13. Introduction `
a la fiabilit´
e
MTH2302D
S. Le Digabel, ´Ecole Polytechnique de Montr´eal
A2017
Plan
1. Introduction
2. Taux de panne
3. Distributions usuelles
1. Introduction
2. Taux de panne 3. Distributions usuelles 4. Fiabilit´e des syst`emes
La th´eorie de la fiabilit´e sert `a ´etudier l’aptitude de syst`emes `a fonctionner correctement durant une p´eriode donn´ee. Un dispositif peut se trouver dans l’un des deux ´etats suivants :
I Apte `a fonctionner correctement, c’est-`a-dire en ´etat de service.
I Inapte `a fonctionner correctement, c’est-`a-dire en panne ou hors-service.
Nous posons les hypoth`eses suivantes :
I Au d´epart, chaque dispositif est en ´etat de service.
I Les d´efaillances se produisent g´en´eralement de fa¸con al´eatoire. Nous d´efinissons la fiabilit´e d’un dispositif pour une dur´ee donn´ee comme ´etant la probabilit´e qu’aucune d´efaillance ne se produise pendant cette dur´ee.
I Etant donn´´ e que les d´efaillances se produisent de fa¸con al´eatoire, et afin de pouvoir traiter le concept de fiabilit´e, nous associons `a chaque dispositif une v.a. non n´egative T
repr´esentant la dur´ee de vie (ou temps jusqu’`a une panne) du dispositif.
I La fiabilit´e du dispositif `a l’instant t ≥ 0 est la probabilit´e qu’il fonctionne encore `a l’instant t :
R(t) = P (T > t) = 1 − FT(t) ∈ [0; 1] .
I Comme FT est une fonction croissante, la fiabilit´e R(T ) est
une fonction d´ecroissante.
I R(0) = 1 et lim
t→+∞R(t) = 0.
I La v.a. T est g´en´eralement continue, mais elle peut parfois ˆ
etre discr`ete, par exemple si elle repr´esente le nombres de cycles d’op´eration.
I Si T est continue, on note f sa densit´e, et si elle est discr`ete, on note p sa fonction de masse : P (T = t) = p(t) ∈ [0; 1].
I f (t) = FT0(t) = −R0(t) ≥ 0.
I La dur´ee de vie moyenne, ou Mean Time To Failure (MTTF), est donn´ee par τ = E(T ).
I Si le syst`eme peut ˆetre r´epar´e, on note :
I Mean Time Between Failures (MTBF) : temps moyen entre
deux pannes.
I Mean Time To Repair (MTTR) : temps moyen de r´eparation.
I Cas discret : I R(t) = P (T > t) = ∞ P i=t+1 p(i) = 1 − FT(t) = 1 − t P i=0 p(i). I τ = E(T ) = ∞ P i=0 ip(i) = nouveau ∞ P i=0 R(i). I Cas continu : I R(t) = P (T > t) = ∞ R t f (s)ds = 1 − FT(t) = 1 − t R 0 f (s)ds. I τ = E(T ) = ∞ R 0 tf (t)dt = nouveau ∞ R 0 R(t)dt.
Exemple 1 : Prouver que τ =
∞
P
i=0
R(i).
1. Introduction
2. Taux de panne
3. Distributions usuelles 4. Fiabilit´e des syst`emes
Taux de panne (ou taux de d´
efaillance)
I Le taux de panne r(t) est d´efini pour que la quantit´e r(t)dt repr´esente la probabilit´e qu’une machine fonctionnant encore apr`es t unit´es de temps tombe en panne durant les dt unit´es de temps suppl´ementaires. On consid`ere que dt est petit.
I r(t)dt = P (t < T ≤ t + dt|T > t).
I Le taux de panne est un bon indicateur de la valeur de la distribution comme mod`ele de fiabilit´e tenant compte de l’usure. Lorsque t est assez grand, r devrait ˆetre strictement croissante.
I Si T est discr`ete, 0 ≤ r(k) ≤ 1 et
r(k) = P∞p(k)
j=kp(j)
= p(k)
Taux de panne : cas continu
I r(t)dt ' f (t)dt R(t) et comme f (t) = −R 0(t), on a r(t) = −R 0(t) R(t) ≥ 0 .I On peut en d´eduire que R(t) = exp − t R 0 r(x)dx .
Exemple 3 : Exprimer le taux de panne r(t) si T ∼ Exp(λ) et si T ∼ Geom(p).
Exemple 4 : Trouver R(t), τ et r(t) si T ∼ Unif(a, b) avec a ≥ 0. Exemple 5 : Prouver que R(t) = exp
− t R 0 r(x)dx .
Taux de panne dans un intervalle
Le taux de panne d’un syst`eme dans un intervalle ]t1; t2] est d´efini
par F R(t1, t2) = P (t1 < T ≤ t2|T > t1) ∆t = 1 ∆t R(t1) − R(t2) R(t1) avec ∆t = t2− t1 et 0 ≤ t1 < t2.
Si ∆t devient tr`es petit : lim
∆t↓0F R(t1, t2) = r(t1).
Taux moyen de panne
Le taux moyen de panne d’un syst`eme dans un intervalle ]t1; t2] est
d´efini par AF R(t1, t2) = 1 ∆t t2 Z t1 r(t)dt = 1 ∆t[ln(R(t1)) − ln(R(t2))] . si T ∼ Exp(λ), AF R(t1, t2) = λ.
1. Introduction 2. Taux de panne
3. Distributions usuelles
Distributions usuelles : loi normale tronqu´
ee
I T ∼ N+(µ, σ). I fT(t) = 1 √ 2πσcexp −(t − µ) 2 2σ2 pour t ≥ 0 et c = (1 − Φ(−µ/σ))−1.Distributions usuelles : loi exponentielle
Tr`es utilis´ee mais peu r´ealiste `a cause de son taux de panne constant. Elle est cependant souvent acceptable `a condition de la consid´erer dans un intervalle de temps [t1; t2] fini.
I T ∼ Exp(λ) avec λ > 0. I f (t) = λe−λt. I R(t) = e−λt. I r(t) = λ (constante). I E(T ) = τ = 1/λ. I F R(t1, t2) = 1 − e−λ(t2−t1) t2− t1 . I AF R(t1, t2) = λ.
Distributions usuelles : loi de Weibull
I T ∼ W(λ, β) avec λ > 0 et β > 0. I f (t) = λβtβ−1exp(−λtβ) pour t > 0. I W(λ, β = 1) = Exp(λ). I R(t) = exp(−λtβ). I r(t) = λβtβ−1.I r est croissante (IFR – Increasing Failure Rate) si β > 1 et d´ecroissante (DFR – Decreasing Failure Rate) si β < 1. Si β = 1, r est constante (distribution exponentielle).
I F R(t1, t2) = 1 t2− t1 1 − exp(−λ(tβ2 − tβ1)) . I AF R(t1, t2) = λ(tβ2 − tβ1) t2− t1 .
Distribution de Weibull mixte
I Motivation : dans de nombreuses situations r´eelles, le taux de panne devrait d’abord d´ecroˆıtre, puis stagner un certain temps, et enfin augmenter. Ces trois phases correspondent aux pannes pr´ecoces, aux pannes al´eatoires, puis `a l’usure : r adopte une forme de baignoire.
I On adopte la combinaison lin´eaire suivante : T = c1T1+ c2T2+ c3T3
avec Ti ∼ W(λ, βi) et ci> 0 pour i ∈ {1, 2, 3}, et
c1+ c2+ c3= 1.
I Pour obtenir une baignoire, on prend β1 < 1, β2= 1 (et donc
1. Introduction 2. Taux de panne 3. Distributions usuelles
Fiabilit´
e des syst`
emes
I On s’int´eresse `a un ensemble de n composants ou sous-syst`emes, mont´es en s´erie ou en parall`ele.
I On consid`ere que les composants fonctionnent et tombent en panne de fa¸con ind´ependante.
I On consid`ere qu’un syst`eme ne peut ˆetre r´epar´e.
I On s’int´eresse donc au temps ´ecoul´e avant la premi`ere panne.
I Soient Tk la dur´ee de vie du composant k, Rk sa fiabilit´e, et
Montages en s´
erie
I La dur´ee de vie T du syst`eme est telle que
T > t ⇐⇒ Tk> t pour tout k ∈ {1, 2, . . . , n}. I Donc R(t) = P (T > t) = P (T1 > t ∩ T2> t ∩ . . . ∩ Tn> t) = ind n Q k=1 P (Tk> t) = n Q k=1 Rk(t) = cas cont. n Q k=1 exp − t R 0 rk(x)dx et donc R(t) = exp − t Z 0 " n X k=1 rk(x) # dx . I On note T = minT1, T2, . . . , Tn .
Montages en s´
erie (suite)
Si Tk∼ Exp(λk) pour tout k ∈ {1, 2, . . . , n}, alors :
I T = minT1, T2, . . . , Tn ∼ Exp(λ) avec λ = Pnk=1λk.
I R(t) = e−λt.
I r(t) = λ.
I E(T ) = 1/λ.
Exemple 8
Soit un montage en s´erie de trois dispositifs qui fonctionnent et tombent en panne ind´ependamment. La distribution du temps de fonctionnement avant d´efaillance de chaque dispositif est
exponentielle avec les taux de pannes r1= 3 × 10−2,
r2 = 6 × 10−3, et r3 = 4 × 10−2. 1. Trouver R(60) pour ce syst`eme.
Montages en parall`
ele
On consid`ere deux modes diff´erents :
I Redondance active : tous les composants fonctionnent d`es le temps t = 0. Il suffit qu’au moins un composant fonctionne pour que le syst`eme au complet fonctionne.
I Redondance passive : Seul le premier composant est mis en marche `a t = 0. Une fois en panne, le deuxi`eme composant prend le relai et ainsi de suite. Le syst`eme au complet tombe en panne quand le n-i`eme composant tombe en panne.
Montages en parall`
ele : redondance active
I La dur´ee de vie T du syst`eme est telle que
T ≤ t ⇐⇒ Tk≤ t pour tout k ∈ {1, 2, . . . , n}. I Donc FT(t) = P (T ≤ t) = P (T1 ≤ t ∩ T2 ≤ t ∩ . . . ∩ Tn≤ t) = ind n Q k=1 P (Tk≤ t) = n Q k=1 1 − Rk(t). I Ainsi R(t) = 1 − n Y k=1 (1 − Rk(t)). I On note T = maxT1, T2, . . . , Tn .
Exemple 9 : Exprimer R(t), f (t), et τ = E(T ) si n = 2, T1 ∼ Exp(λ1), et T2 ∼ Exp(λ2). Si λ1 = λ2, comparer τ avec le
Montages en parall`
ele : redondance passive
I La dur´ee de vie T du syst`eme est
T = T1+ T2+ . . . + Tn. I τ = E(T ) = n P k=1 E(Tk). I V(T ) = ind n P k=1 V(Tk).
Redondance passive avec des lois exponentielles
Si Tk∼ Exp(λ) pour tout k ∈ {1, 2, . . . , n} :
I T ∼ Γ(α = n, λ) (loi Gamma).
I R(t) = FY(n − 1) avec Y ∼ Poi(c = λt), et donc
R(t) = e−λt n−1 X k=0 (λt)k k! .
Syst`
eme k parmi n
Le syst`eme au complet fonctionne si au moins k composants fonctionnent.
I Si k = n, c’est le montage en s´erie, et si k = 1, c’est le montage parall`ele avec redondance active.
I Si les composants sont ind´ependants et s’ils ont tous la mˆeme fiabilit´e R1, alors R(t) = P (N ≥ k) avec N ∼ B(n, p = R1(t)), ou encore R(t) = 1 − k−1 X i=0 n i R1(t)i(1 − R1(t))n−i.
Exemple 10
Soit p(k) = 1/N pour k = 1, 2, . . . , N la fonction de masse pour la dur´ee de vie en cycles d’un syst`eme particulier. Calculer le taux de panne r(k) pour k = 1, 2, . . . , N .
Exemple 11
Un syst`eme comporte deux composants qui fonctionnent ind´ependamment l’un de l’autre, `a partir de l’instant initial. On suppose que les dur´ees de vie en cycles X1 et X2 des deux
composants pr´esentent une distribution g´eom´etrique de param`etre 1/2. Trouver la probabilit´e que les deux composants tombent en panne durant le mˆeme cycle.
Exemple 12
On consid`ere quatre composants ind´ependants ayant une dur´ee de vie pr´esentant une distribution exponentielle, l’esp´erance de la dur´ee de vie du k-i`eme composant ´etant ´egale `a 1/k.
Les composants sont utilis´es pour construire le syst`eme ci-dessous :