  R(t ) dt = −T0 R(T0 ) +  R(t ) dt
T
0 0 0

Si la distribution des défaillances est exponentielle,

T0 T0 1
E (Trev ) =  R(t ) dt =  e − t dt = (1 − e − T0 )
0 0 

Exemple

Le moteur d’un avion fait l’objet d’une révision complète toutes les 10 000 heures de vols ou
suite à une défaillance qui nécessite de déposer le moteur. Supposant un taux de défaillance
constant de 10-5 défaillance par heure de vol pour le mode de défaillance correspondant au dépôt
du moteur, la moyenne du temps entre révision est alors

E (Trev ) = 105 (1 − e −0.1 ) = 9516 heures de vol.

52
5.7 Cas de temps de réparation non négligeable
Jusqu’à présent, le temps de réparation a été supposé négligeable ce qui a permis d’utiliser la
théorie de processus ponctuel. Dans ce paragraphe, le temps de réparation est explicitement pris
en compte.

Soit X i la variable aléatoire qui représente le temps jusqu’à la i ème défaillance (le temps après

une restauration à neuf) et Si est la variable aléatoire qui représente le temps de réparation de
la ième défaillance, alors,

Yi = X i + Si

est le temps du ième cycle de renouvellement. Le temps du ième renouvellement Ti est

Ti = Ti −1 + Yi i = 1,2,

où T0 = 0 . Yi est une variable aléatoire de fonction de probabilité cumulé G(t ) = Pr Yi  t et

de densité de probabilité g (t ) .

Si X i a une densité de probabilité f (t ) et Si a une densité de probabilité h(t ) et X i et Si sont

indépendants, alors
t
g (t ) =  f ( ) h(t − )d
0

g (t ) a la forme d’une intégrale de convolution qui est généralement évaluée numériquement.

Cependant si X i et Si ont tous les deux des distributions exponentielles, l’intégrale de

convolution peut être évaluée analytiquement.

− t
Soit f (t ) = e
− rt
la densité de probabilité des défaillances et h (t ) = re la densité de probabilité
du temps de réparation ; donc, pour   r ,
t
t t  e−  − r (t − )  r
g (t ) =  f ( ) h(t −  )d =  r  e −  − r ( t − )
d =  r   = e − t − e − rt 
0 0
 − + r  0 − + r
et la probabilité cumulée correspondante est

re− t − e− rt
G(t ) = Pr Yi  t =
r −

53
On peut constater que bien que le temps de défaillance et le temps de réparation ont tous les
deux une distribution exponentielle, le temps de cycle n’a pas une distribution exponentielle.

Lorsque le temps de réparation est une composante non négligeable du temps de cycle, il faut
prendre en compte le temps moyen de réparation MTTR. Ainsi, le théorème élémentaire de
renouvellement s’écrit
m(t ) 1
lim =
t MTBF + MTTR
t →

et le corolaire de ce théorème s’écrit

T T
lim  m(t + T ) − m(t ) = = T 0
 MTBF+MTTR
t →
Exemple
Un système est composé de quatre modules identiques dont chaque module a une distribution
de défaillances de Weibull de paramètres  = 1.4 et  = 200 heures. Le temps de réparation a

une distribution log-normale de paramètres tmed = 2.5 heures et s = 0.87 . En supposant qu’a la
suite de la défaillance, l’unité est remplacée par une nouvelle unité (processus de
renouvèlement) et supposant que le régime permanent est atteint après 5 ans, déterminer
l’espérance du nombre de réparations au cours de cinq première années.

Réponse
Pour un composant
 1 
MTBF = 200 1 +  = 182.1 heures et MTTR = tmed e = 2.5e = 3.65 heures
s 2 /2 0.37845

 1.4 
Pour calculer la moyenne du nombre de défaillances pendant le cinq permière année, on utilise
la formule suivante
qt
m(t )  f =
MTBF+MTTR
où q est égale au nombre de module identiques ; soit pour t = 5 ans = 5(365)(24)5 heures
4(365)(24)(5)
f = = 943.2
(182.1+3.65)
et le MTBF du système
(365)(24)(5)
MTBFs = = 46.4 heures.
943.3

54
5.8 Temps de réparation d’un système de composants
On s’intéresse souvent à exprimer le temps de réparation d’un système en fonction des temps
de réparation de ses composants (modules, sous-ensembles). On présente une méthode de calcul
du temps moyen de réparation d’un système connaissant les moyennes des temps de réparation
de ses composants. Par exemple, le temps moyen de réparation d’un avion dépend des
distributions des temps de réparation de ses sous-systèmes tels que le sous-système électrique,
le sous-système hydraulique, le sous-système propulsion. La moyenne du temps de réparation
du système MTTR est calculée en utilisant la moyenne pondérée des MTTR des sous-systèmes
où la pondération est égale au nombre relatif des défaillances du sous-système.

Soit MTTRi la moyenne du temps de réparation du ième sous-système, f i est l’espérance du

nombre de défaillances du sous-système i pendant la durée de vie du système, et qi le nombre
des sous-systèmes identiques de type i ; alors la moyenne du temps de réparation du système
est
n

 q f MTTR
i i i
MTTR = i =1
n

q f
i =1
i i

L’espérance du nombre de défaillance du ième sous-système peut être calculée par la formule
suivante
 t0 i
 pour un processus de renouvellement
fi =  MTBFi
 t0  (t )dt
 0 i pour une réparation minimale

où t0i est le nombre totale d’heures de fonctionnement du composant i pendant sa durée de vie.

Si tous les composants du système ont des taux de défaillances constants, f i peut être remplacé

par i . Pour réduire le MTTR du système il faut améliorer la fiabilité des composants afin de
réduire f i et améliorer la maintenabilité pour réduire MTTRi.

Exemple,
Un poste de radio est composé des sous-systèmes suivants
Sous système Taux de défaillances  i MTTR i en heures
Module d’alimentation 0.00045 2.3
Amplificateur 0.00130 3.7
Module de recherche de 0.00007 4.6
stations
Total 0.00182

55
 3

  MTTR
i i
0.00045(2.3) + 0.00130(3.7) + 0.00007(4.6)
MTTR = i =1
3
= = 3.388 heures

0.00182
i
i =1

5.9 Amélioration de la fiabilité par la maintenance préventive

Pour les systèmes complexes, une fiabilité plus élevée peut être obtenue en instaurant un
programme de maintenance préventive. Ce type de programme permet de réduire les effets de
vieillissement et de dégradation et a un impact significatif sur la durée de vie du système. Le
modèle décrit ci-après suppose que la maintenance préventive permet de restaurer un système
à son état initial après l’opération de maintenance préventive.

Soit R (t ) la fiabilité du système en absence des opérations de maintenance, T la périodicité de

maintenance préventive et Rm (t ) la fiabilité du système en tenant compte de la maintenance

préventive, donc
Rm (t ) = R(t ) si 0  t  T
et
Rm (t ) = R(T ) R(t − T ) si T  t  2T
où
R (T ) est la probabilité de survie jusqu’au temps de la première maintenance préventive et

R (t − T ) est la probabilité de survie un temps additionnel t − T si le système est restauré à son

état initial à l’instant T . L’expression ci-dessus peut être généralisée pour obtenir

Rm (t ) = R(T ) n R(t − nT ) nT  t  (n + 1)T

n = 0, 1, 2,

n
où R(T ) est la probabilité de survivre n périodes de maintenance préventive et R(t − nT ) est la
probabilité de survivre un temps t − nT après la dernière opération de maintenance préventive.

Il est possible de démontrer que la moyenne du temps de bon fonctionnement sous condition
de maintenance préventive est


MTBF =  Rm (t )dt =
0
R(t )dt
0 1 − R(T )

56
Cas d’un taux de défaillances constant

R(t ) = e−t
Rm (t ) = ( e− T ) e−  (t −nT ) = e − nT e − t e +  nT = e − t = R(t )
n

Ce résultat reflète la propriété d’absence de mémoire pour la distribution exponentielle. Dans

le cas d’un taux de défaillances constant, la maintenance préventive n’a aucun effet.

Cas d’une distribution de Weibull

 
t   t − nT 
− n  − 
    
Rm (t ) = e e nT  t  (n + 1)T

Exemple
 = 2 ,  = 100 jours et T = 20 jours

2 2
 20   t − 20 n 
− n  − 
Rm (t ) = e  100 
e  100 
20n  t  (n + 1)20

La figure ci-dessous présente les courbes de R (t ) et de Rm (t ) qui illustre l’amélioration de la

fiabilité au cours du temps comme conséquence de l’utilisation de la maintenance préventive.

La courbe en haut montre que la maintenance préventive restaure le système à un état neuf à la
fin de chaque cycle préventif, R(t − nT ) , mais ne prend pas en considération l’effet cumulé de
n
la dégradation au cours du temps, qui est R(T ) . La fonction fiabilité Rm (t ) doit être monotone

strictement décroissante.

La fiabilité pour 90 jours est trouvé en remarquant d’abord que n = 4

2 2
 20   90 −80 
−4   − 
Rm (90) = e  100 
e  100 
= 0.8437

En absence de maintenance préventive, la durée de vie prévisionnelle est de 32.5 jours. Si la

maintenance préventive est effectuée, on résout l’équation suivante

Rm (t ) = 0.9

et on trouve t = 55.9 jours. Cela constitue une augmentation de 32% de la durée de vie par
l’utilisation de la maintenance préventive.

57
58