R EVUE DE STATISTIQUE APPLIQUÉE
J. C. L IGERON R. G OARIN
Modélisation multidimensionnelle des taux de défaillance de composants électroniques
Revue de statistique appliquée, tome 22, n
o3 (1974), p. 43-67
<http://www.numdam.org/item?id=RSA_1974__22_3_43_0>
© Société française de statistique, 1974, tous droits réservés.
L’accès aux archives de la revue « Revue de statistique appliquée » (http://www.
sfds.asso.fr/publicat/rsa.htm) implique l’accord avec les conditions générales d’uti- lisation (http://www.numdam.org/conditions). Toute utilisation commerciale ou im- pression systématique est constitutive d’une infraction pénale. Toute copie ou im- pression de ce fichier doit contenir la présente mention de copyright.
Article numérisé dans le cadre du programme Numérisation de documents anciens mathématiques
http://www.numdam.org/
MODÉLISATION MULTIDIMENSIONNELLE DES TAUX DE DÉFAILLANCE
DE COMPOSANTS ÉLECTRONIQUES(1)
J. C.
LIGERON
**Ingénieur
à la Section Fiabilité des Engins MatraR. GOARIN
Ingénieur
au C.N.E.T.1 - INTRODUCTION
[37] [38] [39]
Dans le cadre du
développement
de labanque
de données defiabilité,
pa- rallèlement au Recueil d’informations deplus
enplus précises,
il a fallu mettreau
point
des méthodesd’analyse
de ces données. Notre souci a été de caracté- riser un résultat de fiabilité sur un composant en y attachant toutes les carac-téristiques
de cecomposant qui puissent
avoir une influence sur la fiabilité.Cela a entraîné la
gestion
d’un volumeimportant
d’informations et la recherche d’outilsmathématiques permettant
d’extraire de cette masse dedonnées,
desrenseignements objectifs
et concis.La notion de taux de défaillance pour les
composants électroniques
est trèslargement
admise par lamajorité
desspécialistes
en Fiabilité. Cette notion adéjà
donné lieu à de très nombreuses
publications.
On
admet,
defaçon
courante, que le taux de défaillance est fonction de latempérature
et des contraintesélectriques
subies par lecomposant.
Dans ce do-maine,
les recherches et lesexpérimentations
ont été très nombreuses. Elles ont donné naissance à ungrand
nombre de modèles dont certains sont très popu- laires.Néanmoins,
ces modèles ont été établis à l’aide de données sur des résultatsd’essais,
antérieurs à1964,
cequi
les rend relativementpérimés.
Ces modèles ont été
établis,
soit par des fabricants de composants sur unproduit
biendéterminé,
avecplus
ou moins desuccès, (l’idée
estgénéralement
dans ce cas, de rechercher une
description physique
de ladégradation
des com-posants)
àpartir
d’un volumeplus
ou moinsgrand
de données.---
(1) Article remis le 21/3/73. Révisé le 28/9/73.
* * Ce travail fait partie d’une thèse de Doctorat d’Université effectué sous la direction de Monsieur le Professeur Dugué.
44
L’idée est donc de décrire
statistiquement,
lecomportement
d’une popu- lation de composants.On
ignore
dans ce cas, si les données ont un caractère degénéralité
suffi-sant et de
plus
la méthode utilisée a étéparfois uniquement empirique.
L’ingénieur
de Fiabilités’occupant
d’unéquipement, peut toujours
s’in- terroger sur la valeur du modèleproposé
par les recueils ou par un fabricant de composants.Nous nous sommes
proposé
dans cetravail,
de bâtir des methodes permet- tant de trouver des modèlesmathématiques
de taux dedéfaillance,
et à l’aidede ces
méthodes,
vérifier la validité de ceux existant.II - ETUDES ET SELECTION DES DONNEES
Les données de fiabilité relatives aux défaillances
catalectiques
seront ca-ractérisés par le taux de panne.
La selection et la
critique
des données sontune partie
trèsimportante
du tra-vail de construction du modèle. La
précision
de celui-cidépend
du soinapporté
à
analyser
lesdonnées ;
pourcelà,
rien ne doit être laissé auhasard,
l’échantillon retenu pour bâtir les modèles devra avoir uneparfaite homogénéité,
demême,
l’on devra connaître l’ensemble des corrélations existant entre les différentes va- riables semblant influer sur un taux de défaillance.Variables influentes ou variables
primaires -
Nous pouvons dresser une liste de variables
qui
influent directement sur le taux de défaillance d’uncomposant électronique,
variables d’ailleurs fournies dans laplupart
des résultats d’essais.Critères de défauts -
Ce sont les valeurs
critiques
de certainsparamètres
accessibles sur un com-posant
au-delàdesquelles
lecomposant
est considéré comme défaillant.On
peut distinguer
deux types de défaillances :a)
Les défaillancescatalectiques
b)
Les défaillances par dérive.Contraintes
électriques -
Suivant le
type
decomposant étudié, on peut distinguer
2types
de con- traintesélectriques :
- Contrainte en tension :
Revue de Statistique Appliquée, 1974 - vol. XXII N° 3
- Contrainte en
puissance :
- Contraintes
thermiques
La
température
considéréedépend
dutype
decomposant
étudié.- Les composants
passifs
sont caractérisés par latempérature
ambiante en°C,
latempérature
de couche ou latempérature
de boîtier.- Les composants actifs sont caractérisés par 2
types
detempérature :
1- la
température
dejonction
en°C
2 - la
température
dejonction
normalisée.Variables
qualitatives
et variables secondaires -On
peut
dresser une liste non exhaustive des variablesqualitatives
et se-condaires, c’est-à-dire,
semblantinfluencer,
d’une manière moinsdirecte,
le taux dedéfaillance,
ce sont :- le fabricant - l’année de fabrication
- la
technologie
- le nombre decomposants
testés- le
type
d’utilisation - la durée de l’essaiIII - CHOIX DES DONNEES
-
Critique
des données -Cette étude doit être
entreprise
avant touttraitement,
elle a pourbut,
de déceler les "vices cachés" dont voiciquelques exemples :
- un domaine de contrainte
peut
ne pas être couvert entièrement. Il est alorsdangereux d’extrapoler.
- des critères de défaillance peuvent ne pas être
homogènes,
pour un fa-bricant,
cequi
élimine l’effet fabricant en leremplaçant
par une variable cri- tère derejet.
- des
regroupements peuvent
seproduire
pour une mêmetechnologie,
ilest bon de noter cette
dépendance qui
dans certains cas,peut provenir
d’autres variables "cachées" par les durées d’essais normés pour cettetechnologie.
- critère de défaillance inexistant : ce genre de données est à
rejeter
car onne
possède
pas depoint
decomparaison.
46
IV - ETUDE DE L’INFLUENCE DES VARIABLES SELECTIONNEES SUR LE TAUX DE DEFAILLANCE -
But -
Nous avons pu voir dans les
chapitres précédents,
que la sélection des don- nées revêtait unegrande importance.
Le
problème
étant enfait,
d’avoir des échantillons parfabricant, qui
soienthomogènes, c’est-à-dire,
que les mêmes causes aient les mêmes effets.En
réalité,
il est trèsdifficile,
étant donné le nombre de variables influantsur le "taux de
défaillance",
de déterminer àpriori
leur influence.Sans intercorrélations entre les
variables,
leproblème
seraitsimple
à résou-dre. Les coefficients de corrélation
simple
nousrenseigneraient
sur les variables influentes :Aussi,
il nous faut trouver une méthode nousséparant
les données aumieux en
perdant
le moins d’informationspossible.
Une
première analyse
des données devraitpermettre d’entreprendre
uneétude de modèle si les données sont
homogènes
ou de l’arrêter à ce stade.Il faut noter dès à
présent
que du fait d’une certaineimprécision
lors de l’établissement du taux de panne avec peu de défaillances(et
que dire du résul- tat ayant conduit à aucunedéfaillance)
les conclusions de l’étude ne sauraient êtreplus précises
que les informations dedépart.
Les
paramètres
décrivant l’essai de fiabilité seront la valeur du taux de pannecatalectique
estimée avec un niveau de confiance de60%.
Pour étudier les caractères influant sur la
fiabilité,
nous pouvonsdistinguer
la
technologie
descomposants qui
bien souvent est reconnue en tant que pa- ramètreinfluant,
mais il est intéressant de savoir àquel point
elleagit.
La liste des autres
paramètres pouvant
avoir de l’influence est trèslarge ;
mode
d’encapsulation, caractéristiques thermiques
ouélectriques, dimensions,
conditions de
fonctionnement, ambiance, fabricant,
date de fabrication ... etc Il est à noter aussi que bien souvent nous nedisposons
pas de tous les élé- ments influant sur la fiabilité comme les fluctuations desapprovisionnements
de matières
premières
chez lesfabricants,
cequi explique
le manque depréci-
sion des conclusions. La
répartition
non uniforme des essais effectués sur unefabrication par
exemple
ou dans une gamme detempefature
ou depuissance
est aussi une limitation à la
qualité
des conclusions.Méthode
d’analyse
descorrespondances -
Une étude a été
entreprise
àpartir
de données sur des condensateurs "tan- tale"Nous avons défini 7 classes de taux de défaillances
catalectique
par le ta- bleau suivant :Revue de Statistique Appliquée, 1974 - vol. XXII N° 3
À en
10-6 /h
Les
paramètres
considérés sont les contraintesélectriques
S avec troisclasses selon que la contrainte est inférieure
S-1, égale
S = 1 ousupérieure
S + 1 à la valeur maximale du fabricant. Les
températures
sont divisées enquatre
classesregroupées
autour des valeurs65°C, 85°C, 130°C, 170°C.
Les fabri-cants sont
repérés
par les lettres de A à G et troistechnologies d’encapsulation
sont
repérées
par lessymbôles
HERhermétiques,
TREtrempé,
MOU moulé.Nous avons ainsi obtenu un tableau de
répartition
danschaque
classe.Figure 1
La
projection
despoints
dans leplan
des axes 1 et 2(figure 2)
fait appa- raître sur l’axe 1 un taux d’inertie de 40 %qui
met enopposition
les taux depannes LA 1 et LA7 les
plus
forts et lesplus faibles,
cequi permet
de classer lestechnologies,
les condensateurshermétiques
HER étant meilleurs que les moulés MOU ou lestrempés
TRE d’où l’influenceimportante
de latechnologie
les fabricants
A,
C et F seplacent
du côté des bons taux de panne, eneffet,
celaest
normal,
ilsfabriquent
des condensateurshermétiques.
48
Le fabricant D
fabrique
des condensateurstrempés
et le fabricant B desmoulés ce
qui explique
aussi leurposition.
L’effet des contraintesélectriques
etthermiques
n’est pas évident car lespoints correspondants
sontrépartis
selonl’axe 2
qui
est décorrelé dupremier.
Sur cet axe2,
on peutmalgré
tout, faireapparaître
les taux de panne meilleurs pour destempératures
faibles T 65 que pour lestempératures
élevées T 17 du côté de LA6.figure
2La
position
dupoint
S-1 sembleanormale,
elle voudraitsignifier qu’une
contrainte
électrique
faible a entraîné des taux de panneplus
éleves queS = 1,
en fait une
analyse plus
fine des donnéesindique
que les essais effectués à con-trainte
électrique
faible S - 1 l’on été àtempérature
élevée donc laposition
de ce
point
est uneconséquence plus qu’une
cause. Ceci prouve aussi que desconclusions
trop
hâtives nepeuvent
être données sans uneanalyse
détaillée desdonnées. D’autre
part,
les effectifs ayant servi à établir cette étude sont relative- mentfaibles,
il faut donc donner à ces résultats uneimportance
toute relativedont
l’objectivité
est enrapport
avec laquantité
des données et leurréparti-
tion.
Toutefois,
pour avoir la confirmation de lasignification
de l’axe2,
nousavons considéré le
plan
des axes 1 et 3(figure 3),
le taux d’inertie correspon- dant à l’axe3,
n’est pasnégligeable (19 Io)
cet axe mettant une nuance auxconclusions de l’étude
précédente.
Revue de Statistique Appliquée, 1974 - vol. XX 11 N° 3
figure
3On remarque
malgré
tout que lestempératures
et les contraintes électri- ques ont uneprojection regroupée,
cela est normal car l’axe 3 estperpendi-
culaire à l’axe 2 de même les taux de panne autres que LA 1 et LA 7 sont ré-
partis
de manière aléatoire. Cet axe 3correspond
aux fabricantsqui
modulentles conclusions tirées à
partir
des axes 1 et 2.figure 4
50
Le
plan
des axes 2 et 3correspond
à un pourcentage d’inertie de 44 % et onvoit que
l’opposition
entre LAI et LA7 n’existeplus
mais les conclusions tiréessur l’axe 2 à
partir
de l’observation duplan
des axes 1 et 2 se retrouvent.Le programme permet de mettre certains
paramètres
en élémentssupplé-
mentaires c’est-à-dire
qu’on
attribue à cespoints
une masse nulle et de ce fait n’interviennent pas dans la détermination des axes d’inertie. Lafigure
5repré-
sente dans le nouveau
plan
des axes 1 et 2 laprojection
despoints
sauf la tech-nologie.
figure 5
Ce
paramètre
mis àpart,
on constate que lepoint
LA7 s’estrapproché
ducentre de
gravité
et iln’y
a que lepoint
LAIqui
sedégage
bien sur l’axe1,
c’est donc que les mauvais taux de pannes sont dusdavantage
à latechnologie qu’aux
fabricantsqui
interviennent dans la détermination des axes. On constate ainsi que l’inertie totale a certes diminuée mais est restéeimportante (16
5 à135),
ce
qui
prouve que les fabricants ont unegrande
influence sur le résultat.Une étude
identique
a été menée en considérant les fabricants enparamè-
tres
supplémentaires,
on constate que lepoint
LA 1 s’estapproché du
centre degravité
alors que lepoint
LA7 resteéloigné,
c’est donc latechnologie qui expli-
que les mauvais taux de panne.
Revue de Statistique Appliquée, 1974 - vol. XXII N° 3
figure 6
V - CHOIX DU MODELE
Les modèles usuels sont
généralement
à basephysicochimique.
Nous avons
essayé plusieurs
modèles :- Les modèles non
linéaires,
non linéarisables- Les modèles du
type
RADC TR 67.108(Rome
AirDevelopment
CenterReliability notebook) qui
seprésentent
parexemple
pour les condensateurs sousla forme :
- Les modèles non linéaires linéarisables à
partir
de transformations enLog.
- Le modèle de
Bazovsky :
- Le modèle
exponentiel
ou de Tatar :Dans ces modèles :
ou S
représente
la contrainteélectrique
représente
la contraintethermique.
52
Le choix d’un modèle est
généralement
assezsubjectif.
Il doit éviter d’in- troduire des autocorrélations entrevariables,
et doit être d’une forme relative- mentsimple
de manière à éviter lestemps
de calcul tropimportants.
fVI - CHOIX DE LA METHODE APPLICABLE -
A
partir
des N essais retenus nous pouvons former un tableau :03BBi =
f(Si, Ti)
Ai
étant les taux de défaillance.Si
les contraintesélectriques Ti
les contraintesthermiques.
On a, d’autre
part,
uneexpression algébrique théorique
donnée par exem-ple,
par le modèle de Tatar.Le
problème qui
se pose est le suivant :Peut-on
ajuster
à l’échantillon le modèleindiqué,
lesparamètres Àb, bi, b2, b3, b4 , bs
ayant des valeurs fixes. Sioui, quelles
sont les valeurs à donneraux
paramètres ?
Posé sous cette
forme,
leproblème
est celui del’ajustement
d’une courbe à despoints expérimentaux.
Deux méthodes sont alors utilisables :
- la
régression
linéaire dans le cas où le modèle est linéaire oulinéarisable ;
- une méthode
d’ajustement
dutype
méthode degradient
ou méthode de Fletcher Powell dans le cas où le modèle n’est pas linéarisable : parexemple,
lesmodèles RADC.
Ces méthodes consistent à minimiser la somme des carrés des écarts entre valeurs estimées
Ài
et les valeursajustées 03BB’i
soit la somme :Nous avons
appliqué
ces deux méthodes.- La
régression
sous une forme modifiéepermettant
d’inclure les variablesen fonction de leur
importance [2] [26] [30] [34] [35] [36].
Cette méthode a
permis
l’étude des modèles deBazovsky
et de Tatar.- Les méthodes de
gradient
sous une formedéveloppée
par Fletcher et Powellpermettant
d’étudier des modèles du RADC[10] [11] [12].
Néanmoins, d’importants problèmes
depondération
des données se sontposés ;
eneffet,
l’estimation du taux de défaillance est d’autantplus précise
que le nombre de défauts observés en cours d’essai estgrand ;
il est naturel d’ac- corderplus
de crédit aux résultats d’essaisprécis qu’aux
résultatsimprécis,
parRevue de Statistique Appliquée, 1974 - vol. XXII N° 3
exemple,
0défaut ;
demême,
leshypothèses
de base de larégression impliquent
une stabilité de la variance sur les valeurs
observées, Aussi,
avons-nous dû uti- liser une méthode de stabilisation consistant àpondérer
les donnéespar
fois le nombre de défauts
[29]. (C
étant le nombre dedéfauts)
De
plus
le traitement des variablesqualitatives
a nécessité une étudespé-
ciale
permettant
de traiter en une seule fois l’ensemble desvariables,
la distinc- tion entre elles se faisant par variation du terme constant du modèle[28].
Il est bien évident
qu’à chaque
étude de modèle parrégression
est .rattachéel’analyse
de variancesous jacente permettant
de vérifier :- si
l’hypothèse
de linéaritépeut
êtreacceptée (Test
duF) ; [1] [33] [31]
[32]
- si les coefficients de
régression
sontsignificativement
différents de 0(Test
duT). [1] [33] [31] [32].
Forme des résultats - Traités par
régression.
On
peut
voir unexemple
de résultat obtenu parrégression
linéaire sur lestransistors Silicium
NPN,
sur lafigure
7.figure 7
L’influence des variables
qualitatives
est assezmarquée
etpermet
de chif- frer les différences entretechnologies,
fabricants et typed’utilisation ;
dans cecas bien
précis,
latechnologie
référence étaitEpitaxial planaret
letype
étaitbas-se-puissance.
Ce type de résultat a été trouvé pour les
composants permettant
de rôder laprocédure,
cette méthode apermis
en outre, de trouver les modèles deBazovsky équivalents
à ceux du RADC etayant
une formebeaucoup plus
simple.
54 Modèle
exponentiel
ou de TatarX = 0 711 e 0,013T
+1,06S2 + 0,005 ST
+ 1.01(si
fabricant2)
+1,14 (si
technologie grown)
+0,947 (si
transistor depuissance)
+1,57 (si
technolo-gie mesa)
Traités par méthode
d’optimalisation -
Le RADC 67 108 utilise des modèles différents pour
chaque
famille de com-posants.
Pour la famille des
condensateurs,
le modèlegénéral
est :avec S = tension utilisation
avec S = 2013
tension nominale T =
température
ambianteen ° K
Xb, NS, H, NT,
F ConstantesCaractéristiques
du type de composants.Pour les condensateurs au tantale à
électrolyte
solide et les condensateursau
polyester
les valeursnumériques
sontrappelées
au tableau 1.Pour la famille des
semi-conducteurs,
le modèlegénéral
est de la forme :S est le
rapport
de lapuissance
réellementdissipée
sur lapuissance
maxi-male
permise
à25°C.
TJ est la
température
jdejonction en OK.
Xb, NT, To, P, NS,
H sont les constantescaractéristiques
dutype
de semi- conducteur.Pour les transistors silicium NPN et les diodes
ZENER,
les valeurs sont re-portées
dans le tableau 1.TABLEAU 1
D’autres résultats obtenus sont
repérés
dans le tableau 2. On trouvera Ref[37]
un critère d’efficacité de ces modèles.Revue de Statistique Appliquée, 1974 - vol. XXII N° 3
TABLEAU 2
Analyse
des résultats obtenus à l’aide des différentes méthodes :Si
f’on
compare les résultats obtenus sur les deux modèles étudiés TATAR etBAZOVSKY,
ons’aperçoit
donc : que lespourcentages expliqués
sont engé-
néral
plus
faibles pour le modèle deBAZOVSKY,
du fait de la forme du mo-dèle de TATAR
qui
estplus sophistiquée. Mais,
on constate que les variablesqualitatives
sontprépondérantes
parrapport
aux variablesquantitatives,
danscertains cas par
exemple :
les défauts par dérive de transistors siliciumNPN,
les résultats obtenus sont absolumentidentiques
dans les deux cas.D’une
façon générale,
onpeut
dire quelorsque
les donnéespermettent
unajustement
correct avec unmodèle,
le deuxième modèle donne aussi de bons ré- sultats et inversement. Iln’y
a pas de différencessignificatives
entre la validité des deux modèles.Ceci nous conduit à
analyser
deplus près
les données. L’existence d’ungrand
nombre d’essaisn’ayant
donné lieu à aucun défautobservé, peut
être une des causes de l’influenceprépondérante
des variablesqualitatives.
En
effet,
supposonsqu’on
sachequ’un composant
a un taux de panneégal
à
10-6 /heures,
et que nous effectuons des essais cumulantrespectivement
10pièces heures,
100pièces heures,
10000pièces heures,
aucun essain’ayant
donnélieu à observation de défauts. Selon la méthode
classique
de calcul du meilleur estimateur du taux de panne, on évaluerait XI =X1, X2
=X2 À3 = X3
.Supposons
deplus,
que les fabricants aient des durées standard d’essais de10, 100,
10000 heuresrespectivement ;
par la méthode utiliséejusqu’alors,
on trouvera queXl
est correlé à la variable fabricant1,
etc... les variables S et T n’intervenant manifestement pas dansle comportement
de ces curieux"Lambda".- Les essaisqui
cumulent un nombre depièces
heures faible devant la MTBFapproximative
du composant conduisent à des résultats de toute évidence er-ronés.
La méthode de
pondération
des essais enC+1
utiliséejusqu’alors
avaitpour but
d’essayer
de tenircompte
de cette différence de validité des données.Ceci,
est très certainement valablelorsqu’une
faibleproportion
de résultats estmanifestement
biaisée,
ce n’est certainement pas valablelorsque
lamajorité
desessais le sont. Pour notre cas, nous allons essayer de tenir
compte
de ces erreurs.56 Méthodes
Bayes [3] [4] [5] [6] [7] [8]
- Tenir compte de la connaissance à
priori
que l’on a de l’ordre de gran- deur des taux de panne etintégrer
les résultats d’essais observés à cette connais-sance à
priori
par la méthode deBayes.
On obtiendraainsi,
des distributions de taux de panne àpostériori (étant
connus les résultatsd’essais) qui pourront :
. soit être utilisées dans une
régression
avecpondération
enC+1
commenous l’avons fait
jusqu’à présent.
. soit être utilisées pour
fabriquer
des essaissystématiques
et chercher les courbesenveloppes
du modèle.VII - UTILISATION DES METHODES BAYESIENNES - Définition -
Soit une variable aléatoire
X,
dont la distribution deprobabilité dépend
d’un ensemble de
paramètres.
Les valeurs exactes des
paramètres
n’étant pas connues avec certitude le raisonnementBayésien
attribue une distribution deprobabilité
aux diverses va-leurs
possibles
de cesparamètres qui
sont alors considérés comme des variables aléatoires.Dans le cas
présent,
nous nous intéressons à la distribution du taux de dé-faillance,
la méthodeBayésienne
consiste àfabriquer
une fonction de distri- bution àpriori
du taux dedéfaillance, dépendante
du nombre de résultats d’es- sais ou del’expérience
que nouspossédons
à un instant donné. La forme de la distribution est modifiée en fonction des résultats de nouveaux essais.Rappels
sur le théorème deBayes -
Le théorème de
Bayes s’exprime généralement
sous la forme suivante :où P
(A)
est laprobabilité
àpriori
de l’évènement A.P
(A/B)
celle deA,
étant donné que l’évènement B s’estproduit,
ouproba-
bilité à
postériori.
Problèmes d’u tilisa tion -
L’utilisation du théorème de
Bayes peut
êtrerécursive, c’est-à-dire,
que si l’onpart
d’une distribution àpriori
P(A)
et que l’on a une succession d’essais ayant donné les résultatsB1, B2 ... Bn .
On a successivement :Revue de Statistique Appliquée, 1974 - vol. XXII N° 3
Puis :
Ainsi de suite :
Au fur et à mesure que des résultats d’essais sont connus, on utilise la distri- bution à
postériori déjà
obtenue comme l’actuelle distribution àpriori
et on re-commence la
séquence
desopérations.
Onapplique
ainsi cequi
estappelé
la mé-thode
Bayésienne.
L’ancienne distribution à
priori
P(A)
tend à êtrepérimée,
et modifiée aufur et à mesure que de nouveaux résultats sont
pris
encompte.
La vitesse avec
laquelle
une distribution àpriori
estpérimée,
détermine la"force"
de cette distribution.Si une distribution à
priori
est"forte",
elle a un faible écarttype,
et la con- naissance àpriori
est très peudispersée
autour de la valeur moyenne, on ne pourradonc,
que difficilement modifier la distribution àpriori
par lesapports
successifs.A
l’opposé,
une distribution àpriori ’faible", représente
une connaissance àpriori
trèsimprécise
et lesapports successifs,
s’ils confirment la tendance cen-trale de la connaissance à
priori
transformeront l’àpriori "faible"
en une à pos- tériori"forte" ;
sinon les essais viennent modifier la tendance centrale de l’àpriori.
Dans ce dernier cas, laquantité
d’information contenue dans l’essai nevient
plus
en addition de celle contenue dans l’àpriori
mais endifférence,
et ne pourrontl’emporter
sur la connaissance àpriori
que si elle estsupérieure
à celle-ci.
On se trouve
alors,
dans une situationpire
que si l’on avait aucune con-naissance à
"priori".
On voit donc que l’utilisation de la méthode de
Bayes
nécessite un choixminutieux de la distribution à
priori,
enparticulier,
il fautvérifier que les essaisne mettent pas
globalement
en évidence un taux de pannesignificativement
différent de la valeur moyenne du taux de panne de la distribution à"pilori".
Par la
suite,
si lescomposants
successivement mis en essais sont de mêmenature et, partant du même ordre de
grandeur
defiabilité,
il n’estplus
nécessaire de faire des vérifications.Dans la
pratique,
on utilisera une "àpriori" faible,
du fait que l’on ne sait pasgrand
chose sur lafiabilité,
et que l’on veutpouvoir
détecter les écarts et mo-difications introduits par les
essais,
pour testeraprès
coup la validité du choix"à
priori" .
Distribution "à
priori"
choisie -On
peut
considérer l’utilisation du théorème deBayes
commel’application
d’une transformation T
représentée
ci-dessous :58
Dans l’étude de toute transformation on recherche les invariants. Dans le
cas du théorème de
Bayes,
il existe des distributions àpriori qui
restent inva-riantes, _aùx
valeurs deparamètres près, lorsqu’on applique
le théorème deBayes.
Si l’on fait des essais binomiaux par tout ou
rien,
la distribution invariante dansl’application
du théorème deBayes
est la distributionBETA,
Dans le cas des essais de mesure de
À,
l’invariantbayesien
est la distribution gamma.Il se trouve que la distribution gamma
(r)
recouvre la distribution duX 2
pour certaines valeurs des
paramètres.
L’artifice des invariants
Bayesiens
est très commode sur leplan numérique,
mais il
impose
que la distribution àpostériori
ait une formedonnée,
cequi .peut
être une contrainte. Deplus,
ilréduit,
du moins en apparence, l’utilisation de la méthode deBayes
à une série d’additions banales.La distribution gamma est donnée par la relation suivante :
T : est un
temps correspondant
à un essaiqui produirait
la même distribu- tion de À que P(À).
03A6 : est un nombre
équivalent
de défauts dans le même essai fictif que ci- dessus :Si x = n, nombre entier r
(n) = (n - 1) ; Moyenne
Variance
Pour un essai ayant donné le résultat B : f
défauts,
ttemps
cumulé :Revue de Statistique Appliquée, 1974 - vol. XXII N° 3
Dans le cas continu le théorème de
Bayes s’exprime
sous la forme :On obtient :
Ainsi :
On voit que la distribution r de
paramètres : ~
et T est transformée lors d’essaispoissonniens
enune distribution r deparamètres :
On dit que les distributions 7 et de Poisson sont
conjuguées Bayesiennes
pour
exprimer
le fait que la distribution ’Y reste invariante par la transformation deBayes
lors d’un essaipoissonnien.
Les moyennes et variances sont
indiquées
dans le tableau ci-dessous :Application
Etablissement de la distribution à
priori -
Pour établir la distribution "à
priori"
nous utiliserons le RADC TR 67 108ou sa version
française ’
recueil de données de fiabilité du CNET.Nous admettons que ce recueil de données est exhaustif des cas
qui
se sontprésentés
dans lepassé
et reflète bien lecomportement
moyen descomposants.
Les résultats d’essais
disponibles permettent
alors de déterminer les distri- bitions "àpostériori".
Si pour un
composant
déterminé nous avons lesrenseignements
suivants : S = contrainteélectrique
de l’essaiT = contrainte
thermique
de l’essaitcum = durée cumulée de l’essai
c = nombre de défauts observés lors de l’essai
Et si nous
portons
sur ungraphique 03BB = f(S,T) paramètre par-S
il estpossi-
ble de :
- déterminer un certain nombre de strates, c’est-à-dire des valeurs d’essais à S et T fixes pour
lesquelles
nouspossédons
des résultats d’essais(voir figure 8).
- construire sur ces strates des distributions à
priori indépendamment
dufabricant et de la
technologie.
60
figure
8La méthode est certes
discutable,
aussi serait-il nécessaire de travailler nor-malement sur un seul
type
decomposant.
Mais le but de ces modèles n’est pas de trouver un modèlecorrespondant
à un transistorparticulier,
mais d’estimerune valeur moyenne du modèle pour un fabricant
déterminé,
voire pour l’en- semble des fabricants.Choix des variables de la distribution gamma à
priori -
Considérons le recueil de données de
fiabilité,
il donnel’expression
dutaux de défaillance en fonction de S et T dans un terme
appelé
taux de base Xb.Le taux de défaillance
s’exprime
sous la formegénérale :
7T E et 03A3 E sont des
paramètres exprimant
à la fois letype
d’environnement et un niveau dequalité.
Il est
possible
de calculer un taux de défaillance en fonction duparamètre
de
qualité.
Nous avons :Revue de Statistique Appliquée, 1974 - vol. XXII N° 3
Le but de ces calculs est de déterminer une valeur
équivalente
dutemps
cumulé et desdéfaillances, compte-tenu
de À moyen, X sup et X inf.Supposons
le taux de défaillance en fonction de laqualité
distribué suivantune loi à
paramètres :
La moyenne de la loi gamma étant
égale
à :Nombre de défauts
équivalents : ~ eq. = À
moy x TNous avons donc une loi gamma à
priori
deparamètres (~
eq. Teq.).
Mise en oeuvre de la méthode -
1 )
On sélectionne :- les fabricants
- les strates, c’est-à-dire l’ensemble des
couples
S et T surlesquels
ont étéeffectués les essais.
2)
Pour les strates sélectionnées on calcule le nombre de défauts et lestemps équivalents
àpartir
du RADC(C
eq. Teq.).
3)
Pourchaque fabricant,
et pourchaque
strate ; on calcule lestemps
et le nombre de défauts cumulés pour l’ensemble des essaiscorrespondants. (C essai,
Tessai).
4)
Pourchaque
fabricant etchaque
strate on calcule c = c eq. + c essai. T= T eq. + T essai. Ces résultats
permettent
de calculer lesparamètres
de la loigamma
correspondant
à la distribution "àpostériori ".
Néanmoins,
il convientd’ajouter
des essaishomogènes
à la distribution àpriori, c’est-à-dire,
nonsignificativement
différents pour une strate donnée.62
Il faut noter que, si dans
chaque
strate il y a au moins un fabricant pourlequel
ondispose
derésultat,
ilpeut
seproduire
que tous les fabricants n’aient pas fait d’essai dans toutes les strates.Ceci entraîne que pour les fabricants
qui
n’ont pas fait d’essai dans une stra- te on crée un essai"fictif"
caractérisé par C essai =0,
T essai =0,
on retrouve alorsintégralement
la distribution àpriori
caractérisée par C eq. et T eq.5)
On trouve un taux de défaillance partirage
au hasard(méthode
deMonte-Carlo),
dans la distribution àpostériori
par strate, par fabricant et l’on forme un tableau À = f(S, T).
6)
On effectue unerégression
linéaire sur X = f(S, T)
7)
Onrépète
laprocédure
décrite de 5 à6,
ungrand
nombre de fois et l’on obtient alors la distribution des coefficients derégression
dont il est pru- dent de vérifier la normalité[27].
Néanmoins,
il est nécessaire de vérifier que la distribution àpriori
n’a pastrop
de force dans les résultats enpratiquant
une étude de sensibilité.La
figure
9indique
laprocédure
utilisée dans la construction du program-me.
Résultats obtenus par la méthode
Bayésienne -
Choix des modèles -
Les deux modèles sélectionnés sont :
- le modèle de Tatar
- le modèle de
Bazovsky
On trouvera sur’ le tableau 3 un
exemple
de résultats obtenus par le modèle deBazovsky.
Modèle de Bazovsky
TABLEAU 3
On
peut
voir que lespourcentages expliqués
sont relativement élevés.On
peut
observer pour untype
decomposant,
les courbesenveloppes
devariation des
modèles,
elles sont telles que :(voir figure 10)
Revue de Statistique Appliquée, 1974 - vol. XXII N° 3
figure
964
figure
10IV - CONCLUSIONS GENERALES
Cette étude aura
permis,
d’une part de chiffrer pour 4types
decomposants
l’influence des divers facteursagissant
sur le taux dedéfaillance,
d’autrepart
cequi
estfondamental,
d’établir uneprocédure
et des "outils"permettant
de bâ- tir de tels modèlesmathématiques.
Ons’aperçoit
d’ailleurs que lestechniques
destatistiques
lesplus évoluées,
notammentl’analyse
descorrespondances
et lathéorie
Bayesienne
desprobabilités
ont éténécessaires,
lestechniques classiques
n’étant pas en effet assezpuissantes
et ayant deshypothèses contraignantes.
Sur la
figure 11,
onpeut
voir le déroulement de laméthodologie employée
pour bâtir ces modèles.
Ces méthodes recouvrent un ensemble de programmes écrits en Fortran IV et
implantés
sur machine IBM.De même nous avons pu voir que pour
l’Ingénieur Concepteur
decircuits,
les influences de la contrainte et de latempérature
étaient secondaires.(Il
n’estpas en effet souhaitable d’utiliser des
composants
à hautetempérature
et à con-trainte
électrique élevée).
Les variables dutype fournisseur, technologie
étaientprépondérantes
dans le cas d’une utilisation normale.Il est bien évident que la
précision
des modèles trouvés est fonction de laquantité
de donnéesdisponibles ;
dans notre cas, elles étaient relativementfaibles ;
souhaitons que dans unproche
avenir une collaboration entre les dif- férentesbanques
de données de fiabilité nouspermette
de bâtir des modèles deplus
enplus précis.
Revue de Statistique Appliquée, 1974 - vol. XXII ? 3
66 BIBLIOGRAPHIE
[1]
DUGUE D. et GIRAULT M. -Analyse
de Variance et Pland’Expérience
Dunod - 1959.[2]
N.R. DRAPER H. SMITH -Applied Regression Analysis.
[3]
W.J. MAC FARLAND - Use ofBayes
Theoreme in its discrete formulation forreliability
estimation purposes. Annalof
assurance sciences 1968.[4]
W. Thomas WEIR -Bayesian Reliability
Evaluation ? Annalof
AssuranceSciences 1968.
[5]
J.J. DEELY and W.J. ZIMMER - Somecomparisions
ofBayesian
and clas-sical confidence Intervals in the
exponential
case.[6]
John E. OLLSSON -Implementation
of aBayesian reliability
measurement program.[7] A.M.
BREIPHOL - A consideration of theBayesian Approach
inreliability
evaluation.
[8]
G. HANSEL D. GROUCHKO - Previsionsequentielle
par la méthode deBayes.
Revue destatistiques appliquée
1965 vol. XIII.[9]
W. COOLEY P.R. LOHNES - Multivariate Procedures for the behavioral sciences.[10]
R.FLETCHER,
M.L.D. POWELL - Arapidly
convergent descent method for minimization. Brit.computer
J.Vol 6-1963-pp
163-168[11] M.J.D.
POWELL - An efficient method forfinding
the minimum of a function of several variables withoutusing
derivatives. Brit.Computer
J.Vol. 7 1964 - pp 155 - 162.
[12]
A.M. VERCOUSTRE - Etudecomparative
des méthodes de minimisation de FLETCHER et POWELL et DAVIDON E.D.F. - Bulletin de la Direc- tion des études et recherches - série Cmathématique - informatique n° 1970 pp 57 - 76.
[13] L.
LEBART et J.P. FENELON -Statistique
etInformatique Appliquées.
Dunod 1971.
[14]
J. GUIGOU -Expériences numériques comparatives
concernant la méthode dugradient conjugué.
E.D.F. 2014 Bulletin de la Direction des Etudes et Recherches - serie Cmathématiques - informatique n°2
1968pp. 79 - 92.
[15]
F. TONNELIER - Deux méthodes de minimisation : la méthode deFLETCHER-POWELL,
la méthode deFLETCHER-REEVES,
Séminaire Y.Cherruault du 19.11.1969.
[16]
E. POLAK - G. RIBIERE - Note sur la convergence de méthodes directionconjuguées.
RIRO 3ème annéen°
16 1969 pp. 35-43.[17]
R. FLETCHER et C.M. REEVES - Function minimisationby conjugate gradients,
Thecomputer journal
pp. 149 - 154(1964).
[18]
J.F.KENNEY,
E.S. KEEPING -Mathematics of Statistics Part twochap.
X.XI - Van Nostrand
Company
Fev. 1951.Revue de Statistique Appliquée, 1974 - vol. XXII N° 3
[19]
L.S.LASDON,
A.D. WAREN - Mathematicalprogramming
foroptimal design
ElectroTechnology -
Nov. 1967 pp. 55-70.[20]
R.J.HADER,
AH GRANDAGE -Simple
andmultiple regression analy-
ses
Experimental Designs
inIndustry.
JohnWiley
and Sons Inc. New-York 1958.[21 ] H.O.
HARTLEY - The modified Gauss-Newton method of thefitting
ofnon linear
regression
functionsby
least squares.[22]
W.G. IRESON - EditorReliability
Hand book 1966 pp. 4.62-4.65.[23]
A.RHALSTON,
H.S. WILF - Méthodesmathématiques
pour calculateurarithmétiques,
Dunod Editeur.[24] BRICE, CARNAHAN,
H.S.LUTHER,
J.O. WILKES -Applied
numericalmethods, Wiley -
Editor.[25]
J.P.BENZECRI-Leçons
surl’analyse
des données multidimensionnelles(Ronéo FAC).
[26]
D.F. MORISSON - Multivariate Statistical methods Mc Gram Hill[27]
P. FERIGNAC - Test deKolmogorov-Smirnov
sur la validité d’unefonction de distribution.
[28]
D.B. SUITS - Use ofDummy
variables inregression
Journal of Americal statistical association 52 Dec. 1957 pp. 548.[29] KENNEY,
KEEPING 2014 Mathematics of statisticspart
two -chap X,
XIVan Nostrand company inc. Princeton
(N.J)
[30]
A. BENNETT L. FRANKLIN - Edit. WILEY andSons,statistical Analysis
in
chemistry industry.
[31 ] KENDALL
and STUART - The advancedtheory
and statistics tomme II[32]
MORICE and CHARTIER - Methodestatistique [33]
Tablesstatistiques -
ISUP[34]
N.R. DRAPER and D.M. STONEMANTesting
for the inclusion of variables in linearregression by
a randomisationtechnique,
Technometrics Vol. 8n° 4,
p. 695.[35]
R.J. FREUND - Awarning
of round off erros inregression,the
american sta- tistician December 1965. p. 13.[36]
J.C. LIGERON J.M. GRANGE J. DORLEANS - Modèlemathématiques
detaux de défaillances de composants
électroniques
en fonction des contrain- tesélectriques
etthermiques.
OndeElectrique.
[37] R.
GOARIN - Réalisation d’unebanque
de données de fiabilité(Jour-
nées d’Etudes sur les données de Fiabilité LANNION Juin71)
[38]
J.C. LIGERON - Modélisation multidimensionnelle de taux de défaillance(Congrès
National de Fiabilité Perros GuirecSept. 72).
[39] R.
GOARIN -Application
de la méthoded’analyse
descorrespondances
àl’étude de la fiabilité des composants