3.2 Modèle VirMaLab
3.2.1 Description qualitative
Le modèle graphique associé à l’approcheVirMaLabest donné dans la figure3.1. Ce
der-nier caractérise les relations de dépendance du vecteur aléatoire (X
t,D
t, A
t)
t≥1sur deux
tranches temporelles. Pour des raisons de lisibilité et de complexité spatiale et
algorith-mique, le modèleVirMaLabest représenté sous la forme d’un1-MGPM . Toutefois, il est
important de noter qu’il n’existe pas de verrou théorique quant à l’extension du modèle à
un ordre markovien supérieur. Le modèle VirMaLabest donc constitué de trois
compo-santes principales dédiées respectivement à l’évolution du système (processus (X
t)
t≥1), à
son diagnostic (processus(D
t)
t≥1) et à sa maintenance (processus (A
t)
t≥1).
Le vecteur aléatoireX
treprésente l’état du système à l’instantt. L’état du système désigne
ici toutes les variables permettant d’expliquer son évolution temporelle. L’hypothèse la plus
simple consiste à réduire le vecteur X
tà une simple variable X
t. Dans le chapitre2, nous
avons étudié le cas où le système était décrit par le vecteur X
t= (X
t, S
t), à savoir son
état à l’instant t ainsi que la durée avant une transition. L’exemple 2.6 illustre la prise
en compte d’un contexte agissant sur le système (cadence de production). Dans ce cas, le
vecteur X
tdésigne le triplet (C
t, E
t, S
t).
Le vecteur aléatoireD
t= ((δ
t,ℓ, D
t,ℓ)
1≤ℓ≤L, D
tsys)représente l’ensemble des moyens de
diag-nostic du système. Plus précisément, le modèle de diagdiag-nostic est composé de L méthodes
de diagnostic indépendantes entre elles conditionnellement à l’état du système
caractéri-sées par les variables aléatoires D
t,1, . . . , D
t,L. Chaque variable D
ℓreprésente le résultat
du diagnostic de la ℓ-ème méthode à l’instant t. Les variables δ
t,1, . . . , δ
t,L∈ {0,1} sont
des variables binaires indiquant si chaque méthode de diagnostic est active à l’instant t.
La variable D
tsysreprésente le diagnostic final du système à l’instant tissu du traitement
des résultats desL méthodes de diagnostic.
La variable A
tdésigne l’action de maintenance sélectionnée à l’instant t. Dans le modèle
VirMaLab, la décision de maintenance est prise à partir du diagnostic final. Cette action
agit ensuite potentiellement sur l’état du système à l’instant suivant.
D’après la définition 1.13, le vecteur aléatoire associé à l’interface gauche dans le modèle
VirMaLabà l’instant test(X
t−1, A
t−1). Le théorème1.4 s’écrit alors :
3.2 ModèleVirMaLab 91
Fig. 3.1–1-MPGM (modèle de transition) associé au modèleVirMaLab. Dans le but d’améliorer la lisibilité, remarquons que seul le modèle de transition est repré-senté sur la figure. Le modèle initial étant identique à celui d’une tranche de temps quelconque, il n’y a pas de confusion possible.
Les relations de dépendance engendrées par la structure graphique du modèle conduisent
à la définition récursive suivante pour l’interface gauche :
P(X
t, A
t) =
P(X
1)X
D1P(D
1|X
1)P(A
1|D
1) t= 1
X
Xt−1 At−1P(X
t−1, A
t−1)P(X
t|X
t−1, A
t−1)X
DtP(D
t|X
t−1)P(A
t|D
t) t≥2
(3.2)
avec pour toutt≥1,
P(D
t) =
LY
ℓ=1[P(δ
t,ℓ)P(D
t,ℓ|X
t, δ
t,ℓ)]P(D
tsys,|D
t,1, . . . , D
t,L),
et
P(A
t|D
t) =P(A
t|D
syst).
92 Chapitre 3. Modélisation de la maintenance
D’un point de vue purement qualitatif, la structure graphique associée à l’approche
Vir-MaLabpermet de représenter :
– le processus de dégradation d’un système ;
– un nombre quelconque de méthodes de diagnostic dont l’activation dépend du temps ;
– une politique de traitement des différents résultats de diagnostic ;
– une politique d’actions de maintenance.
Cette démarche possède l’avantage d’être à la fois réaliste et générique. Elle s’adapte en
effet à de nombreux systèmes industriels et couvre un large éventail de problèmes liés
à la modélisation de la maintenance. Notons toutefois qu’afin de se placer dans un cadre
permettant de réaliser des calculs d’inférence exacte, nous supposons que toutes les variables
du modèleVirMaLabsont discrètes et finies.
3.2.2 Description probabiliste
Loi d’évolution du système
Soient X l’ensemble des états du système et A l’ensemble des actions de maintenance.
L’ensemble A est partitionné tel que A = A
X∪ A
Xoù A
X6
= ∅ et A
Xreprésentent
respectivement l’ensemble des actions laissant le système invariant et celui des actions
affectant le système. Dans le modèle VirMaLab, le processus de dégradation du système
est caractérisé par la distribution initiale des états du systèmeλ
1∈ L
{X}1et la distribution
de transition Λ∈ L
{X}t|{X,A}t−1. Formellement, nous avons pour tout x∈X,
P(X
1=x) =λ
1(x).
Autrement dit, la valeur λ
1(x) donne la probabilité que le système se trouve dans la
configuration xà l’instant initial.
Concernant le modèle de transition, deux cas sont à distinguer :
(i) Si l’action sélectionnée à l’état précédent laisse le système invariant (A
t−1∈ A
X),
le système évolue selon la loi de transition naturelle Λ
sys∈ L
{X}t|{X}t−1. Pour tous
x
′,x∈X,Λ
sysvérifie alors
P(X
t=x|X
t−1=x
′, A
t−1∈ A
X) = Λ
sys(x
′,x).
Le système passe naturellement de la configurationx
′à xavec une probabilité égale
àΛ
sys(x
′,x).
(ii) Si l’action sélectionnée à l’état précédent agit sur le système (A
t−1∈ A
X), le système
subit une transition artificielle contrôlée par la loiΛ
act∈ L
{X}t|{X,AX}t−1
. Pour tous
x
′,x∈X et touta
′∈ A
X,Λ
actvérifie alors
P(X
t=x|X
t−1=x
′, A
t−1∈ A
X) = Λ
act(x
′, a
′,x).
La valeurΛ
act(x
′, a
′,x) exprime ainsi la probabilité pour le système de passer de la
configurationx
′à xalors que l’action a
′a été sélectionnée.
3.2 ModèleVirMaLab 93
Par conséquent, la loi de transition du système est définie par morceaux telle que pour tous
x
′,x∈X et touta
′∈ A,
P(X
t=x|X
t−1=x
′, A
t−1=a
′) = Λ(x
′, a
′,x) =
(
Λ
sys(x
′,x) si a
′∈ A
XΛ
act(x
′, a
′,x) si a
′∈ A
X.
Remarque 3.1 (Utilisation d’un MGD)
La description du modèle d’évolution du système dépend à la fois du problème considéré
et du degré de précision souhaité. En adoptant une représentation par Modèle Graphique
de Durée (MGD, cf. chapitre2), le vecteur aléatoire modélisant l’état général du système
vaut alors X
t= (X
t, S
t) où X
tet S
tdésignent respectivement l’état du processus et le
temps avant une transition naturelle à l’instant t. L’ensemble des valeurs prises par X
testX =X × S. Par ailleurs, en reprenant les notations de la partie 2.3, la loi initiale du
système dans le modèleVirMaLab,λ
1∈ L
{X,S}1, est donnée pour toutx= (x, s)∈ X ×S
par
λ
1(x) =λ
1(x, s) =α
1(x)F
1(x, s). (3.3)
Dans ce cas, la loi de transition naturelle, Λ
sys∈ L
{X,S}t|{X,S}t−1est définie pour tous
x
′, x∈ X et touss
′, s∈ S par
Λ
sys(x
′, s
′, x, s) =
(
Q
sys(x
′, x)F
sys(x
′, x, s) si s
′= 1
I(x
′, x)C(s
′, s) si s
′≥2 . (3.4)
Enfin, pour toute action a
′∈ A
Xagissant sur le système, la loi de transition artificielle,
Λ
act∈ L
{X,S}t|{X,A}t−1est définie pour tous x
′, x∈ X et touts∈ S par
Λ
act(x
′, a
′, x, s) =Q
act(x
′, a
′, x)F
sys(x
′, x, s). (3.5)
Les équations(3.3),(3.4)et(3.5)caractérisent le processus décrivant l’évolution temporelle
du système modélisé par un MGD dans le cadre d’une approche VirMaLab.
D’après la partie2.3.6, nous pouvons en outre déduire le cas où le système est représenté
par une Chaîne de Markov (CM). Cela revient simplement à supprimer les LPCF
1etF
sysdes calculs précédents. Formellement, nous avons pour toutx= (x, s)∈ X × {1},
λ
1(x) =λ
1(x,1) =α
1(x)F
1(x,1)
| {z }
=1=α
1(x),
Λ
sys(x
′, s
′, x, s) =
Q
sys(x
′, x)F
sys(x
′, x,1)
| {z }
=1si s
′= 1
I(x
′, x)C(s
′, s)
| {z }
cas impossible cars= 1
si s
′≥2 =Q
sys
(x
′, x),
et pour touta
′∈ A
X,
Λ
act(x
′, a
′, x, s) =Q
act(x
′, a
′, x)F
sys(x
′, x,1)
| {z }
=1