4.3 Sélection des opérations de maintenance
4.3.3 Méthodes de résolution
Cette partie se focalise sur la sélection des opérations à effectuer pendant une intervention
de maintenance. Après avoir évoqué les critères utilisés pour réaliser cette sélection et les
questions autour de la dépendance des opérations de maintenance, intéressons-nous
maintenant à la résolution du problème décrit par l’expression 4.2. Pour résoudre ce
problème d’optimisation sous contrainte, les principales difficultés apparaissent lorsque le
nombre de composants augmente. Quand une intervention de maintenance est jugée
indispensable, la sélection des opérations doit être réalisée entre 2
𝑛candidats, avec 𝑛 le
nombre de composants dans le système. Dans le but d’éviter l’explosion combinatoire et de
réduire le temps de calcul, des méthodes de résolutions exactes ou approchées peuvent être
considérées. Elles visent à réduire de manière drastique le nombre de candidats à
considérer.
Dans cette thèse, nous avons premièrement utilisé une méthode exacte basée sur une
procédure de séparation et évaluation, plus connue sous le terme anglophone de Branch
and Bound (Galante & Passannanti, 2009). Dans un algorithme Branch and Bound, l’objectif
est d’éviter de passer en revue tous les candidats en s’appuyant sur une analyse des
propriétés du problème. Pour cela, cet algorithme va construire les différents candidats
composant par composant. Cette construction est souvent représentée sous forme d’arbre
où les branches correspondent aux différentes étapes de l’algorithme. A la fin de chaque
étape, l’objectif est de comparer les développements possibles des candidats, partiellement
définis, par rapport aux critères à optimiser. Selon des règles basées sur l’analyse du
problème, certaines branches peuvent être éliminées.
Cette méthode a été utilisée dans (Lesobre et al., 2013) pour résoudre le problème
d’optimisation avec le critère de décision de maintenance 𝐽
1. Aucune dépendance entre les
81
exemple illustratif montrent une réduction significative du temps de calcul. Notons que, les
règles utilisées pour l’élimination des branches ont été déterminées assez simplement au
vue du problème posé. Typiquement, si un candidat partiellement défini respecte la
contrainte au niveau de la 𝑀𝐹𝑂𝑃𝑆(𝑡), les autres candidats avec une évaluation du critère 𝐽
1supérieure peuvent être supprimés. L’utilisation de cette règle simple est possible car le
critère 𝐽
1a une évolution croissante. Néanmoins, si l’on souhaite étendre cette méthode de
résolution à d’autres critères de décision, la définition de ces règles devient plus complexe.
C’est le cas, par exemple, lorsque l’on souhaite définir des règles pour les critères 𝐽
2et 𝐽
3. En
effet, ces critères ne sont plus des sommes mais des ratios dont l’évolution n’est pas
toujours croissante. Ce constat nous amène donc à étudier une autre méthode de
résolution: les algorithmes génétiques.
Les algorithmes génétiques (AGs) représentent des méthodes d’optimisation stochastique
basées sur les concepts de la sélection naturelle et de la génétique (Holland J. H., 1975).
Contrairement au Branch and Bound évoqué précédemment, les AGs sont des méthodes de
résolution approchées. La flexibilité de ces méthodes permet de s’adapter beaucoup plus
facilement aux différents critères de décision de maintenance considérés. Plusieurs
approches d’AGs sont proposées pour traiter les problèmes d’optimisation sous contrainte
(Michalewicz & Schouenauer, 1996). Dans ce manuscrit, des méthodes basées sur la
recherche de solutions faisables sont investiguées (Deb et al., 2002). Généralement, la
première étape d’un AG vise à construire une population initiale de candidats. L’étape
suivante consiste à évaluer et à classer ces divers candidats à l’aide d’une fonction objectif.
Ensuite, tant que le critère d’arrêt n’est pas satisfait, des opérations génétiques telles que le
croisement et la mutation sont appliquées sur la population pour obtenir de meilleurs
candidats. Dans notre cas, un seuil sur le nombre d’itérations est utilisé comme critère
d’arrêt.
Codage d’un candidat
Dans l’algorithme développé (cf. figure 4.5), les candidats sont représentés par un vecteur de
taille 𝑛, avec 𝑛 le nombre de composants dans le système. Chaque composant à l’intérieur
de ce vecteur peut prendre la valeur 1 ou 0 suivant que le remplacement est réalisé ou non.
Population initiale
La première étape de l’algorithme consiste à générer la population initiale 𝑃
0composée de
𝑁 candidats. Pour construire 𝑃
0, un générateur aléatoire peut être utilisé. Même si cette
méthode a l’avantage d’être très simple à mettre en place, elle conduit souvent à réduire
l’efficacité de l’AG. En analysant les différents critères considérés, il ressort que la sélection
des opérations de maintenance s’appuie principalement sur deux caractéristiques. La
première est liée au coût de remplacement et la seconde est liée à l’importance du
82
caractéristiques, nous proposons de scinder en deux la génération des candidats de la
population initiale.
En pratique, pour les 𝑁 2⁄ premiers candidats de la population initiale, une probabilité plus
importante de remplacement est considérée pour les composants dont le coût est le plus
bas. Pour les 𝑁 2⁄ candidats suivants, une probabilité plus importante est considérée pour
les composants dont le niveau de fiabilité est le plus critique pour le système à l’instant 𝑡.
Notons que, pour évaluer cette criticité, un facteur d’importance appelé Risk Reduction
Worth (RRW) est introduit (Rausand & Høyland, 2004). Pour un composant 𝑖 donné, le RRW
correspond au ratio de l’actuelle défiabilité du système sur la défiabilité du système en
supposant que le composant 𝑖 est remplacé. Ce facteur d’importance est pertinent pour
prioriser les remplacements qui réduisent le plus le risque de dysfonctionnement. Ainsi, pour
la seconde moitié de la population initiale, la probabilité de remplacement plus importante
est considérée sur les composants avec un RRW élevé.
Précisons que, dans cette détermination de la population initiale, nous introduisons des
éléments, notamment du point de vue de la fiabilité, qui sont spécifiques au problème traité.
Figure 4.5: Description de l'algorithme génétique
Evaluation et classement
La seconde étape de cet algorithme vise à évaluer le critère de décision de maintenance
utilisé et la 𝑀𝐹𝑂𝑃𝑆(𝑡) pour chaque candidat. Une fois cette évaluation réalisée, les
candidats doivent être classés. Comme nous sommes face à un problème d’optimisation
sous contrainte, chaque candidat représente une solution faisable ou non suivant la valeur
0 0 1 0 0 1 0 1 ……….……….n 1 0 0 0 1 0 0 1 0 1 0 1 1 1