Modelisation Et Optimisation Des Performances Et de La Maintenance Des Systemes Multi-États

WASSY ISAAC SORO
MODELISATION ET OPTIMISATION DES

PERFORMANCES ET DE LA MAINTENANCE
DES SYSTEMES MULTI-TATS
Thse prsente
la Facult des tudes suprieures de l'Universit Laval
dans le cadre du programme de doctorat en gnie mcanique
pour l'obtention du grade de Philosophiae Doctor (Ph.D)
DEPARTEMENT DE GENIE MECANIQUE

FACULT DES SCIENCES ET GNIE
UNIVERSIT LAVAL
QUBEC
2011
1
Wassy Isaac Soro, 2011
11
RESUME
Cette thse traite d'une problmatique globale qui porte sur la modlisation,
l'valuation et l'optimisation des performances des systmes multi-tats dont
les caractristiques opratoires sont soumises la dgradation et des
dfaillances alatoires. Dans le domaine de la fiabilit, l'tude du
fonctionnement des systmes (quipements) technologiques a, longtemps, t
entreprise en se basant sur la modlisation binaire o deux tats sont
considrs : l'tat d'opration et l'tat de dfaillance complte. Cependant, de plus
en plus de travaux dans la littrature scientifique tiennent compte des
nombreuses situations qui peuvent survenir durant la vie utile de certains
systmes. De tels systmes sont appels des systmes multi-tats (SME). Les
SME sont gnralement soumis divers modes de dfaillance avec diffrents
effets sur leurs performances. L'un de ces modes de dfaillance, la dgradation,
permet aux SME de continuer assurer leur fonction (service) malgr
l'occurrence d'une panne entranant une rduction partielle de leurs
performances nominales. Dans ce cas, la continuit du service est souvent
assure par la redondance, les stocks tampons, la maintenance, les mcanismes
de reconfiguration, la tolrance aux fautes, etc. Une abondante littrature a t
ddie aux systmes ne pouvant tre qu'en tat d'opration ou hors d'usage
(binaires). Ainsi, les stratgies d'amlioration ou de restauration des
performances de ces systmes binaires ont souvent t bases sur l'emploi de la
redondance, la maintenance prventive, etc. Cependant, peu de travaux ont t
publis sur les systmes multi-tats (SME). D'o la pertinence de :
(a) caractriser les SME,

(b) explorer des mthodes de modlisation, d'valuation et d'amlioration
de leurs mesures de performance,
(c) mettre en uvre des stratgies d'optimisation de ces mesures de
performance et des ressources requises.
Ill
La caractrisation des SME a permis de mettre en exergue les particularits

conceptuelles et fonctionnelles, favorisant la multiplicit de leurs niveaux de
performances. Des modles analytiques sont proposs pour valuer l'impact de
la dgradation sur les mesures globales de performance. Ces modles sont
exploits pour traiter les problmes de conception optimale de systmes
oprant selon une structure unitaire ou srie, sans stocks tampons et o les
composants peuvent oprer en mode dgrad. Une politique optimale
d'inspection est propose. Cette politique vise maximiser le taux de
production d'un SME unitaire, dont l'tat n'est connu qu'aprs inspection, Par
ailleurs, une stratgie d'amlioration des performances d'un SME multiples
dgradations est propose. Cette stratgie s'appuie sur une approche
combinatoire base sur une allocation optimale de la maintenance permettant la
maximisation des mesures de performance sous des contraintes de demande
client. cet gard, un outil d'valuation de ces mesures a t dvelopp
permettant, ainsi, pour diffrents paramtres d'exploitation, de simuler le
comportement du systme. Cette recherche a dbouch sur plusieurs
contributions intressantes sur les systmes multi-tats de configurations
structurelles diffrentes. Plusieurs extensions aux travaux dvelopps dans
cette thse sont envisages.
IV
ABSTRACT
This thesis falls within the framework of global problems dealing with the
modeling, evaluation, and optimization of multi-state system performance. The
operational characteristics of these systems are subjected to random
degradations and/ or failures. In the reliability field, the study of the
functioning of systems (or equipment) is typically undertaken by binary
modeling in which two states are considered : operation state and failure state.
However, several works in the scientific literature consider the many situations
that can occur during a systems' lifetime. These situations contribute to the
multiplicity of possible states of systems. Such systems are multi-state systems
(MSS). MSS are generally subject to several failure modes, in particular
degradation, with various effects on their performance. The operational
characteristics of MSS allow them to continue to function despite the occurrence
of the reduction in performance caused by degradation.
In the literature, techniques to increase the performance of binary systems are

often based on strategies including redundancy, logistic system management,
preventive maintenance, etc. In the case of multi-state degraded systems
(MSDS), continuity of service is ensured by reconfiguration. In this thesis, our
study is based on the evaluation of reconfiguration (in terms of performance,
cost, profitability, etc.) in comparison with binary modeling. In other words,
this research permits us to undertake a study of the extension of binary systems
to MSS. This study allows us to characterize MSS and to implement strategies to
improve their performance. Also, this research permits us to explore innovative
methods of MSDS performance modeling, evaluation, and analysis. Our
objective was to carry out the evaluation and optimization of MSS, to identify
various alternatives, and define the conceptual and functional characteristics
that permit their multiple performance levels. Analytical models are proposed
that evaluate the degradation impact on reliability indicators and productivity.
These models are exploited to deal with problems of the optimal design of unit
systems or series systems, without buffer stocks and where components can
operate in a degraded mode. An optimal inspection strategy is proposed in
which the production rate of a unit degradable MSS is maximized. The system
state is known only after inspection. In addition, an approach to improve MSDS
performance is proposed. This step is based on a combinational approach based
on a maintenance optimal strategy. This strategy allows the maximization of
performance indices under a demand constraint. For this purpose, a tool
allowing the evaluation of these indices was developed. It permits the
simulation of optimal situations for given various parameters. This research led
to several interesting contributions in the case of different configurations of
MSDS. Several extensions to the work developed in this thesis are proposed.
VI
PREFACE
Cette thse de doctorat intitule Modlisation et Optimisation des Performances et

de la Maintenance des Systmes Multi-tats s'est effectue sous la supervision
des Professeurs Daoud At-Kadi et Mustapha Nourelfath. Les travaux de cette
recherche ont t entrepris au Centre Interuniversitaire de Recherche sur les
Rseaux d'Entreprise, la Logistique et le Transport (CIRRELT) de l'Universit
Laval Qubec. Cette thse est rdige selon le principe d'insertion d'articles,
adopt par l'Universit Laval.
La thse comprend trois articles, dont les co-auteurs sont Wassy Isaac Soro, les
Professeurs Daoud At-Kadi et Mustapha Nourelfath. J'ai t le principal
chercheur effectuer les travaux prsents dans ces articles. Je suis, en outre,
premier auteur de deux d'entre eux (premier et troisime). Comme chercheur,
j'ai trait les modles mathmatiques (valuation et optimisation) associs aux
articles qui ont t valids par les co-auteurs. J'ai, par ailleurs, dvelopp et
cod les algorithmes permettant de rsoudre les applications numriques
(exprimentation et validation) sur les logiciels MatLab, Maple et L1NDO. J'ai
rdig les esquisses de ces articles dont le contenu a t arrt au pralable avec
le directeur et le co-directeur de recherche, puis rvis et valid.
Le premier article s'intitule Production rate maximization of a multi-state

system under an inspection and repair policy , Isaac Wassy Soro, Daoud Ait-
Kadi, Mustapha Nourelfath. Il sera trait dans le chapitre 2 de cette thse. Il a
t initialement soumis en Dcembre 2009 au International Journal of
Perf or mobility Engineering (IJPE) . Accept, l'article a t rvis selon les
recommandations des valuateurs et soumis pour approbation finale de
publication. La version prsente est celle rvise.
Vil
Le deuxime article s'intitule Availability Modeling and Optimization of

Reconfigurable Manufacturing Systems , Mustapha Nourelfath, Daoud At-
Kadi, Wassy Isaac Soro. Il sera trait dans le chapitre 3 de cette thse. Il a t
publi dans le Journal of Quality in Maintenance Engineering (JQME) en 2003,
Volume 9 n3, 2003, Pages 284-302. Par ailleurs, un Literati Club Award for
Excellence 2004 a t dcern cet article par le comit editorial du Journal of
Quality in Maintenance Engineering. L'article a de ce fait reu un Highly
Commended Award de l'dition 2003 du journal.
Le troisime article s'intitule Performance Evaluation Of Multi-State

Degraded Systems With Minimal Repairs And Imperfect Preventive
Maintenance , Isaac Wassy Soro, Mustapha Nourelfath, Daoud At-Kadi. II
sera trait dans le chapitre 4 de cette thse. Il a t publi dans le Journal of
Reliability Engineering and System Safety (RESS) en fvrier 2010, Volume 95
issue 2, 2010, Pages 65-69.
vm
la mmoire de Tante Mamouna

Le coucher du soleil augure d'une aube nouvelle...
IX
AVANT-PROPOS
Je ne saurais dbuter mon propos sans adresser mes plus sincres

remerciements des personnes sans lesquelles mes tudes suprieures et cette
prsente thse n'auraient t possibles. Je tiens, avant tout, exprimer ma
profonde reconnaissance et ma haute estime mon directeur de recherche le
Professeur Daoud At-Kadi, ainsi qu' mon co-directeur de recherche le
Professeur Mustapha Nourelfath pour leurs encouragements, leur soutien
indfectible, leurs conseils et leur patience. Ils n'ont mnag aucun effort pour
que je puisse bnficier de l'encadrement ncessaire et de l'environnement
adquat pour mener terme cette recherche.
J'exprime une reconnaissance particulire au Professeur Detlef Kretschmer;

directeur du programme des cycles suprieurs au dpartement de gnie
mcanique, pour sa comprhension et sa confiance tout au long de mes tudes
doctorales. la direction et au personnel administratif du dpartement;
spcialement Hlne Fafard, Sylvie Brodeur et Lise Leclerc, un merci spcial.
Je remercie, par ailleurs, les membres du CIRRELT (Centre Interuniversitaire de
Recherche sur les Rseaux d'Entreprise, la Logistique et le Transport);
professeurs, tudiants et chercheurs pour leur disponibilit et leurs qualits
humaines et professionnelles. cet gard, j'adresse particulirement mes
sincres remerciements mes formidables collgues de recherche et amis(es)
avec qui j'ai appris dvelopper mon sens du partage, ce sont; Claver et Dina
Diallo, Xavier Zwingmann, Mustapha Ouhimmou, Jean-Franois Audy, Marc
Lapointe, Marc Chouinard, Jean-Baptiste Menye, Seyed Masooly, Nabil Nahas
et Souad Hanani. Mes remerciements sont aussi adresss Monsieur Michel
Gagn (GlaxoSmithKline Biologicals) qui, par sa sollicitude, a favoris
l'avancement de cette thse et Arnaud Ozoukou pour son aide au niveau de la
programmation informatique.
J'exprime ma profonde gratitude aux Professeurs Zineb Simeu-Abazi de
l'Institut Polytechnique de Grenoble (France), Georges Abdul-Nour de
l'Universit de Trois-Rivires (Qubec) et Angel Ruiz Bartolome de l'Universit
Laval (Qubec), qui ont accept d'valuer cette thse et d'en tre les membres
du jury.
J'adresse des remerciements affectifs toute ma famille en particulier mes

parents Monsieur et Madame Nhlo Soro, Madame K. Marie-Jeanne Coulibaly,
ma tante Madame Sita Coulibaly, mes frres et surs, Marie-Julie, mon
fils Loc et mes amis qui, de par leur soutien moral et matriel, ont
normment contribu l'accomplissement de ce cheminement acadmique.
J'exprime ma profonde reconnaissance l'tat de Cte d'Ivoire, l'ambassade

de Cte d'Ivoire Ottawa et au gouvernement du Qubec pour leur soutien.
Enfin, que toutes celles et tous ceux qui ont contribu, directement ou
indirectement, l'aboutissement de mon cheminement acadmique trouvent
dans ce mot l'expression de ma profonde reconnaissance.
XI
TABLE DES MATIERES
RESUME II
ABSTRACT IV
AVANT-PROPOS IX
ACRONYMES XV
LISTE D E S T A B L E A U X XVII
LISTE D E S F I G U R E S XVIII
C H A P I T R E 1 : I N T R O D U C T I O N G N R A L E ET R E V U E D E LA
LITTRATURE 1
1.1. Introduction 2
1.2. Objectifs et problmatiques 4

1.2.1. Objectifs 4
1.2.2. Problmatiques 6
A. Continuit du service 6
A.l. Caractrisation du fonctionnement dgrad dans un contexte de production 9
A.2. Dfaillance d'un composant essentiel 12
A3. Dfaillance d'un composant non-essentiel 13
B. Modlisation des SME 14
B.l. SME unitaires 15
B.2. SME multi-composants 17
C. Optimisation des performances et des ressources des SME 18
C l . Allocation optimale de technologies des SME 18
C.2. Stratgie optimale d'inspection 21
C.3. Allocation stratgique de la maintenance d'un SME 22
1.3. Revue de la littrature 24

1.3.1. Performances des systmes multi-tats 24
A. Mthode de Markov (processus stochastique) 27
A.l. Exemple : Cas d'un systme gnrique 28
B. Distribution exponentielle 30
C. Fonction gnratrice universelle (FGU) 31
CI. Exe?nple d'valuation de la FGU d'un SME srie 2 composants 35
C.2. valuation des indices de fiabilit d'un SME par la mthode de la FGU 36
C.3. Exemple d'valuation de la disponibilit d'un SME par la mthode de la FGU 38
1.3.2. Accroissement des performances et optimisation des SME 40
1.4. Concepts de fiabilit et de maintenance 43

1.4.1. Introduction 43
1.4.2. La sret de fonctionnement 43
Xll
A. La fiabilit 45
B. Maintenabilit 47
C. Dfaillance 49
D. Disponibilit 51
D.l. Disponibilit instantane [A(t)] 53
D.2. Disponibilit dans un intervalle [AI(T)] 54
D.3. Disponibilit stationnaire ou Up Time Ratio [UTR] 54
1.4.3. valuation de la disponibilit d'un systme 56
A. Disponibilit du systme binaire 56
B. Fonctionnement en mode dgrad 58
B.l. Exemple de modlisation du fonctionnement dgrad (SME 3 tats) 59
1.4.4. Mesures de rendement 62
A. Taux de production 62
B. Temps de cycle 62
C. Relation entre la disponibilit et le taux de production 63
1.5. Mthodologie de recherche et contributions 64

1.5.1. Mthodologie de recherche 64
1.5.2. Contributions 65
1.6. Conclusion 68
1.7. Bibliographie 70
CHAPITRE 2 : P R O D U C T I O N RATE M A X I M I Z A T I O N OF A MULTI-

STATE SYSTEM U N D E R A N INSPECTION A N D REPAIR POLICY 80
2.1. Rsum 80
2.2. Introduction 81
2.3. Performance assessment 84

Z3.1. Notations 85
2.3.2. Assumptions 86
2.4. Formulation of optimization problem 88
2.4.1. A numerical example 89
2.5. Conclusion 90
2.6. References 91
Appendix 96
CHAPITRE 3 : AVAILABILITY M O D E L I N G A N D O P T I M I Z A T I O N OF
RECONFIGURABLE M A N U F A C T U R I N G SYSTEMS 100
3.1. Rsum 100
3.2. Practical implications 103

Xlll
3.4. Reconfigurable systems and performance degradation : an illustrative example

106
Figure 3.1 : An automated manufacturing system example 107

3.4.1. Normal functioning 107
3.4.2. Degraded functioning 108
3.4.2.1. Case 1: Failure of sensor C2 or C3 108
3.4.2.2. Case 2: Failure of machine Mi 108
3.5. Performance evaluation of reconfigurable systems 109

3.5.2. Availability model Ill
3.6. Availability and production rate assessments 114
3.7. Optimal design for reconfigurable systems 118

3.7.1. Optimal design models 118
3.7.2. Numerical results 121
3.8. Conclusion 123
3.9. Acknowledgments 124
Appendix 1 : Input data examples 125
Appendix 2 : Steady state availability evaluation 127
Appendix 4 : Optimal solutions 128
3.10. References 130
CHAPITRE 4 : PERFORMANCE EVALUATION OF MULTI-STATE

D E G R A D E D SYSTEMS W I T H MINIMAL REPAIRS A N D IMPERFECT
PREVENTIVE MAINTENANCE 132
4.1. Rsum 132
4.3. Model description 137

4.3.2. System description 138
4.4. Evaluation of performance indices 139

4.4.1. Classification of the states 139
4.4.2. MSS performance indices evaluation 141
4.4.2.1. The availability 141
4.4.2.2. The production rate 143
4.4.2.3. The reliability function 144
4.4.2.4. Other MSS performance measures 146
4.5. Numerical example 147
4.6. Conclusion 150

XIV
4.7. References 150
CHAPITRE 5 : CONCLUSION, CONTRIBUTIONS ET PERSPECTIVES ..153
Conclusion gnrale 154

XV
ACRONYMES
AFNOR : Association Franaise de Normalisation

AGV : Automatically Guided Vehicle (Vhicule Guid Automatiquement)
CIRRELT : Centre Interuniversitaire de Recherche sur les Rseaux d'Entreprise,
la Logistique et le Transport
CNAM : Conservatoire National des Arts et Mtiers
CNRS : Centre National de la Recherche Scientifique
DTR : Down-Time Ratio (Indisponibilit)
EDT : Expected Down Time (Indisponibilit prvue)
EOT : Expected Operational Time (Dure oprationnelle prvue)
FGU : Fonction Gnratrice Universelle (Universal Generating Function(UGT))
IEEE : Institute for Electrical and Electronics Engineers
LAAS : Laboratoire d'Analyse et d'Architecture des Systmes
LINDO : Linear INteractive Discrete Optimizer
LT : Life time (Dure de vie)
MDT : Mean Down Time (Temps moyen d'indisponibilit)
MLT : Mean Life Time (Dure de vie moyenne)
MSDS : Multi-States Degraded System
MSS : Multi-States System
MTBF : Mean Time Between Failures (Moyenne des temps entre dfaillances)
MTTF : Mean Time To Failure (Temps moyen de fonctionnement avant dfaillance)
MTTFF : Mean Time To First Failure (Temps moyen de fonctionnement avant la
premire dfaillance)
MTTR : Mean Time To Repair (Moyenne des temps techniques de rparation)
MUT : Mean Up Time (Temps moyen de fonctionnement aprs rparation)
OEE : Overall Equipment Effectiveness
OLT : Operational Life Time (Dure de vie oprationnelle)
PLC : Programmable Logic Controller (Automate programmable)
XVI
PM : Preventive Maintenance
PdM : Predictive Maintenance
SME : Systme Multi-tats (Multi-State System (MSS))
SP : Systme de Production
SSME : Sous-Systme Multi-tats
TP : Taux de Production (Production rate)
UGF : Universal Generating Function (Fonction Gnratrice Universelle (FGU))
UMGF : Universal Moment Generating Function
UTE : Union Technique de l'lectricit
UTR : Up-Time Ratio (Disponibilit)
XVII
LISTE DES TABLEAUX
Tableau 1.1 : Paramtres pour l'valuation du FGU d'un SME srie 35

Table 2.1 : Data of system characteristic parameters 89
Table 3.1 : Technologies parameters values of component 1 125
Table 3.4 : Availabilities values per component 127
Table 3.5 : Production rates values per component 128
Table 3.6 : Optimal configuration of problem 1 128
Table 3.7 : Optimal configuration of problem II 129
Table 4.1 : Performance rates for each state 148
Table 4.2 : Transition rates for the illustrative example 149
Table 4.3 : Performance evaluation for cases 1-3 149
XV111
LISTE DES FIGURES
Figure 1.1 : Ligne de production monte en srie sans stocks tampons 6

Figure 1.2 : Exemple de structures redondantes de base 7
Figure 1.3 : Stock tampon sur une ligne de production 8
Figure 1.4 : Concept de service [30] 10
Figure 1.5 : tat d'un SME la dfaillance d'un composant essentiel 12
Figure 1.6 : tat d'un SME la dfaillance d'un composant non-essentiel 13
Figure 1.7 : Diagramme fonctionnel d'un systme binaire 14
Figure 1.8 : Diagramme fonctionnel d'un SME unitaire 3 tats 15
Figure 1.9 : Diagramme fonctionnel d'un SME multiples stades de
dgradation 16
Figure 1.10 : Caractrisation d'un SME multi-composants 17
Figure 1.11 : Affectation des technologies par sous-systme d'une ligne de
production 20
Figure 1.12 : volution de la performance en fonction du temps 23
Figure 1.13 : Exemple d'une chaine de Markov 28
Figure 1.14 : Approche d'valuation des probabilits d'tats base sur la
mthode de Markov 30
Figure 1.15 : Approche de dtermination de la fonction gnratrice d'un SME 34
Figure 1.16 : Exemple de l'allure d'une demande variable soumise un SME..39
Figure 1.17 : Arbre de la sret de fonctionnement [51] 45
Figure 1.18 : Allure del fonction de taux de dfaillance X(t) 50
Figure 1.19 : Grandeurs caractristiques des systmes rparables [99] 52
Figure 1.20 : Graphes de fonctionnement (disponibilit versus fiabilit) 53
Figure 1.21 : Graphe des tats de bon fonctionnement et de rparation 55
Figure 1.22 : Diagramme des transitions d'un systme binaire unitaire 56
Figure 1.23 : Diagramme des transitions d'un systme 3 tats 60
Figure 1.24 : Mthodologie de la recherche 65
Figure 1.25 : Sommaire gnrale des trois articles de la thse 68
XIX
Figure 2.1 : System transitions diagram 85

Figure 2.2 : Evolution of TPc according to the inspection periodicity x 89
Figure 2.3 : Shape of K(x) according to inspection periodicity x 90
Figure 3.1 : An automated manufacturing system example 107
Figure 3.2 : Nominal/degraded functioning alternance 109
Figure 3.3 : State transition diagram of a reconfigurable system 112
Figure 3.4 : An example of a series system with 3 components and several
available technologies 122
Figure 4.1 : System state transition diagram 139
Figure 4.2 : State transition diagram for determination of R(t) 145
Figure 4.3 : Illustrative system state transition diagram 148
Chapitre 1 :
Introduction gnrale et revue de la littrature

1.1. Introduction
Les systmes technologiques se distinguent de plus en plus par la complexit

croissante de leur structure. Cette complexit accroit l'occurrence de
dfaillances catastrophiques qui peuvent entraner d'importantes consquences
pour les entreprises. Ces dfaillances peuvent, ainsi, engendrer d'normes
pertes de production, pertes financires, pertes de temps, accidents, blessures,
dcs, insatisfaction de la clientle, etc. et exiger d'importants investissements
pour la rparation des prjudices causs. Ces situations peuvent rduire la
comptitivit des entreprises. Cependant, une des approches pour pallier
l'occurrence alatoire des pannes est d'intgrer aux systmes des procds leur
permettant d'oprer en mode dgrad [58]. Dans plusieurs travaux sur la
fiabilit, la modlisation des systmes est effectue selon la configuration
binaire, o seulement deux tats sont admis : fonctionnement nominal et
dfaillance complte. Les performances de tels systmes sont considres comme
ayant le mme niveau dans leur phase utile (fonctionnement). Bien qu'une telle
modlisation ait, dans la pratique, d'innombrables applications, elle est,
cependant, considre insuffisante pour dcrire diffrentes situations qui
surviennent dans la vie des systmes et qui peuvent avoir une incidence sur
leurs performances [10] [100]. En ralit, les systmes et/ou leurs composants
peuvent avoir diffrents niveaux de performance. Gnralement, ces niveaux de
performance sont, soit fonction d'actions contrles en vue d'obtenir un
rendement escompt, soit fonction des dgradations qu'ils subissent. Les
actions contrles sont souvent ralises partir d'units de commande qui
agissent automatiquement afin d'assurer une fonction requise. A cet effet,
plusieurs procds technologiques telles que la tolrance aux fautes, la duplication
d'architectures, la conception de commande-surveillance fonctionnement sr, etc. ont
t dvelopps. Ces procds ont pour objectif d'assurer un fonctionnement sr
sous dgradations contrles. Ils sont essentiellement bass sur l'activation
interne de mcanismes automatiques de reconfiguration matrielle et/ou
logicielle permettant d'assurer la continuit du service en dpit de l'occurrence
d'une dfaillance. Dans ce cas, une dfaillance entrane la diminution des
performances du systme, mais pas systmatiquement sa dfaillance complte
(systme reconfigurable). Cette baisse de performance est considre comme une
dgradation. Gnralement, chaque stade de dgradation est associ un
niveau de performance. Un systme (y compris ses composants) pouvant
fonctionner diffrents niveaux de performance est considr comme un
systme multi-tats (SME) [54]. Les caractristiques physiques des performances
d'un SME dpendent de la nature physique de son rendement. Ces
performances peuvent tre structurelles, fonctionnelles, comportementales, etc.
Ainsi, la productivit ou la capacit, la fiabilit ou disponibilit, la vitesse de
traitement etc. peuvent reprsenter la mesure de performance d'un SME. Huang
et Zuo [44] prsentent la modlisation multi-tats comme un outil flexible de
reprsentation des systmes industriels. L'tude des SME s'effectue en associant
un niveau de performance chaque tat du systme. Ainsi, la multitude des
niveaux de performance qui peuvent en rsulter, ramne une configuration
multiples tats. L'tude des SME s'avre assez complexe et les approches
d'tude utilises doivent permettre de caractriser leurs structures, d'valuer
efficacement leurs performances et de mettre en place des stratgies
d'optimisation de celles-ci. L'objectif global de ces travaux de recherche
s'appuie sur une dmarche qui favorise :
1. la continuit du service des systmes,

2. l'accroissement des performances des systmes,
3. l'allocation optimale des ressources,
4. la caractrisation intgre des performances de SME par leur aptitude
rpondre une demande.
En rsum, cette thse porte sur la modlisation, l'valuation et l'optimisation

des performances des SME dgradables. En somme, dans cette recherche, nous
nous intressons :
- aux mthodes d'valuation de performances des SME,
- aux stratgies d'amlioration de ces performances,
- aux modles de conception optimale de ces performances et des
ressources disponibles
aux stratgies optimales de maintenance associes de tels systmes.
1.2. Objectifs et problmatiques
1.2.1. Objectifs
Dans cette thse, on vise le dveloppement de modles analytiques qui

permettent d'assurer la continuit de service pour des systmes rparables
pouvant oprer en mode dgrad. Cette tude nous permettra de caractriser
les systmes multi-tats (SME) et de mettre en uvre des stratgies
d'accroissement de leurs performances. Notre dmarche sera d'explorer des
mthodes de modlisation, d'analyse et d'valuation des performances des
SME complexes dont le niveau de service volue avec l'mergence de
dgradations au cours de leur cycle de vie. Nous effectuerons l'valuation et
l'optimisation de leurs mesures de performance (disponibilit, taux de
production, etc.) ou ressources. Ainsi, nous identifierons les diffrentes
variantes de SME sur lesquelles sera oriente cette recherche. Nous
caractriserons les particularits conceptuelles et fonctionnelles qui favorisent la
multiplicit des niveaux de performances. Une stratgie optimale d'inspection,
visant maximiser le taux de production d'un SME et dont l'tat de
fonctionnement n'est connu qu'aprs inspection, sera propose. Ensuite, des
modles traitant des problmes de conception optimale de SME oprant selon
une structure srie, sans stocks tampons seront proposs et exploits. Enfin,
nous proposerons une approche combinatoire d'valuation des performances
d'un SME. Ces performances sont assujetties au niveau de demande client.
Dans ce cas, le SME tudi n'est disponible que quand sa productivit permet
de rpondre une demande donne. Des approches d'optimisation de choix de
maintenance seront abordes.
En rsum, les principaux objectifs des travaux de cette thse seront de :
caractriser les SME tudier sur la base d'hypothses de travail et des

travaux publis dans la littrature,
proposer des mthodes d'valuation des indices de performances
(fiabilit, disponibilit, taux de production, etc.) des SME (voir point 1.3),
dvelopper une stratgie optimale de maintenance et d'inspection. Les
actions de maintenance et d'inspection permettront l'accroissement des
performances selon le degr de dgradation d'un SME,
proposer un modle d'optimisation conjointe de structures et de
maintenance des SME. Il s'agira, d'une part, de dvelopper des modles
de conception optimale qui s'articuleront sur la slection de technologies
et de versions pour la maximisation des performances et la minimisation
de cots d'exploitation de SME monts selon une configuration srie. Et,
d'autre part, de dterminer une priodicit d'inspection permettant de
maximiser les performances d'un SME,
dvelopper et valider des programmes informatiques pour le traitement
des modles tudis.
1.2.2. Problmatiques
A. Continuit du service
Dans les travaux portant sur la modlisation binaire des systmes (tat
d'opration et tat de dfaillance) publis dans la littrature, assurer la continuit
du service est une problmatique importante. Dans cette modlisation,
l'occurrence d'une dfaillance entrane l'arrt systmatique du fonctionnement
du systme. Dans les industries, ce mode de dfaillance peut s'avrer
extrmement coteux, prjudiciable et engendrer des pertes sur une ligne de
production. Si cette ligne est monte selon une structure srie sans stocks
tampons, la dfaillance d'un composant de la ligne entrane l'arrt de toute la
ligne.
w-c Extrant
Sous-systme 1 Sous-systme 2 Sous-systme n
Sous-systme 1 Sous-systme 2 Sous-systme i Sous-systme n-1 Sous-systme n
B-l
Intrant Extrant
Figure 1.1 : Ligne de production monte en srie sans stocks tampons
Pour palier ces arrts de production alatoires, assurer la continuit du service

et amliorer les performances (disponibilit, taux de production, OEE1, etc.) des
solutions sont dveloppes et mises en uvre en industrie. Les plus courantes
1
Overall Equipment Effectiveness
sont la redondance, les stocks tampons, la maintenance et les techniques de
sret de fonctionnement (voir paragraphe page 9), etc.
La redondance est l'une des approches les plus couramment utilises. Elle se
caractrise par la duplicit de plus d'un module, assigns excuter une
fonction dtermine. Le systme ou la ligne de production tant conue de sorte
que tous les modules redondants soient dfaillants pour que la dfaillance
totale de l'ensemble soit dtecte. En outre, la redondance permet
d'entreprendre une action de rparation sur un module dfaillant sans affecter
le droulement normal du fonctionnement du systme [48]. Le flot de
production tant redirig vers les modules redondants. Il en existe deux types :
la redondance active (ex : structures parallles) et la redondance passive (ex :
structures standby) [5].
1 1
2 2
i i
1 1 1
Dispositif de
1 1 dtection/ 1
1 1 commutation 1
n n
Structures parallles Structures standby
Figure 1.2 : Exemple de structures redondantes de base
Malgr, les innombrables possibilits qu'offre la redondance, son implantation

s'avre coteuse en termes d'acquisition, d'exploitation et d'espace. Par ailleurs,
pour les systmes standby, le bon fonctionnement de l'ensemble est assujetti
la robustesse et la fiabilit du dispositif de dtection et de commutation.
Les stocks tampons offrent une option intressante dans une stratgie pour
garantir la continuit du service d'une ligne de production. Ainsi, la panne
d'un sous-systme i, le fonctionnement du sous-systme i+1 est assur par le
stock intermdiaire aux 2 sous-systmes. Cependant, les stocks tampons
peuvent s'avrer limits dans un contexte de production de masse du fait de
leur capacit finie. Si, le sous-systme i+l traite tout le stock disponible, il ne
sera plus en tat d'oprer, ce sera alors un arrt par famine.
Sous-systme i Stock tampon Sous-systme i+1
i+1
Figure 1.3 : Stock tampon sur une ligne de production
Les politiques de maintenance prventive, de maintenance conditionnelle et

d'inspection sont des techniques qui permettent d'amliorer les performances
d'un systme. Ces politiques ont un impact positif sur la continuit de service.
La maintenance prventive se rsume en des actions entreprises sur un systme
en condition de fonctionner et qui sont effectues afin de le garder dans des
conditions de fonctionnement dsires [108]. La maintenance conditionnelle
(predictive maintenance (PdM) en anglais), quand elle, permet de dtecter, de
mesurer les paramtres physiques d'un systme ou quipement fonctionnel, de
les analyser afin de dcider du meilleur moment pour entreprendre une action
de maintenance (analyse vibratoire, thermographie, analyse des lubrifiants, etc.)
[25]. Enfin, l'inspection permet de dtecter les potentielles dfaillances
(dfaillances dormantes) d'un quipement quand il n'est pas continuellement
surveill (monitoring). Cette dmarche s'effectue diffrentes priodes de
temps pour connatre l'tat de l'quipement et prendre action [68]. Cependant,
les actions de maintenance et d'inspection peuvent s'avrer coteuses dans
certains cas e t / o u engendrer d'autres dfaillances du fait d'une formation et
d'une connaissance inadquates des techniques et des quipements par le
personnel de maintenance.
Les techniques de sret de fonctionnement telles que la tolrance aux fautes, la

reconfiguration, la duplication d'architectures, la conception de commande-
surveillance fonctionnement sr, etc. sont des approches permettant d'assurer
la continuit du service en dpit de l'occurrence d'une dfaillance. Ces
techniques sont bases sur l'activation interne de mcanismes automatiques de
reconfiguration matrielle ou logicielle. Ainsi, lorsqu'une panne survient, selon
son architecture et sa configuration internes, le systme a la capacit de
continuer fonctionner avec des performances rduites donnant ainsi la
possibilit de mise en place de stratgies palliatives. Dans cette thse, l'impact
des approches intgres de reconfiguration sur la modlisation du
fonctionnement des systmes est explor. Cette dmarche a pour objectif de
rpondre la problmatique de continuit du service et donc garantir une
meilleure disponibilit (performance). Ainsi, l'occurrence d'une dfaillance, le
systme sera considr en mode dgrad lorsque la reconfiguration lui
permettra de fonctionner, et ce, en de de ses performances nominales. En
tenant de compte de cette possibilit et en s'appuyant sur le modle binaire, de
nouveaux tats seront intgrs selon la spcificit du cas tudi. L'impact de ces
nouvelles configurations sur la continuit du service et les performances des
systmes seront analyses.
A.l. Caractrisation du fonctionnement dgrad dans un contexte de production
Un systme de production (SP) est une interconnexion de plusieurs sous-

systmes tels que les machines contrles numriquement, les stations
d'assemblage, les vhicules autoguids (AGV), les robots, les convoyeurs, etc.
La fiabilit et la disponibilit sont des caractristiques importantes qui affectent
directement la performance globale des systmes de production. Si
10
conceptuellement un SP est conu de sorte qu' l'apparition d'une panne

quelconque, il effectue automatiquement une reconfiguration qui lui permet
d'tre fonctionnel avec nanmoins une baisse du service dlivr, nous disons
qu'il opre en mode dgrad.
Les mcanismes de reconfiguration conduisent la conception de systmes

industriels robustes. L'un des aspects de cette robustesse est de garantir la
continuit du service. Cette continuit du service s'effectue sur la base d'une
dgradation partielle du fonctionnement. Pour de tels systmes, la panne d'un
ou plusieurs de leurs composants n'altre que minimalement leurs
performances. Ce qui leur permet de continuer de dlivrer du service avec une
dgradation acceptable. Cette approche se distingue de l'emploi classique de la
redondance, du fait qu'elle s'affirme comme une dmarche conomiquement
rentable; l'utilisation d'units redondantes impliquant des cots levs
d'implantation et d'entretien. Chevance [30], travers la figure 1.4, tablit les
relations existantes entre les diffrents services rendus par un systme selon le
niveau de dgradation de son fonctionnement.
Dfaillance complte
Restauration complte
Figure 1.4 : Concept de service [30]

11
D'un point de vue structurel, Anderson et Lee [7] prsentent un systme comme
un ensemble de composants interconnects qui d'interagissent.
Conceptuellement, les diffrents composants d'un SP n'ont pas tous les mmes
fonctionnalits. Certains remplissent des fonctions plus importantes ou
critiques que d'autres. Ce qui leur confre un niveau de criticit plus lev. Par
exemple, la dfaillance des uns peut avoir une incidence catastrophique sur le
fonctionnement du systme (dfaillance complte), tandis que pour les autres
cela conduira un nouvel tat oprationnel mais ne remplissant pas totalement
les objectifs du systme (perte de performance). Cette catgorisation de la
criticit oprationnelle des composants permet de distinguer deux principales
catgories de fonctions : les fonctions essentielles et les fonctions non-essentielles.
Les diffrents composants qui remplissent ces fonctions peuvent se dfinir
comme suit [77] :
- un composant essentiel dsigne tout composant dont la dfaillance conduit

une indisponibilit du systme (altration ou cessation de son aptitude
accomplir sa fonction).
- Un composant non-essentiel dsigne tout composant dont la dfaillance

conduit un fonctionnement d'exception (ventuellement dgrad). Le
qualificatif non-essentiel est ainsi rattach un composant dont la
dfaillance a t rendue tolerable grce l'intgration de techniques de
reconfiguration ractive dans le dispositif de commande-surveillance.
Les dfaillances alatoires pouvant affecter la performance d'un SP, se trouvent

ainsi classes en deux types : les dfaillances de composants non-essentiels et
les dfaillances de composants essentiels [77].
12
A.2. Dfaillance d'un composant essentiel
La dfaillance d'un composant essentiel dsigne une interruption totale du

service. Autrement dit, en cas de dfaillance d'un composant essentiel, le
systme ne remplit plus la fonction pour laquelle il a t conu. La figure 1.5
reprsente l'impact de la dfaillance d'un composant essentiel sur les
performances globales du systme [75] [79].
Performances
A
Panne Rparation
Nominales
Temps
tat nominal tat de dfaillance tat nominal
ti : Dfaillance
t2 : Rparation et Reprise du fonctionnement
Figure 1.5 : tat d'un SME la dfaillance d'un composant essentiel
l'instant h, la dfaillance d'un composant essentiel entrane automatiquement

la dfaillance du systme. l'instant h, la fin de la rparation du composant
ayant conduit la dfaillance du systme, entrane la reprise du fonctionnement
(retour l'tat nominal).
13
A3. Dfaillance d'un composant non-essentiel
La dfaillance d'un composant non-essentiel est perue comme une

perturbation tolre qui dgrade la performance nominale du systme c'est--
dire qu'il fonctionne avec des performances dgrades. La figure 1.6 reprsente
l'impact de la dfaillance d'un composant non-essentiel sur les performances
globales du systme [75] [79].
Performances
k
Dgradation Rparation
Nominales
Dgrades
Temps
Etat nominal tat dgrad tat nominal
ti : Dgradation et dbut du mode dgrad

t2 : Rparation et Reprise du fonctionnement
Figure 1.6 : tat d'un SME la dfaillance d'un composant non-essentiel
l'instant h, la dfaillance d'un composant non-essentiel est dtecte. La

procdure est aussitt enclenche pour le fonctionnement en mode dgrad. La
reconfiguration reste actif jusqu' la rparation de l'lment dfaillant et
l'autorisation de la reprise l'instant ti. Les diffrentes actions de
reconfiguration sont menes par des dispositifs de commande-surveillance
propres chaque systme. Le fonctionnement dgrad n'est autoris que si une
dfaillance est perue et que les procdures adquates de reconfiguration sont
enclenches. La fin de la rparation du composant ayant conduit au
14
fonctionnement dgrad, est suivie de la reprise; cette dernire impose la

cohrence entre l'tat courant du systme et l'tat de fonctionnement nominal
atteindre.
B. Modlisation des SME
La modlisation et l'valuation des SME est un champ d'tude qui dpend :
- de la structure des systmes tudis,

de leur comportement dans leur environnement d'opration,
- de la robustesse des techniques d'valuation de leurs mesures de
performance.
En effet, en prenant pour hypothse que les systmes tudis intgrent des
mcanismes de reconfiguration, notre dmarche porte sur une modlisation
base sur une prise en compte des tats susceptibles d'tre gnrs par cette
particularit fonctionnelle. La problmatique de la modlisation des SME est
assujettie aux hypothses de travail retenues et la spcificit des cas tudis.
Ainsi, le choix de la mthodologie d'valuation des indices de performances des
SME est impact par la complexit des systmes modliss (voir point 1.3.1).
Les modles de SME proposes et traits dans cette thse sont bass sur
l'exploration d'extensions multi-tats dveloppes partir du modle binaire
reprsent par la figure 1.7.
Dfaillance
Rparation
Figure 1.7 : Diagramme fonctionnel d'un systme binaire

15
B.l. SME unitaires
a. SME 3 tats
Nous considrons u n SME unitaire comme u n SME constitu d'une seule

composante. Dans [105], Zaitseva affirme que le comportement d'un SME e t / o u
de ces composants peut tre modlis par plus de deux tats avec des niveaux
de performances associs chacun de ces tats. Wu et Chan [100], quant eux,
stipulent que dans le cas d'un SME, la performance d u systme (ou de ses
composants) comporte plus de deux tats. En se basant sur ces rflexions, nous
modlisons le plus petit SME unitaire en intgrant la configuration binaire un
3ime tat dit dgrad (figure 1.8).
Dfaillance
complte
Rparation
complte
Rparation
minimale
Dfaillance
complte
Figure 1.8 : Diagramme fonctionnel d'un SME unitaire 3 tats
Les travaux abords dans le chapitre 2 de cette thse s'articule autour d'une
variante de ce modle qui tient compte d'une stratgie d'inspection.
16
b. SME unitaire multiples stades de dgradation
Le taux de dfaillance crot avec l'ge (vieillissement) et avec l'usage en

rfrence la courbe de la fonction de taux de dfaillance (figure 1.18).
Cependant, si le taux de dfaillance d'un systme dpend du temps, il est tout
aussi impact par son statut (le niveau de vibration et le nombre de chocs
alatoires qu'il subit, son niveau d'efficacit, etc.) qui causent des dgradations.
Plus la dgradation s'accentue, plus sa fiabilit diminue. Pour l'analyse de la
fiabilit de tels systmes, la multitude d'tats oprationnels ou de stades de
dgradation sont considrer. Plusieurs modles dvelopps dans la littrature
supposent qu'aprs dfaillance, la rparation restitue le systme son tat neuf.
Cependant, si c'tait toujours le cas, les systmes pourraient tre oprationnels
pendant un temps quasi infini. Ce qui est presqu'impossible. La modlisation
multiples stades de dgradation permet de rpondre cette problmatique. Le
systme peut se dgrader e t / o u dfaillir n'importe quel stade oprationnel ou
de dgradation. Une rparation minimale est alors entreprise pour le ramener
son tat oprationnel prcdant la dfaillance. En outre, il peut se dgrader
jusqu' sa dfaillance complte o toute action de remise neuf serait
conomiquement et techniquement non rentable. La figure 1.9 prsente u n
modle gnrique de ce systme.
Figure 1.9 : Diagramme fonctionnel d'un SME multiples stades de

dgradation
17
Les travaux abords dans le chapitre 4 de cette thse s'articule autour de cette
modlisation o la productivit globale du systme doit rpondre un profil de
demande.
B.2. SME multi-composants
Un systme est un ensemble form de sous-systmes, de composants et

d'lments. Dans le domaine de la fiabilit, il est important d'valuer l'effet de
la fiabilit de chaque sous-systme e t / o u composant sur la fiabilit globale du
systme d'o l'approche des mesures d'importance [100]. Cette valuation
permet d'apprhender l'impact de la dfaillance de chaque lment sur le
fonctionnement global du systme. En considrant, qu'un systme est compos
de composants essentiels et non-essentiels (section 1.2.2. point A.l.), nous nous
proposons d'tudier une modlisation multi-composants qui se caractrise par
sa spcificit. En effet, le fonctionnement global du systme sera de
configuration multi-tats avec un fonctionnement binaire pour chaque
composant. La figure 1.10 prsente une distribution des composants de ce SME
et l'interaction qui peut exister entre eux.
SME
Composant \ f Composant \
L Essentiel 1 J ~~ " \ Essentiel 2 yV
^ ~^T~ \
\ \ // \\
\ / \
z'Composante f Composant \ f Composant \
V Essentiel n-1 / "" V non-essentiel By " V Essentiel 3 J
Composant Composant
, Essentiel n-2 . Essentiel i
Figure 1.10 : Caractrisation d'un SME multi-composants

18
Les travaux abords dans le chapitre 3 de cette thse s'articule autour de cette
modlisation.
C. Optimisation des performances et des ressources des SME
L'efficacit de l'emploi des ressources de production, leur disponibilit et leur

productivit dcoulent de l'adquation entre les rgles de gestion de la
production et celles de la gestion de la maintenance [80]. La plupart des
problmes de conception, d'analyse et de gestion des systmes manufacturiers
ont pour objectif de dterminer la plus grande ou la plus petite valeur d'une
fonction plusieurs variables (fonction objectif). Le but de roptimisation est de
runir l'ensemble de conditions requises pour raliser le meilleur rsultat d'une
situation donne [16].
C l . Allocation optimale de technologies des SME
Une des problmatiques que nous abordons dans notre tude est celle de
l'optimisation de structures bases sur l'allocation optimale de technologies.
Cette dmarche permet, d'une part, de maximiser les performances d'une ligne
de production monte en srie et compose de sous-systmes multi-tats
(SSME) sous des contraintes de ressources, et d'autre part, de minimiser le cot
total d'exploitation de la ligne en respectant u n seuil requis de performance.
Ces problmes diffrent des problmes classiques d'allocation optimale de la
redondance, o il est plutt question de trouver le nombre de technologies
identiques utiliser dans chaque sous-systme pour optimiser une mesure de
performance [52] [67]. Ainsi, en considrant que diffrentes versions de
technologies sont disponibles sur le march, l'objectif de la dmarche est de
dterminer les configurations optimales pour la ligne de production srie.
19
Pour la maximisation des performances (disponibilit et taux de production),

l'objectif vis est de les porter u n niveau optimal sous des contraintes de
budget et d'espace :
(a) Le cot total de la configuration retenue (somme des cots des

diffrentes technologies retenues) ne doit excder le budget allou.
(b) L'encombrement de la configuration retenue (somme des

encombrements des diffrentes technologies retenues) ne doit excder
l'espace total disponible.
(c) Pour chaque sous-systme j , on dispose de Mj technologies. Seulement

une parmi ces Mj technologies est retenue pour constituer le sous-
systme;'.
Pour la minimisation des cots encourus, la stratgie utilise est de porter le

niveau de performance (disponibilit ou taux de production) un seuil
prdtermin cot minimal :
(a) La disponibilit Aligne de la ligne de production doit tre suprieure ou

gale u n seuil prdtermin de disponibilit A*, noter que par
approximation Allgm = \ \ A j [36].

7=1
(b) Le taux de production TPiigne de la ligne de production doit tre

suprieur ou gal un seuil prdtermin de taux de production T F ,
noter que TPljgm = Minimum \ T P \ a v e c ; = 1, 2,..., n.
(c) Pour chaque sous-systme ;', on dispose de Mj technologies. Seulement

une parmi ces Mj options est retenue pour chaque sous-systme;.
20
La figure 1.11 prsente la configuration de la ligne de production et des

possibilits de choix.
Sous-systme 1 Sous-systme 2 Sous-systme ; Sous-systme n
Ligne de production srie
SSME1 SSME2 SSME; SSMEn
Technologie 1 Technologie 1 Technologie 1 Technologie 1

B "H n' M/1
C 2
P 7' W 1
C P' W " p /
H ' *i "i -1 > M " 1
S-
y.
I Technologie 2 Technologie 2 Technologie 2 Technologie 2

r rD /
C' Fi W' C2 P 2 ^2 Cy 7" " w
*-2 > ' 2 ' 2 -2' 2 ' "2
r
"-2' 2 ' "2
t Technologie ;
C', A?, W]
Technologie i
C.2, F 2 , f*:2
Technologie 1
C / , />y, Wf
Technologie i
C", P " , w ;
CA
QJ
a Technologie M\ Technologie M2 Technologie M, Technologie M

o
"3 C P ' W' C1 />' W1 C P ' W> C p - \y
.*/, ' \t> M .
H
I
Figure 1.11 : Affectation des technologies par sous-systme d'une ligne de

production
ou
n : reprsente le nombre de sous-systmes multi-tats de la ligne de
production
Mj : reprsente le nombre de versions de technologies disponibles sur le
march pour un sous-systme; donn
C/ : reprsente le cot du sous-systme; utilisant la technologie i.
P / : reprsente la performance (disponibilit ou taux de production) du sous-

systme; utilisant la technologie i
W' : reprsente l'encombrement du sous-systme; utilisant la technologie i
21
Ces diffrents problmes d'optimisation des performances et de ressources sont

des problmes NP difficiles. Selon la taille de structures tudies, ce type de
problmes de dcision peut se rsoudre par des algorithmes en un temps
polynomial. La rsolution exacte des problmes d'optimisation NP difficiles
n'tant pas envisageable pour des problmes de taille industrielle, une solution
approche peut souvent tre satisfaisante. Il s'agit alors d'assurer une garantie
sur la qualit des solutions obtenues, l'aide d'un algorithme de faible
complexit.
Ces problmatiques d'allocation optimale de technologies sont abordes dans le

second article propos dans cette thse.
C.2. Stratgie optimale d'inspection
Gnralement, pour certains systmes, l'tat de dgradation n'est connu

qu'aprs inspection. Une stratgie d'inspection tablit les instants o une ou
plusieurs caractristiques opratoires d'un systme sont contrles afin d'en
dterminer le niveau de dgradation [45]. Ainsi, une frquence d'inspections
leve permet la dtection prcoce de dgradation, ce qui favorise la prvention
des dfaillances [63]. Dans la littrature, les modles d'inspection bass sur
l'approche de la non-autodtection des dgradations par les systmes ont t
souvent abords [29]. Dans [28], Chelbi affirme que la plupart des stratgies
d'inspection utilisent le cot comme critre de performance. Cependant, il
existe plusieurs situations pour lesquelles le critre cot est secondaire. Ainsi,
pour certains systmes, il est primordial de maintenir un assez haut niveau de
performances en les inspectant selon une certaine frquence. En considrant
qu'une dfaillance ou une dgradation n'est dtecte que suite une inspection,
un quipement peut demeurer partiellement ou compltement inactif entre
l'instant o le dysfonctionnement s'est produit et celui de sa dtection [28].
Cette priode d'inactivit peut entraner des pertes de production et financires
considrables. Il importe, donc, de dterminer la squence des instants
22
d'inspection qui minimise le cot total encouru par unit de temps sur u n
horizon de temps donn.
Cette problmatique d'inspection optimale est aborde dans le premier article

propos dans cette thse.
C3. Allocation stratgique de la maintenance d'un SME
L'une des problmatiques que nous aborderons dans cette recherche sera de
dterminer une stratgie de maintenance pour amliorer les indices de
performance des SME. Ainsi, partir d'un tat jug critique, des actions de
maintenance prventive seront entreprises pour ramener le systme vers u n tat
oprationnel (dgrad ou nominal) avec u n seuil de performance prdtermin.
Cette criticit sera tablie, soit par un tat d'indisponibilit ou l'iinminence de
celui-ci dfini par un niveau de performance infrieur une demande donne,
soit par un tat de dfaillance ou un tat dgrad. Pour atteindre u n seuil requis
de performance, nous considrons que plusieurs choix d'actions de
maintenance peuvent tre entrepris partir de l'tat critique. Normalement,
chaque action maintenance prventive doit tre associe un cot. Nous
pouvons assumer comme hypothse que plus ce cot est lev, plus l'action
fera tendre le systme vers son tat nominal (tat neuf). Cette dmarche se
prsente comme une stratgie optimale de la maintenance qui a pour objectif de
dterminer la rparation utile qui permettra un SME donn d'atteindre un
certain niveau de performance selon des besoins en productivit ou en
rentabilit sous des contraintes de ressources. La figure 1.12 illustre une
reprsentation de cette stratgie o W est une demande satisfaire par le SME
dgradable tudi, G, sont les niveaux de performance des tats oprationnels
du SME. G3 reprsente l'tat critique; l'tat avant que le systme ne soit
indisponible (G3 < W). Les tats sont considrs discrets (voir le point 1.3.1. A.).
23
Performance
(nombre d'units)
Action de maintenance un
tat critique (accroissement
performance)
W : Demande moyenne
Gi(t) : Niveau de
performance par tat i
(units produites)
Temps
Figure 1.12 : volution de la performance en fonction du temps
Dans cette thse, les problmatiques d'allocation stratgique de la maintenance

d'un SME s'appuieront sur les concepts de rparation imparfaite et minimale.
Ainsi, la performance d'un systme dont la fiabilit faiblit, dpend de l'action
entreprise aprs sa dfaillance. Dans le cas d'un systme non rparable, il est,
soit remplac par une unit neuve, soit par une unit usage. Pour un systme
qui peut tre maintenu, la rparation devient un choix additionnel.
Gnralement, le concept de maintenance assume qu'un systme dfaillant peut
tre, soit restaur son tat neuf (rparation parfaite), soit son tat d'avant
dfaillance (rparation minimale). Cependant, plusieurs systmes dfaillants
sont restaurs un tat intermdiaire ces deux tats. Cet tat est meilleur que
celui obtenu aprs la rparation minimale, mais, moins bon que l'tat neuf. Ce
type de rparation se nomme rparation imparfaite [103]. Le concept de la
rparation minimale a t prsent la premire fois par Barlow et Hunter [11]. La
rparation minimale est souvent adquate pour des systmes complexes o la
dfaillance d'un systme peut tre occasionne par la dfaillance d'un de ses
composants [71]. Le remplacement de ce composant dfaillant par du neuf
permet au systme d'tre oprationnel. Par consquent, les caractristiques de
24
dfaillance du systme aprs rparation sont presqu'identiques que celles

d'avant sa dfaillance (taux de dfaillance sensiblement identiques).
Ces problmatiques de choix stratgique de la maintenance sont abordes dans

les trois articles proposs dans cette thse. Les approches de maintenance
imparfaite et/ ou irrinimale sont essentiellement explores dans le premier et le
troisime article.
1.3. Revue de la littrature
La revue de la littrature de cette recherche a port sur :
- l'valuation des mesures de performances des SME dgradables,

les stratgies d'amlioration des performances
les approches gnrales d'optimisation des SME.
1.3.1. Performances des systmes multi-tats
Les phnomnes de dgradation qui affectent les systmes sont souvent dus
des conditions environnementales (corrosion, rosion, etc.), des phnomnes
physiques (vibrations, usures, fatigue, chocs, etc.) [49], etc. Ces dgradations ont
plus ou moins un impact sur leurs performances. Ainsi, certains systmes et
leurs composants peuvent occuper diffrents stades de dgradation durant leur
dure de vie utile. Selon les type de systmes tudis, ces stades de dgradation
peuvent tre multiples [83]. Pour l'tude et la modlisation du fonctionnement
de tels systmes et de leurs composants, on associe, gnralement, des tats
ces stades de dgradation. Chaque tat refltant le niveau de dgradation du
systme ou de ses composants. Les tats extrmes correspondant
respectivement l'tat nominal et la dfaillance complte. Cette modlisation
s'identifie celle des systmes multi-tats (SME). Dans le sens de la fiabilit,
25
l'valuation des performances des SME est sujette la prise en compte des
performances associes l'ensemble de leurs tats oprationnels (nominal et
dgrads).
L'tude de la fiabilit des SME a t aborde dans le milieu des annes 70 et

s'avre complexe [13] [37] [70] [88]. La plupart des travaux de recherche dans ce
domaine tendent les rsultats d'analyse des systmes binaires aux cas multi-
tats [100]. Le comportement des SME et de leurs composants est modlis par
plus de deux tats avec des niveaux de performances diffrents associs
chacun de ces tats [105]. Dans la littrature, les configurations structurelles des
SME sont varies. Plusieurs travaux tudient les configurations multi-tats
unitaires, sries, parallles, en pont, ou k parmi n [44] [53] [83]. Pour ces
systmes, les principaux indices de fiabilit ont leur caractrisation qui diffre
des dfinitions classiques. Ainsi, dans [55], Levitin et Lisnianski considrent un
SME comme un systme pouvant avoir plusieurs niveaux de performance et sa
fiabilit RsME(t) comme une mesure de sa capacit satisfaire une demande
donne. Les principales mthodes d'valuation des performances des SME
abordes dans la littrature sont essentiellement bases sur quatre approches :
l'approche de la fonction de structure, l'approche des processus stochastiques
(principalement l'approche de Markov), la simulation Monte-Carlo et la
fonction gnratrice universelle (FGU).
Les principales mthodes d'valuation des indices de performance n'ont pas

toutes la mme efficacit pour une structure de SME donne, mais, elles sont
souvent utilises par les chercheurs selon la spcificit du cas tudi [17]. En
effet, la mthode des processus stochastiques ne peut qu'tre applique aux SME
de petites tailles du fait que le nombre d'tats d'un systme peut rapidement
augmenter avec l'accroissement du nombre de ses composants [10] [34] [83].
L'approche de la fonction de structure prend extrmement de temps et ne permet
pas l'analyse du comportement dynamique des SME [13] [37] [105]. Cette
26
approche est utilise pour valuer la fiabilit d'un SME k parmi n (structure
gnrale) o maintenir un niveau d'tat ; du systme peut exiger qu'un certain
nombre de ses composants soient dans un tat; ou au-del (/' = 1, 2, ..., M avec
l'tat 0 : tat de dfaillance et l'tat M : tat de fonctionnement parfait) [44]. Les
modles de simulation Monte Carlo peuvent permettre une modlisation assez
raliste des fonctionnements complexes multi-tats des systmes industriels
[106]. En gnral, cette approche a pour avantage de permettre une
modlisation raliste des caractristiques multi-tats complexes des systmes
industriels [62]. C'est une approche gnrique et flexible pour l'valuation des
mesures de performance [106]. Ainsi, la fiabilit d'un systme est value par la
gnration alatoire de plusieurs tats de ce systme et par l'valuation de sa
fonction de structure [84] [86]. Cette fonction, appele aussi fonction du systme
[35], dtermine si une configuration spcifique correspond un fonctionnement
ou une dfaillance [82]. Dans l'approche de simulation Monte Carlo, l'objectif
de l'valuation de la fiabilit d'un systme est de dterminer l'tat de chaque
composant et d'valuer si le systme est fonctionnel ou dfaillant [86].
L'inconvnient majeur de cette technique est le temps et les cots qu'impliquent
son dveloppement et son excution [10]. L'approche de la fonction gnratrice
universelle (FGU) est gnralement utilise pour sa robustesse. En plus, cette
mthode permet de dterminer la distribution globale des performances des
SME en se basant sur les distributions des performances de ses composants.
Avec la FGU, les indices de performance sont rgis par la capacit des SME
rpondre une demande donne [61]. Par ailleurs, la multiplicit des tats des
SME constitue une difficult dans l'valuation de leurs indices de performance
(utilisation de techniques traditionnelles). Pour ces systmes, la FGU s'avre
efficace [54]. Cependant, bien qu'efficace pour l'valuation des indices de
performance des SME, la mthode de la FGU est assujettie l'hypothse que les
probabilits d'occurrence des tats des systmes soient pralablement connues
et que les ressources pour la maintenance soient disponibles, ce qui n'est pas
toujours le cas. Gnralement, l'valuation des indices de fiabilit s'entreprend
en dterminant les diffrentes probabilits d'occurrence des tats des systmes.
27
Ainsi, la modlisation des systmes dynamiques par des processus markoviens

homognes prsente certains avantages (simplicit, rapidit et prcision du
traitement) et permet la dtermination de ces probabilits [24].
Particulirement, pour la mthode de Markov, il est indispensable que soient
dfinis les taux de transitions d'tats (taux de dfaillance, taux de rparation,
taux de dgradation, etc.) qui lient les diffrents tats d'un systme donn.
Cette mthode permet d'entreprendre partir d'tats de dfaillance ou de
dgradation, des actions de maintenance dans le but d'accrotre les
performances des SME. Ainsi, une approche combinatoire base sur la FGU et
la mthode de Markov peut s'avrer trs pertinente pour l'valuation des
indices de fiabilit des SME. Cette voie sera explore dans cette thse.
A. Mthode de Markov (processus stochastique)
Une chane de Markov est un type particulier de processus stochastique qui

vrifie deux conditions, en considrant X comme une variable alatoire :
l'instant t, l'tat du processus ne dpend que de son tat l'instant f-1 :
Pr(X, = ; | Xi = , X2 = i2 X H = it-i) = Pr(X, = ; | X,-i = i M ) (1.1)
la probabilit conditionnelle de passage d'un tat i un tat ; ne varie pas

avec le temps :
Vf, Kt<N, Pr(Xf=;'|X(-i = 0 = C (constante) (1.2)
En gnral, la mthode de Markov s'articule essentiellement autour de deux

variables stochastiques qui sont entre autres l'tat S d'un systme et la priode
d'observation t du comportement de ce systme. Tout modle de Markov est
rgi par un ensemble de probabilits P,; qui dfinissent les probabilits de
transition d'un tat i vers un tat; et qui sont indpendants des tats prcdents
28
sauf du dernier [36] [76]. Dans le domaine de la fiabilit, la combinaison

usuellement utilise pour reprsenter un systme selon les modles de Markov,
est celle o le temps t est continu et l'tat S est discret. La chane de Markov est le
modle le plus frquemment utilis. La chane de Markov permet de
dterminer la fiabilit globale ou structurelle d'un systme en tenant compte
des possibilits de renouvellement de ce systme [26]. Elle est, en outre, utilise
pour dcrire le comportement dynamique d'un systme [76]. Dans cette
modlisation (chane de Markov), un systme est caractris par ses tats
oprationnels et de dfaillance. Ces tats sont reprsents par des nuds. Les
arcs correspondent aux probabilits de transition. La transition d'un tat
oprationnel vers u n tat de dfaillance est dfinie dans l'intervalle [t, t+At] par
la probabilit A(t)At o {t) est le taux de dfaillance. Par ailleurs, la transition
d'un tat de dfaillance vers un tat oprationnel est dfinie dans l'intervalle [t,
t+At] par la probabilit /4f)At o /4f) est le taux de rparation. L'analyse de la
fiabilit consiste, de ce fait, calculer les probabilits d'tat d'un systme et, de
l, mesurer la fiabilit de ce systme [26] [48] [90].
A.l. Exemple: Cas d'un systme gnrique
Pour un processus gnral de naissance et de mort reprsent par la figure 1.13 :
l-A,.iAf (l-\M)(l-u,At) (1-UMAI)

A,.iAf ( \ hAt
;-l (' i+l
UiAt //j+iAf
Figure 1.13 : Exemple d'une chaine de Markov
si A,At reprsente la probabilit de transition de l'tat i l'tat (i+1) dans un

intervalle de temps At
et
29
- si IUM reprsente la probabilit de transition de l'tat i l'tat (i-1) dans un

intervalle de temps At,
alors, les quations d'tat (Chapman-Kolmogorov) qui rgissent le systme

sont:
Pl(t + A t) = P,(t)-(l-Ar At)-(l- M r At) + Al _ x P^(t)At + M l + i P i + x (t)At (1.3)
/>(/+AQ-/>(/)
-(A, + fx,) /(/)+X,_x />_, (t) + M+1 P M (t) (1.4)
At
En faisant tendre A f 0, on a
^JK^-ro.M (15)
Ai-o A t dt
& - = -(A i+Mi ).P i (t) + A ,_x-P,_x(t) + Ml+x -P l+x (t) (1.6)
Considrons pour exemple que i e {0,1, 2} :
- si i = 0 alors f ^ l = -^./(0+^i>(0 (1.7)
- s i t = 1 alors ^ 1 = -(AX+Mx )-P x (t) + A0 -P 0 (t) + M 2 -P 2 (t) (1.8)

a/
-sii2alors ^ l = -(^+^)./(0 +^/(/)+^P3(0 (1.9)

at
La figure 1.14 prsente les principales tapes d'valuation des probabilits

d'tats par la mthode markovienne.
30
Modlisation du systme
(noeuds, arc, paramtres de transition, conditions
initiales)
I
tablissement des quations
diffrentielles d'tat
(Chapman-Kolmogorov)
Rsolution analytique ou numrique

(Transforme de Laplace, logiciels, heuristiques, etc.)
Figure 1.14 : Approche d'valuation des probabilits d'tats base sur la

mthode de Markov
Les taux de transitions d'tats constants Ai et jm sont des paramtres

caractristiques de la distribution exponentielle.
B. Distribution exponentielle
La distribution exponentielle ngative a t largement utilise pour l'valuation

de la fiabilit des systmes taux de panne constants. cet gard, elle a pour
avantage d'tre simple analyser d'un point de vue statistique [36]. Elle est
l'une des distributions de probabilit les plus importantes dans le domaine de
la fiabilit. Elle est adapte aux dures de vie des systmes et composants
lectroniques [4]. La distribution exponentielle est dite sans mmoire . Par
exemple, la probabilit qu'un quipement fonctionne pour les 1000 prochaines
heures est identique que s'il tait tout neuf ou qu'il avait dj fonctionn depuis
plusieurs centaines d'heures. L'absence de mmoire se traduit par le fait qu'il
n'y a aucun vieillissement ou effet d'usure.
31
Les travaux de cette recherche s'appuient essentiellement sur des

dveloppements analytiques bass sur l'approche markovienne. Dans les
modles dvelopps, nous considrons que la transition d'un tat un autre
s'effectue selon une loi exponentielle ngative de paramtre connu et constant.
C. Fonction gnratrice universelle (FGU)
La fonction gnratrice universelle (FGU) a t dveloppe et introduite par

Ushakov [98]. Les principes de son application ont t formuls dans [95] et [96].
Les aspects mathmatiques de cette mthode sont entrepris dans [40] et [97] o
est prsente comme une approche globale de gnration de squences (voir
figure 1.15). Lisnianski et Levitin [61] la prsentent comme trs pratique dans les
cas d'applications numriques. E lle exige relativement peu de ressources
informatiques pour valuation des indices de fiabilit des SME et peut, par
consquent, tre employe pour rsoudre de complexes algorithmes
d'optimisation de fiabilit [61]. Les applications de la FGU pour l'valuation de
la fiabilit des SME sont prsentes dans [53]. Elle a, en outre, t trs utilise
pour l'valuation et l'optimisation de la fiabilit des systmes lectriques [59]
[60].
Dans [61], Lisnianski et Levitin indiquent qu'un modle de SME inclut une
distribution de performances des composants du systme et sa fonction de
structure : gj, pj(t), 1 <; < n, kj, $Gi(t), G2(f),..., Gn(t)), o chaque composant; du
systme peut occuper kj tats diffrents avec les vecteurs gj = \gj\, gp_, ...,g lk } et
P/(t) = [pji(t), Pji(t), , p lk (t)} reprsentant respectivement les performances des
kj tats et les probabilits associs ces tats. Le taux de rendement Gj(t) du

composant; l'instant t (t > 0) reprsente une variable alatoire dont la valeur
est obtenue partir du vecteur gj (Gj(t) e gj) o :
32
p ji (t) = ?T{GJ(t) = gJI} avec >(0 = 1 (^0) (1.10)

i=i
G(t) = #Gi(t), G 2 (t),..., G(t)) (1.11)
G(f) reprsente la performance globale du SME o </>(.) est sa fonction de

structure. La technique de la FGU est base sur l'utilisation de la transforme en
z et des oprateurs de composition (<f> et fi). Si on considre que le SME est dans
un tat i (1 < i < K) correspondant la combinaison des tats ij occups par
chaque composant;, la probabilit d'tre l'tat i est donne par :
(i i2)
A(o-nv) 7=1
-
La performance globale du SME cet tat i est :
g, = to,,, -,g,) (1.13)
Par consquent, la distribution de performances du SME cet tat i est :
f 1 (1.14)
g, =
K 7=i )
Ainsi, cette mme distribution de performances de chaque composant ; peut

tre obtenue en utilisant un oprateur formel qui ressemble au produit d'un
polynme et qui est appele la fonction gnratrice :
33
En ne considrant que les tats i du SME, sa fonction gnratrice est donne

par :
U(z,t)=Yy.Jp,(t)zs' (1.16)
,=l
La FGU est finalement obtenue en intgrant les oprateurs de composition et la

fonction gnratrice :
Q,(u x (z,t), u 2 (z,t),...,u n (z,t)) = Q 0 (1.17)

'i=l '7=1 '='
"1 "Z "n n \

Z ^ ( & n . 2,2 ..&.) (1.18)
^ ( U x ( z , t ) , U 2 (z,t),...,U n (z,t)) = Y J Y J ---Yu Y \ P j ,
'1=1 ' 2 = 1 '='
v/-'
L'approche de dtermination de la fonction gnratrice est une dmarche

d'intgration de squence par deux reprsente par la figure 1.15. Dans cette
dmarche, il est question d'agrger deux fonctions gnratrices et d'utiliser la
fonction gnratrice quivalente qui en rsulte pour l'agrger la fonction
gnratrice suivante :
34
1<Z. ' ) - I
>(z. t) - - 4(2, f) -1
ml>. 0 U,(z, t) <(z, t) - 1 U2(Z, ()
1 - ,(2. t) - I
- * - - - = > -
"5(Z, f) ( z . r)
us(z. )
^ U(z, t)
Figure 1.15 : Approche de dtermination de la fonction gnratrice d'un SME
Dans le cas d'un systme de production (SP) avec u n flux continu de matires,
la fonction de structure <>
f est donne par :
Systmes sries
Pour un systme srie, le niveau de performance total du SME est donn par le
niveau de performance (Gj) du composant ; qui reprsente le goulot
d'tranglement. La fonction de structure d'un tel systme est donne par
l'expression :
<t> s (G x ,G 2 ...,G J ,...,G n ) = U\n {G x ,G 2 ...,G J ,...,G n } (1.19)
Systmes parallles
Pour un systme parallle, le niveau de performance total du SME est donn

par la sommation des n niveaux de performance respectifs des n diffrents
composants du systme. La fonction de structure d'un tel systme est donne
par l'expression :
MG 1 ,G 2 ...,G J ,...,G) = G J (1.20)

/=!
35
Cl. Exemple d'valuation de la FGU d'un SME srie 2 composants
Soit un SME deux composants oprant selon une configuration srie. On

considre que le composant 1 peut occuper 3 tats et que le composant 2 peut
occuper 2 tats.
Composant 1 Composant 2
Les paramtres du systme, u n instant t > 0, sont donns dans le tableau 1.1
Composant 1 tatl tat 2 tat 3

Probabilit P v (t) 0.6 0.3 0.1
Performance gy (units produites 100 60 0

par unit de temps)
Composant 2 tatl tat 2

Probabilit P2j(t) 0.8 0.2
Performance gij (units produites 80 0

par unit de temps)
Tableau 1.1 : Paramtres pour l'valuation du FGU d'un SME srie
La fonction en u du composant 1 est :
u l (z, t ) = P l i ( t ) - / " + P 2 t ( t ) z ^ + P 3 ( t ) z , :
La fonction en u du composant 2 est
u 2 (z,t) = P(t)z*"- +PAt)z*

36
La fonction de structure d'un tel systme est donne par l'expression :
<f>s(Gx, G2) = Min {GX,G2}
La FGU du systme est :
U(z,t) = Q^(u x (z,t), u 2 (z,t))
U(z,t) = ^ ( P X i ( t y < +P 2 i (t)z^ + P h (t)z 8 \P x Xt)z^- +P h (t)z g ^)
U(z,t) = (PXi (t)zg" + P2[ (/)z*!< + P3i (/)zg" ) (Ph (/)*> + P h (t)z8 )
U(z, t) = Ph (t) Pu (/)zm,n!s" *> ' + Ph (t) P2j (t)zmmtg" * '

+P2i (/) Ph (Oz"1'"'82' * ' + P2i (t) P2i (t)z m m ^ * '
+P3< (t) Ph (t)z mn{ ^ *'-' ' + P3i (0 P2i (t)z{g* '">]
U(z,t) = 0.48z80 + 0.12z + 0.24(0z60 + 0.06(0* + 0.08(0* + 0.02(/)z
U(z,t) = 0.48z80 + 0.24(/)z60 + 0.28z
C.2. valuation des indices de fiabilit d'un SME par la mthode de la FGU
> Fiabilit
L'analyse de la fiabilit RsME(t) d'un SME est base sur une drivation de
l'approche de la FGU. La fiabilit RsME(t) est considre comme la mesure de la
capacit du SME satisfaire une demande alatoire [55] :
37
R M C W) = Pr(GSM(0>W) (1.21)
o GsME(f) est le niveau de performance (taux de rendement) du SME l'instant

f et W est la demande.
> Disponibilit
Soit d = {e\, ei, ..., e;, ..., en}, un vecteur reprsentant les diffrents tats que peut
occuper un SME. Soit P,(r) = {Pi(f), P2(t), ..., Pi(t), .... Pn(t)], un vecteur
reprsentant les probabilits que le systme soit l'tat e, au temps t. ces
diffrents tats e\, est associ un vecteur g, = \g\, gi, ...,gi,..., gn), reprsentant les
niveaux de performance aux tats et.
La disponibilit A sME(t) d'un SME est considre comme la probabilit que le

SME soit dans des tats avec un niveau de performance suprieur ou gal la
demande un instant donn t > 0, o l'tat initial (t = 0) est l'tat nominal ou un
tat prdtermin m (performance m > demande) [54] [58] :
En se basant sur la mthode de la fonction gnratrice universelle (FGU),

l'valuation de la disponibilit d'un SME s'effectue comme suit :
Cas d'une demande constante W
***{*. W) = (USM,(t, z), W) = S(f j P,(t)z\ U0 = ^ ( ' M g , -W) (1.22)
. . . Jl, s i x > 0
ou a(x) = {
v
[0, si x < 0
avec Pi(t) = probabilit d'tre l'tat e, au temps t, g, = niveau de performance

l'tat e, et W = demande constante.
38
C.3. Exemple d'valuation de la disponibilit d'un SME par la mthode de la FGU
On considre que le SME tudi a pour paramtres, ceux reprsentes au tableau

1.1:
Systme srie
i s (G x ,...,Gj,..., Gn) = Min [G x ,...,G j t ..., G)
u x (z,t) = 0.6z100 + 0.3Z60 + O.lz0
M2(z,0 = 0.8z 80 +0.2z 0
U(z,t) = (0.6z100 + 0.3z60 + 0. lz).(0.8z80 + 0.2z)
U(z,t) = 0.48z80 + 0.12z + 0.24Z60 + 0.06z + 0.08z + 0.02z
Si W = 50, alors :
A(W) = 0.48 + 0.24 = 0.72
Sys tme para Hle
</> s (G x ,...,G J ,...,G n )=Yj G l

7-1
w, (z, 0 = 0.6z100 + 0.3Z60 + O.lz0
M 2 (Z,0 = 0 . 8 Z 8 0 + 0 . 2 Z 0
U(z,t) = (0.6z100 + 0.3z60 + 0.1z).(0.8z80 + 0.2z)
U(z,t) = 0.48z180 + 0.12z100 + 0.24z140 + O.Oz60 + 0.08z80 + 0.02z
Si W =100, alors:
A(W) = 0.48 + 0.12 + 0.24 = 0.84
39
Cas d'une demande variable
Pour un profil de demande variable, dont la variabilit est modlise de faon

discrte, le temps d'opration total T du SME est subdivise en M intervalles de
temps Tm (1 ^ m < M), chaque Tm est associ un niveau de demande constante
xvm (figure 1.16).
Demande
i k
H'i
1
1
T(5 i 1 i
i i
tl
0 1 1 I I 1 -
Ti i Tt \ Ti ! T. i T5 'Temps
i i i i i '
i X X X X >
Figure 1.16 : Exemple de l'allure d'une demande variable soumise un SME
Soit e, = [e\, e2, ..., e,, ..., en), un vecteur reprsentant les diffrents tats que peut
occuper un SME unitaire. Soit P,(f) = {Pi(f), P2(f), ..., P,(t), ..., P(t)}, un vecteur
reprsentant les probabilits que le systme soit l'tat e, au temps t. ces
diffrents tats e,, est associ un vecteur gi = \g\, g2, ..., g,,..., gn\, reprsentant les
niveaux de performance des tats e,. La gnralisation de l'indice de
disponibilit est donne par l'expression suivante :
M
M M n
A
SME(^ q) = I>K,)9, I =m=\2 Xt=\ W(a(& - wJ) (1.23)
m=\
\\, si JC>0
avec a(x) -
0, si x < 0
40
o Pi(t) = Probabilit d'tre l'tat e, au temps t et g, = Niveau de performance

de l'tat eu w = \w\, w^..., WM) est le vecteur des niveaux de demandes possibles
pour les intervalles de temps Tm et q = \q\, qi,..., qm, ..., <?M} est le vecteur des
probabilits d'tat stationnaire des niveaux de demande correspondants :
q m = - I ^ =T^- (1-24)
5X
Le modle de profils de demande variable est dtermin par la sommation des

modles de profils de demande constante appliqus aux diffrents intervalles
1 m.
1.3.2. Accroissement des performances et optimisation des SME
Les stratgies d'accroissement des performances des SME n'est pas aussi aise
et peu de publications discutent de ces approches. Les mesures d'importance
sont des mthodes qui peuvent favoriser l'amlioration des performances des
SME [100]. Ces mthodes permettent de mesurer l'effet de la fiabilit de chaque
composant sur la fiabilit globale d'un systme. Pour cela, il est important de
connatre le niveau d'utilit de chaque composant afin de cerner leur degr
d'impact et celui de leurs tats sur les performances globales du systme.
Plusieurs auteurs ont trait les problmatiques de mesures d'importance dans
le cas des systmes binaires. Ainsi, l'importance de Birnbaum mesure la
contribution de la fiabilit d'un composant la fiabilit globale du systme [38]
[43]. L'importance structurelle mesure l'importance de la position
topographique d'un composant dans un systme [64] [66]. L'importance de
criticit correspond la probabilit conditionnelle de dfaillance d'un
composant, tant donn que le systme a dfailli [38] [43]. L'importance de
jonction mesure l'interaction des composants d'un systme et leur contribution
41
la fiabilit globale de ce systme [9] [42]. Certaines extensions des mesures

d'importance des systmes binaires vers celles des SME ont t entreprises.
Ainsi, les travaux de [12] sur les concepts d'importance de la fiabilit des
composants sont repris par [23] dans le cas multi-tats, alors que les rfrences
[10] [13] [18] [41] [65] [73] se focalisent principalement sur la faon d'tendre
l'importance de Birnbaum des systmes binaires aux systmes multi-tats.
Cependant, trs peu de publications traitent des impacts des tats d'un
composant dans un SME.
Par ailleurs, plusieurs mthodes ont t dveloppes dans le but d'amliorer les
mesures de performances des systmes complexes, ce sont entre autres : la
redondance, la conception de commande-surveillance fonctionnement sr, la
reconfiguration des fonctions, l'introduction des transferts intercellulaires pour
les systmes de production cellulaires [33] [102]. Pour des systmes forms de
composants dont les taux de dfaillance croissent avec le temps, le
remplacement prventif (des composants) peut tre une option d'amlioration
de leur fiabilit [55]. Remplacer les lments qui ont u n important risque de
dfaillance, tout en rduisant la probabilit de dfaillance, peut engendrer des
dpenses significatives, particulirement pour des systmes dont le taux de
remplacement est lev. La rparation minimale, l'option la moins chre,
permet l'lment du systme de reprendre son travail aprs dfaillance mais
n'affecte pas son taux de risque [14]. Les politiques de maintenance qui ralisent
un compromis entre les remplacements prventifs et les rparations minimales
visent obtenir une solution optimale pour des problmes avec des critres
diffrents. Elles ont t abordes dans un certain nombre d'tudes [15] [32] [69]
[94].
Les problmatiques de la maximisation des mesures de performances sous des

contraintes de ressources et de la minimisation des cots totaux encourus sujets
des contraintes de performance ont t abondamment dveloppes dans la
42
littrature pour le cas des systmes binaires [3] [31] [94]. L'optimisation de la
fiabilit multi-tats d'une structure redondante est introduite dans [95], o
l'approche gnrale est formule. Plusieurs travaux sur les problmes
d'optimisation de la fiabilit s'intressent la dtermination du nombre optimal
d'units redondantes dans chaque sous-systme d'un systme permettant
d'obtenir la solution optimale [92] [93]. Pour les SME, les problmes
d'optimisation sont complexes modliser et rsoudre. Plusieurs problmes
d'optimisation de mesures de fiabilit se ramnent des problmes de
programmation non linaire, en nombres entiers ou de programmation mixte
[6]. Le temps de calcul ncessaire pour trouver une solution optimale risque
d'augmenter exponentiellement avec la taille du problme, ce qui rend les
mthodes exactes inefficaces face aux applications de taille importante [72]. Des
mthodes heuristiques ont t dveloppes cet effet, les plus communment
utilises pour des SME sont la recherche tabou, les algorithmes gntiques, les
colonies de fourmis, le recuit simul et les rseaux de neurones [20] [39] [78]
[85] [87] [104]. Elles ne permettent pas de garantir une solution optimale exacte,
mais, dans le cas des problmes combinatoires de taille moyenne, elles
fournissent une solution acceptable [56] [57] [60] [69] [81] [89] [100].
43
1.4. Concepts de fiabilit et de maintenance
1.4.1. Introduction
Dans ce chapitre, nous prsentons les concepts de fiabilit et de maintenance.

Cette dmarche s'appuie sur des normes nationales, internationales et sur la
revue de la littrature. Les concepts de fiabilit et de maintenance font partie
des attributs de la sret de fonctionnement. La sret de fonctionnement est
considre comme l'aptitude d'une entit satisfaire une ou plusieurs fonctions
requises dans des conditions donnes [99]. L'un des objectifs fondamentaux de
la sret de fonctionnement est de permettre d'assurer la continuit du service
d'un systme industriel. Ainsi, les besoins en sret de fonctionnement
favorisent la mise en uvre des techniques de reconfiguration automatique
permettant l'accroissement de la fiabilit et de la disponibilit des systmes.
Pour des systmes rparables, la disponibilit s'avre la mesure approprie
pour dcrire leur endurance. Les notions de disponibilit dveloppes dans ce
chapitre seront essentiellement bases sur la thorie du renouvellement et le
dveloppement des chanes de Markov. cet effet, une confrontation de la
modlisation binaire (deux tats) et d'une modlisation intgrant un mode de
fonctionnement dgrad sera effectu afin d'en analyser les impacts sur la
mesure de la disponibilit. Ce chapitre est un cadre gnral partir duquel les
travaux des chapitres subsquents seront labors.
1.4.2. La sret de fonctionnement
La sret de fonctionnement est caractrise par la qualit du service dlivr tel

qu'une confiance justifie peut tre place dans ce service [50]. Ce qui signifie
qu'un systme sr est un systme auquel on peut avoir confiance tout autant
que le service qu'il dlivre soit conforme ses spcifications. Le rle de la sret
de fonctionnement consiste identifier les dysfonctionnements, les prvenir,
44
rduire leur impact s'ils se produisent et financer leurs consquences

ventuelles [74]. Pour un systme, la complexit et la criticit des tches
accomplir, les ralits environnementales sont autant de contraintes qui
justifient les besoins en sret de fonctionnement. Les dfinitions pertinentes
associes ce concept et tirs de la littrature sont :
La sret de fonctionnement est l'ensemble des aptitudes d'une entit lui

permettant de disposer des performances fonctionnelles spcifies, au
moment voulu, pendant la dure prvue, sans dommage pour lui-mme et
pour son environnement [30].
C'est aussi la proprit et les caractristiques d'une entit ayant rapport au

temps qui lui confrent l'aptitude satisfaire les besoins exprims ou
implicites pour un intervalle de temps donn et des conditions d'emploi
fixes [101].
Elle peut encore tre considre comme la science des dfaillances; elle
inclut ainsi leur connaissance, leur valuation, leur prvision, leur mesure
et leur matrise. Elle est en outre, l'aptitude d'une entit satisfaire une
ou plusieurs fonctions requises dans des conditions donnes [99].
Propose par Laprie [51], la figure 1.17, ci-aprs, rsume les liens existants entre
les diffrents concepts permettant d'assurer la sret de fonctionnement.
45
DISPONIBILIT
FIABILIT
SCURIT - INNOCUIT
SCURIT -CONFIDENTIA LIT
INTGRIT
. MAINTENABILIT
PRVENTION DES FAUTES
TOLRANCE AUX FAUTES

SURETE DE
FONCTIONNEMENT
LIMINATION DES FAUTES
PRVISION DES FAUTES
iFAUTES
ERREURS
DFA ILLA NCES
Figure 1.17 : Arbre de la sret de fonctionnement [51]
A. La fiabilit
La fiabilit est un des principaux attributs de la sret de fonctionnement. La

mise en uvre de la fiabilit a pour objectif d'tudier, de caractriser et de
mesurer la dfaillance des systmes afin d'amliorer leur utilisation
oprationnel [36]. Un systme est un ensemble d'lments interdpendants
orients vers la ralisation d'une fonction. Il peut tre subdivis en sous-
systmes, en composants et en lments. La fiabilit se dfinit comme tant
l'aptitude d'un dispositif accomplir une fonction requise dans des conditions
d'utilisation donnes et pour une priode de temps dtermine [2]. En outre, ce
concept est utilis comme une caractristique indiquant une probabilit ou une
proportion de succs. Du point de vue mathmatique, la fiabilit, note
46
communment R(t), se caractrise comme la probabilit qu'un dispositif excute

correctement la fonction pour laquelle il a t conu dans des conditions de
fonctionnement dtermines pendant une priode de temps donn :
La fiabilit R(t) = Probabilit qu'un systme ne tombe pas en panne dans un

intervalle de temps [0, t]
La fiabilit traduit le caractre alatoire de l'accomplissement de la fonction

d'un systme, conformment ses spcifications sur une priode d'utilisation t.
Cette grandeur est comprise entre 0 et 1 (communment en pourcentage) :
0 < R(t) < 1 (1.25)
Pour un systme ne pouvant occuper que deux tats (tat d'opration et tat de
dfaillance) tel que reprsent par la figure 1.7 et dont la transition d'un tat
un autre s'effectue selon une loi de probabilit connue, la fonction de fiabilit
du systme est la probabilit que sa dure de vie T soit strictement suprieure
t. L'expression de la fiabilit peut, alors, s'crire [27] :
R(t) = Pr{T>t} = \ - F ( t ) = f f ( x ) d x (1.26)
avec F(t)=j'f(x)dx (1.27)
/(.) tant la fonction de densit associe aux dures de vie du systme. Si T est la
variable alatoire associe la dure de vie d'un systme et que /(.) est sa
fonction de densit, alors, la probabilit que cette dure de vie soit comprise
entre t et (t+dt) est donne par l'expression :
f ( t ) d t = Pr{t<T<t + dt} (1.28)

47
F(t) reprsente la fonction de distribution ou la fonction de rpartition associe

aux dures de vie.
La dure de vie d'un systme est la mesure de la quantit de services rendus.

On la dfinit d'une manire gnrale par le nombre d'heures durant lesquelles
un systme a effectivement fonctionn. Par ailleurs, elle peut tre exprime
selon les units d'utilisation telles que le nombre d'units produites ou le
nombre de cycles. La dure de vie moyenne ou la Moyenne des Temps de Bon
Fonctionnement ou la moyenne des temps entre dfaillances (MTBF quivalent
au Mean Time Between Failures en anglais) d'un systme ayant une fiabilit R(t)
est donne par l'expression :
MTBF= f R ( t ) d t (1.29)
On distingue trois types de fiabilit associe un systme :
la fiabilit prvisionnelle, obtenue partir d'un modle mathmatique,

connaissant la fiabilit estime de ses composants.
- la fiabilit estime ou intrinsque, mesure au cours d'essais spcifiques
effectus selon un protocole d'essais bien dfini.
- la fiabilit oprationnelle, value en tenant compte des donnes
obtenues partir des conditions d'exploitation normale.
B. Maintenabilit
Dans [99], Villemeur dfinit la maintenabilit comme l'aptitude d'un systme

tre maintenue ou rtablie dans un tat dans lequel il peut accomplir une
fonction requise, dans un temps imparti et ce, lorsque la maintenance est
accomplie dans des conditions spcifiques avec des procdures et des moyens
prescrits (moyens humains, matriels, etc.).
48
Selon la norme A FNOR NF X 60-010 [1], la maintenance se dfinit comme

l'ensemble des actions techniques et administratives correspondantes destines
maintenir ou rtablir une entit dans un tat spcifi ou dans des de
conditions de sret de fonctionnement lui permettant d'accomplir une
fonction requise. On distingue deux principales catgories de maintenance :
la maintenance prventive : est effectue intervalles rguliers ou selon des

critres prdfinis dans l'intention de rduire la probabilit de
dfaillance ou la dgradation du fonctionnement d'une entit.
La maintenance corrective : est effectue suite l'occurrence d'une

dfaillance et destine remettre l'entit en question dans u n tat lui
permettant d'accomplir la fonction requise.
D'un point de vue mathmatique, pour un systme donn, la maintenabilit,

souvent note M(t), est dfinie par la probabilit qu'une opration de
maintenance soit effectue dans u n intervalle de temps spcifi [0, t]. L'action
de maintenance devrait tre assure dans des conditions donnes avec
l'utiUsation des procdures et des moyens prescrits. M(t) est une fonction
croissante qui varie entre 0 et 1 pour t variant sur [0, <x>[. Le taux de rparation
p(t).dt reprsente la probabilit conditionnelle que le systme soit rpar entre t
et t+dt tant donn qu'il tait en rparation au temps t. Le taux de rparation est
li la fonction de maintenabilit par l'quation :
- [ fj{u) du
M(t) = 1 - e J" (1.30)
. , , dM(t)
si m(t) = (1.31)
49
avec m(t) reprsentant la fonction de densit des dures de rparation, alors :
M(t) = JL (1.32)
1-M(0
La dure moyenne de remise en service d'un systme ou quipement dfaillant

ayant une fonction de maintenabilit M(t) est donne par l'quation :
MTTR = f (1 - M(t))dt (1.33)
Le MTTR reprsente la Moyenne des Temps Techniques de Rparation (Mean

Time To Repair en anglais).
C. Dfaillance
La qualit du service dlivr par un systme est dtermine par l'efficacit des
moyens assurant sa sret de fonctionnement. Ainsi, la mise en uvre de la
sret de fonctionnement d'un systme conduit lutter contre les phnomnes
susceptibles d'entraver son fonctionnement. Les principales entraves de la
sret de fonctionnement sont la dfaillance, la faute et l'erreur.
La dfaillance est la cessation de l'aptitude d'un dispositif accomplir une

fonction pour laquelle il a t conu, ou encore, l'apparition de toute
situation rendant un quipement incapable de fonctionner l'intrieur des
limites spcifies par ses paramtres de performances sa conception [27].
Une dfaillance survient lorsque, par propagation elle affecte le service dlivr
par le systme [51]. La consquence de la dfaillance d'un composant est une
faute pour le systme qui le contient ou pour les composants qui interagissent
avec lui. Les modes de dfaillance d'un composant sont donc des types de
fautes pour le systme ou pour les composants qui interagissent avec lui. De
50
faon gnrale, une erreur est considre comme la manifestation d'une faute
alors que la dfaillance est l'effet d'une erreur dans le systme. La dfaillance
peut, par exemple, tre cause dans un circuit intgr par une mauvaise
connexion (faute) qui reste latente tant qu'elle ne sera pas active. Ds que
l'activation est effective, cette faute se transforme en erreur. Si cette erreur
affecte le service (fonction) que remplit le circuit, on parle de dfaillance
(panne).
La fonction de taux de dfaillance, note X(t), d'un quipement dtermine le

nombre d'occurrence de dfaillances de cet quipement dans un intervalle de
temps donn. La figure 1.18 nous prsente l'allure de cette fonction.
Ht)
/K
Mortalit
infantile Vie utile Vieillissement
Dfaillances Dfaillances alatoires Dfaillances

prmatures par usure
Temps
Causes Causes Causes

Dfauts de fabrication, Environnement, charges Fatigue, corrosion, ge,
contrle de la qualit, alatoires, erreurs humaines, frottements, charges
conception, assemblage, catastrophes naturelles (acts of cycliques, etc.
contamination, etc. God), vnements alatoires, etc.
Remdes Remdes Remdes

Tests de validation, Redondance, amlioration de la Rduction du taux de
vrification, contrle de rsistance, etc. panne, maintenance
la qualit, etc. prventive, remplacement
prventif, technologie, etc.
Figure 1.18 : Allure de la fonction de taux de dfaillance X(t)

51
Si l'on dispose de sources d'informations convenables et suffisamment rcentes,

gnralement donnes sous forme de taux de dfaillance constants (rfrence),
il est relativement ais de dfinir pour la plupart des composants les taux de
dfaillance prvoir, en tenant compte de certains indices de contrainte [27]. Le
taux de dfaillance est lev pendant la priode infantile d aux ventuels
dfauts de conception, de qualit, de contrle etc. et au rodage de l'quipement.
Puis, vient la priode de vie utile o ce taux se stabilise (constance) avec des
dfaillances alatoires. Enfin la priode de vieillissement o le taux de
dfaillance augmente avec le temps, compte tenu de certains facteurs d'usure.
D. Disponibilit
La disponibilit est un des attributs essentiels de la sret de fonctionnement.

Elle caractrise l'tat d'un dispositif susceptible de remplir la fonction pour
laquelle il est prvu un instant t donn, et ce indpendamment des tats
prcdents.
La disponibilit A(t) = Probabilit qu'un composant ou qu'un systme

remplisse sa fonction requise un instant t donn dans
des conditions d'utilisation donnes [36].
La disponibilit se dfinir comme la probabilit ou encore l'aptitude d'une

entit tre en tat d'accomplir une fonction requise dans des conditions
donnes, un instant t donn, en supposant que la fourniture des moyens
extrieurs ncessaires soit assure [2]. A la panne, une action de maintenance
est entreprise pour remettre le systme l'tat neuf. Pour les systmes
rparables, la disponibilit est une mesure globale de performance qui intgre
les concepts de fiabilit (frquence des dfaillances), de maintenabilit (dures
des dfaillances) et de logistique (ensemble de moyens matriels, de personnels,
de pices de rechange, de documentation et de politique pour leur mise en
uvre) [33]. On dsignera alors par systme rparable tout quipement
52
pouvant tre remis en tat d'opration soit aprs une dfaillance accidentelle ou
aprs une action prventive [4]. Les principales grandeurs caractristiques des
systmes rparables sont reprsentes par la figure 1.19.
tat du systme
A
Remise en
Dfaillance service Dfaillance
Dbut de la fin de la
rparation rparation
Dtection de
la dfaillance
I Temps
MTTR
MTTF MDT MUT
MTBF
Figure 1.19 : Grandeurs caractristiques des systmes rparables [99]
ou :
MTTF (Mean Time To Failure) : Temps moyen de fonctionnement avant
dfaillance
MTTR (Mean Time To Repair) : Moyenne des temps techniques de
rparation
MDT (Mean Down Time) : Temps moyen d'indisponibilit
MUT (Mean Up Time) : Temps moyen de fonctionnement aprs
rparation
MTBF (Mean Time Between Failures) : Moyenne des temps entre
dfaillances
Pour les systmes rparables, on retrouve trois mesures de disponibilit :

53
La disponibilit instantane (A(t))

La disponibilit dans un intervalle (Al(t))
La disponibilit stationnaire ou UpTime Ratio (UTR)
Les dures de vie successives de l'quipement sont des variables alatoires

indpendantes et identiquement distribues selon la loi de probabilit/(x), il en
est de mme des dures de rparation auxquelles on associe une fonction de
densit de probabilit g(x).
D.l. Disponibilit instantane [A(t)]
C'est la probabilit qu'un systme puisse accomplir la fonction pour laquelle il a

t conu, c'est--dire qu'il soit en tat d'opration l'instant t dans des
conditions donnes et ce indpendamment de ses tats prcdents. D'un point
de vue du fonctionnement, la figure 1.20 reprsente la fiabilit et la disponibilit
d'un systme.
'f| ||
0 P R 1P R Temps 0 Temps
P : Panne/Dfaillance P : Panne/Dfaillance
R : Remise en service 1 : Fonctionnement
1 : Fonctionnement 0 : Dfaillance
0 : Dfaillance
Disponibilit Fiabilit
Figure 1.20 : Graphes de fonctionnement (disponibilit versus fiabilit)

54
La fiabilit R(t) fournit plus d'informations sur l'volution de l'tat du systme.

Si, pour u n systme donn, on s'intresse la probabilit qu'il ne tombe pas en
panne dans l'intervalle [0, t], alors la fiabdit est la mesure approprie :
A(t)>R(t) (1.34)
D.2. Disponibilit dans un intervalle [AI(T)]
C'est la proportion du temps moyen de bon fonctionnement d'un quipement

dans un intervalle de temps T donn ou encore c'est l'esprance mathmatique
de la proportion de temps o le systme est en tat d'opration dans l'intervalle
de temps considr. On peut facilement montrer que :
AI(T) = ~ f o A ( t ) d t (1.35)
D.3. Disponibilit stationnaire ou Up Time Ratio [UTR]
Elle exprime la limite de la disponibilit instantane lorsqu'on fait tendre

l'instant t vers l'infini. La disponibilit stationnaire est base essentiellement sur
la distribution des dfaillances et des temps de rparation [36].
\ATT2 J7
UTR = l\m AI (T) = (1.36)
r-- v ; MTBF + MTTR v ;
Tout se passe comme si le systme fonctionne, en moyenne, pendant le MTBF et

est inactif durant le MTTR (figure 1.21).
55
Etat du
Temps
MTBF + MTTR
Figure 1.21 : Graphe des tats de bon fonctionnement et de rparation
La proportion moyenne de temps o le systme est hors d'usage ou Down Time

Ratio (DTR), est donne par:
DTR = l-UTR (1.37)
MTTR
DTR (1.38)
MTBF + MTTR
L'analyse et l'valuation de la disponibilit des systmes (rparables) peuvent

tre ralises en utilisant d'une part les mthodes analytiques et d'autre part les
mthodes de simulation. L'approche analytique consiste modliser le systme
tudi par un ensemble d'quations mathmatiques et les rsoudre. La
simulation est, quant elle, appropri pour le traitement de systmes
complexes. En pratique, les paramtres associs l'analyse et l'valuation des
systmes sont dfinis par des distributions de probabilit. Celles-ci rsultent des
caractristiques des composants et du systme qu'ils constituent ainsi que de la
technique de maintenance adopt.
56
1.4.3. valuation de la disponibilit d'un systme
Les expressions de A(t), de AVT) et du UTR sont tablies partir de leurs

fonctions de densit de dure de vie et de dure de rparation. Dans cette
tude, nous tablissons notre analyse dans le cas o les dures de vie et de
rparation sont distribues suivant une loi exponentielle, respectivement de
paramtres connus A et p. La modlisation adopte est de type markovienne.
A. Disponibilit du systme binaire
Le systme tudi se caractrise par deux tats : un tat oprationnel (0) et un

tat de dfaillance (1). La transition de l'tat 0 l'tat 1 est dfinie par le
taux de dfaillance A du systme. Par ailleurs, la transition de l'tat 1 l'tat
0 est dfinie par le taux de rparation p du systme. L'analyse de la fiabilit
consiste, de ce fait, calculer les probabilits d'tat du systme et, de l,
dduire la disponibilit de ce systme.
Figure 1.22 : Diagramme des transitions d'un systme binaire unitaire
avec A : Taux de dfaillance

p : Taux de rparation
tat 0 : Fonctionnement nominal
tat 1 : Systme dfaillant et en rparation
Pi(t) : Probabilit que le systme soit l'tat i au temps t; avec i = 0,1
De faon pratique :
57
- Le taux de rparation p = l/MTTR reprsente le nombre de rparations

divis par le temps total pass en rparation.
Le taux de dfaillance A = 1/MTBF reprsente le nombre de dfaillances par

unit de temps de bon fonctionnement. Le taux de dfaillance A est aussi
considr comme la probabilit de dfaillance d'un systme par unit de
temps de bon fonctionnement.
Nous posons comme hypothse qu'initialement le systme est en tat d'oprer.

Les conditions initiales sont alors fixes Po(0) = 1 et Pi(0) = 0. L'quation
diffrentielle d'tat (Chapman-Kolmogorov) rgissant le systme est :
^ - = - (A + p) P0(t) + p pour Px(t) + P 0 (0 = 1 (1.39)

at
En utilisant les transformes de Laplace et la mthode de dcomposition

fractionnelles, on obtient :
-(+ftyt
A(0 = P0(t) = (P + Ae ) avecP x (t) = l-P 0 (t) (1.40)
A+p
c'1 u A -W+ti>T
A1(T) = - f A(t)dt = - ^ + T(l-e ) (1.41)
T J A +p T(A + p f K
'
UTR = ,4/(oo) = - i l = (1.42)

A+p , + A
P
Cette formule (UTR) ne considre pas les dfaillances mineures qui peuvent
dgrader le fonctionnement du systme et qui peuvent tre remises
ultrieurement pour rparation lors du prochain arrt planifi (shutdown) [19].
58
B. Fonctionnement en mode dgrad
La dgradation est l'tat d'un ensemble reprsentant soit une perte de

performances d'une des fonctions assures par cet ensemble, soit la dgradation
voire la dfaillance de l'un de ses sous-ensembles [107]. Si les performances sont
en dessous du seuil d'arrt dfini dans les spcifications fonctionnelles du
systme, alors, il n'y a plus dgradation mais dfaillance. Un systme est dit
dgradable si l'occurrence d'une panne, il reste oprationnel avec un niveau
rduit de performance. Le systme est dit non dgradable s'il continue d'tre
fonctionnel en produisant le mme niveau de performance malgr la dfaillance
de ses composants.
Dans notre tude, nous considrerons l'tat de dgradation d'un systme (mode
dgrad) comme une perte de performance de ce systme due la dfaillance
d'un de ses composants (le systme reste toujours oprationnel). Dans [47],
Karpinski prsente l'tat dgrad d'un systme de production (SP) comme son
fonctionnement capacit partielle. Dans un SP, cette situation se traduira
concrtement par l'augmentation de son temps de cycle. Ceci, du fait de la
dgradation alatoire d'un ou de plusieurs lments non essentiels de ce
systme qui entranera une perte de performance.
Le fonctionnement dgrad d'un systme est un mode de fonctionnement

conscutif une dfaillance grave, caractrise par l'interruption slective des
traitements non essentiels et pouvant tre diffrs. Cet tat se caractrise par
une reconfiguration automatique en vue de l'utilisation optimale des ressources
vitales pour l'excution des travaux ne pouvant tre interrompus. La
reconfiguration tant la capacit d'un systme modifier sa structure (dans le
cas o celui-ci ne peut dlivrer le mme service qu'auparavant), de telle sorte
que ses composants non dfaillants permettent de dlivrer un service
acceptable, bien que le systme soit dgrad [8]. En prvision d'une ventuelle
59
dfaillance grave du systme, une bonne analyse du mode dgrad doit tre
faite. Celle-ci exige que soient pralablement dtennines les architectures
(matrielles ou logicielles) qui doivent tre secourues totalement et sans dlai
quelque soit l'tat de dfectuosit du systme, celles qui peuvent attendre, et
celles qui ne peuvent tre prises en compte en raison de diverses contraintes.
Une telle analyse consiste donc rechercher le meilleur compromis entre les
ncessaires impasses et les pertes acceptables. Aprs avoir identifi, valu et
hirarchis les risques, il convient de mettre en place des procdures qui
rgiront le mode dgrad. Globalement, la conception d'une architecture
fonctionnant en mode dgrad se caractrise par :
L'identification des ventuelles fautes et leur hirarchisation par ordre

d'importance (classification).
La dtermination des effets de ces fautes sur le fonctionnement en mode
nominal.
La dtermination de stratgies de commandes alternatives qui favoriseront
la robustesse de l'architecture et permettront l'atteinte d'un niveau de
performance exig pendant le fonctionnement dgrad.
B.l. Exemple de modlisation du fonctionnement dgrad (SME 3 tats)
La modlisation du SME 3 tats est reprsente par le diagramme de

transitions de la figure 1.23. Sa disponibilit stationnaire est value par
l'approche markovienne. Une comparaison de cette mesure de performance par
rapport celle du modle binaire est entreprise pour valuer les conditions de
ralisation d'un gain de performance d aux mcanismes de reconfiguration
(fonctionnement dgrad).
60
Figure 1.23 : Diagramme des transitions d'un systme 3 tats
avec tat 0 : Fonctionnement nominal

tat 1 : Dfaillance complte
tat 2 : Fonctionnement dgrad (capacit partielle)
Ai et pt (i = 1, 2, 3) caractrisent les diffrents taux de transition d'tats
(dgradation, dfadlance, rparation)
Le systme d'quations diffrentielles d'tat de Chapman-Kolmogorov qui rgit

ce systme s'crivent :
dP0(t)
= -(A l +A 2 )P 0 (t) + pxPx(t) + p 2 P 2 (t) (1.43)
dt
dPfjf (p x +p,)P x (t) + 4P 0 (0 + A,P2(t) (1.44)

dt
dP2(t)
(p 2 +A } )P 2 (t) + A2P0(t) + p3Px(t) (1.45)
dt
L'expression de la disponibilit stationnaire globale ASSME est obtenue en

rsolvant le systme d'quations suivant :
61
(A I +A 2 )P 0 + p x P x + p 2 P 2 = 0 (1.46)
( p x + p , ) P x + V> 0 + A>P2 = 0 (1.47)
( p 2 + A , ) P 2 + A.P, + p,P x = 0 (1.48)
3
dP
o lim P,(t) = P,(i = 1, 2, 3) avec '- = 0 et Y PM) = 1
La disponibilit ASSME est la somme des probabilits d'occurrence des tats

oprationnels du systme :
A S S M E = P 0 + P2 = l - P x (1.49)
Suite aux dveloppements analytiques, l'expression de la disponibilit

stationnaire globale ASSME est :
AS (L50)
= ~ M + 4tt + A.A,
^ P i + PiPi + P2P3 + \ P i + K i h + ^ P i
La disponibdit stationnaire du systme binaire est gale UTR

l + A/p
(quation (1.42)). Pour que la disponibilit stationnaire d'un SME 3 tats soit
suprieure ou gale celle d'un systme binaire, il est ncessaire que
l'expression A/p (systme binaire) soit suprieure ou gale l'expression
AxAi + A x p 2 + A2Ai
(systme 3 tats).
A3M1 + M\M2 + M2P3 + A2M1 + K t h + \ f h
62
1.4.4. Mesures de rendement
A. Taux de production
Le taux de production (TP) dfinit le nombre d'units produites par unit de

temps (heure, mois, anne, etc.). Certains processus de production sont soumis
un taux de production lev, d'autres, par contre, ont une production
relativement lente (le filage, l'usinage conventionnel, le traitement de plastiques
renforcs, etc.). L'automatisation ou l'utilisation de machines redondantes font
partie des moyens permettant l'accroissement du taux de production.
Cependant, u n taux de production plus faible ne signifie pas ncessairement
que le processus de production est peu conomique [46]. Dans [91], Stevenson et
Benedetti prsentent le taux de production (TP) comme la cadence de
production ou la vitesse de production ou encore la quantit d'items produite
par unit de temps :
Taux de production = (1-51)

Temps disponible
Exemple : Nombre de mtres cubes de bois coups/semaine

Nombre de voitures produites/mois
Nombre de chaussures fabriques/heure
B. Temps de cycle
Le temps de cycle (TC), aussi appel cycle d'opration, est le temps ncessaire la
cration d'une unit de bien ou de service. des fin de gestion, de planification
et d'tablissement du prix de revient, on dtermine parfois le temps de cycle en
heures, d'o la notion standard de production. Le standard de production tant le
temps en heures ncessaire la cration d'un bien ou d'un service [91].
Autrement dit, le temps de cycle est l'inverse du taux de production :
63
TC = (1.52)
v
TP '
C. Relation entre la disponibilit et le taux de production
Prsente comme une mesure de performance, car intgrant les concepts de

fiabilit et de maintenabilit [4], la disponibilit ne restitue pas la notion de
productivit. Autrement dit, elle n'exprime pas toujours la capacit d'un systme
de production (SP) en termes de rendement et de production. Le statut d'un SP
est un des paramtres qui interviennent dans le calcul de son taux de
production [21]. Ce statut reprsente, en fait, son tat un instant donn. Dans
[22], Brall affirme que dans la modlisation de la disponibilit traditionnelle, un
systme est valu partir de l'occurrence de ses dfaillances (matrielle ou
logicielle). A insi, les tats oprationnels d'un SP permettent d'estimer sa
disponibilit. Si on considre la disponibilit d'un SP comme tant l'intervalle
de temps o ce systme est oprationnel (Uptime), alors son taux de production
sera fonction de la disponibilit de ses tats fonctionnels. Lorsque le systme est
dans son tat de fonctionnement nominal, son efficacit est suppose maximale
ce qui entrane un taux de production nominal. l'tat de dfaillance, le
systme ne pouvant produire d'items, son taux de production est nul. Dans le
cadre de notre tude des SME, l'tat dgrad est considr comme un tat
fonctionnel, un taux de production y est donc associ. Cependant, ce taux de
production sera infrieur au taux de production nominal car dans cet tat le
systme fonctionne en de de ses performances nominales, ce qui a pour
consquence d'augmenter son temps de cycle. un instant t (t > 0), la
disponibilit de tels systmes est donne par la sommation des disponibilits
des tats nominal et dgrad. Nous tablissons la relation entre le taux de
production et la disponibilit par l'expression :
TP(i = P N (t) TPN + P D (t) TPD (1.53)

64
En considrant l'quation 1.52, l'expression du taux de production global peut

aussi tre donn par :
TPG = PAO ^ r - + 15,(0 j ~ (1-54)
avec TPG : Taux de production global

TPN : Taux de production l'tat nominal
TPD : Taux de production l'tat de fonctionnement dgrad
PN(t) : Disponibilit l'tat nominal l'instant t
Po(f) : Disponibilit l'tat dgrad l'instant t
TCN : Temps de cycle l'tat fonctionnement nominal
TCD : Temps de cycle l'tat fonctionnement dgrad
1.5. Mthodologie de recherche et contributions
1.5.1. Mthodologie de recherche
La mthodologie utilise pour rpondre aux objectifs de cette thse est base
sur les cinq tapes suivantes :
la caractrisation et la modlisation des SME tudier (bases sur la revue

de la littrature et les hypothses de travail)
la dtermination des mesures de performances valuer
le choix des approches d'valuation de ces mesures de performances
les stratgies optimales de performances et de la maintenance
la conception optimale des SME
La figure 1.24 prsente, dans les grandes lignes, un rsum gnral de cette
mthodologie de recherche.
65
Caractrisation du SME (niveaux de

dgradation, de performance, configuration)
Caractrisation des systmes Identification des configuration du systme
multi-tats (unitaire, multi-composants, srie, etc.)
Caractrisation des composants (essentiels,
non-essentiels, etc.)
Identification des mesures de performance

valuer (disponibilit, fiabilit, taux de
production, etc.)
Dtermination des mesures de Dtermination des paramtres d'entres :
performance fonctions de densit, taux de dfaillance,
taux de dgradation, taux de rparation,
frquence d'inspection, etc.
Approche de Markov, mthode de la FGU1,
approche combinatoire
Couplage des performances un profil de
demande
Maximisation des mesures de performance

base sur une stratgie d'inspection
Dtermination d'un tat critique (o oprer
Stratgie optimale des une action de maintenance prventive)
performances, des ressources et Choix de maintenance versus son cot
de la maintenance Choix stratgique de la rparation ( neuf,
imparfaite, minimale)
Niveau de performance atteindre par la
maintenance prventive
Paramtres des technologies (cots, mesures

de performance, espace, budget)
Conception optimale de Technologies disponibles sur le march
systmes v Niveaux de performances requis
J
Maximisation des mesures de performance
Minimisation du cots totaux encourus
Mthodes de rsolution
Figure 1.24 : Mthodologie de la recherche
1.5.2. Contributions
Dans ce point, nous prsentons la dmarche mthodologique entreprise pour la

rsolution des problmatiques abordes dans les trois articles de cette thse.
66
Dans le chapitre II (1er article), nous modlisons un SME unitaire soumis une
politique d'inspection. Le systme peut soit tre en tat de fonctionnement
nominal, soit en tat dgrad ou en tat de dfaillance. L'tat du systme n'est
connu qu'aprs inspection. L'valuation des performances du SME s'effectuera
l'aide de l'approche de Markov. Une action de maintenance est entreprise
lorsque l'inspection effectue, un instant prdtermin, rvle que le systme
est dfaillant. Cette action de maintenance rtablit le systme en son tat
nominal avec une certaine probabilit de succs. La stratgie d'inspection
propose est de type priodique. Elle vise maximiser le taux de production du
systme sous des contraintes de cot.
Dans le chapitre III (2ime article), nous entreprenons la modlisation et

l'valuation des performances (disponibilit et taux de production) de SME
multi-composants. L'tat global du systme est rgi par tat de ses composants
(fonctionnel ou dfaillant). Les transitions d'tats s'effectuent selon la loi
exponentielle. L'valuation des mesures de performances s'effectuera par
l'approche de Markov. Des problmes d'optimisation de mesures de
performance et de ressources d'une ligne de production monte en srie seront
formuls. Il s'agira d'effectuer une affectation optimale de technologies
permettant de maximiser le taux de production global du systme sous des
contraintes de ressources ou de minimiser les cots encourus sous des
contraintes de performance.
Dans le chapitre IV (3ime article), nous proposons une stratgie d'amlioration

des performances d'un SME unitaire base sur le choix de la maintenance
prventive. On considre que l'tat du systme tudi se dgrade avec l'usage.
Ces dgradations peuvent conduire la diminution de l'efficacit du systme.
Les niveaux de dgradation ne peuvent excder un certain seuU limite (tat
critique) au del duquel le SME est considre comme indisponible. Cette
indisponibilit est rgie par la satisfaction d'une demande client constante.
67
cet tat limite, une action de maintenance prventive peut tre entreprise pour
ramener le systme un de ses tats oprationnels. Par ailleurs, le systme peut
dfaillir alatoirement n'importe quel tat oprationnel et faire l'objet d'une
rparation rninimale. Cette action de rparation ramne le systme son
prcdent tat oprationnel sans affecter son taux de dfaillance. La
problmatique aborde dans cet article sera d'valuer les performances de ce
SME dgradable par une mthode combinatoire base sur l'approche de
Markov et la mthode de la FGU et de dterminer partir de cette valuation
l'impact qu'une action de maintenance peut avoir sur les performances du
systme. Des exemples numriques permettront de valider les rsultats
analytiques obtenus.
La figure 1.25 prsente un rsum sommaire des contributions des diffrents

articles prsents dans cette thse.
68
A r t i c l e 1 : value par l'approche de Markov

le taux de production global d'un SME
Optimal performance of a multi- unitaire et dont le fonctionnement est assujetti
state system under an inspection une politique d'inspection. Une stratgie
and repair policy optimale permet de dterminer la frquence
d'inspection qui maximise ce taux de
production sous des contraintes de cots.
A r t i c l e 2 : value par l'approche de Markov

les performances d'un modle SME base sur
Availability modeling and l'importance de ses composants. Pour une
ligne de production compose de n SME
optimization of reconfigurable
tudis, une allocation optimale des
manufacturing systems technologies est entreprise pour dterminer
les configurations optimales sous des
contraintes de ressources.
A r t i c l e 3 : Propose une approche

Performance Evaluation of Multi- combinatoire (Markov et FGU) d'valuation
State Degraded Systems with des performances d'un SME dgradable. Une
Minimal Repairs and Imperfect stratgie de maintenance (imparfaite et
Preventive Maintenance minimale) est explore sous contrainte de
satisfaction de la demande.
Figure 1.25 : Sommaire gnrale des trois articles de la thse
1.6. Conclusion
Dans le domaine de la fiabilit, la modlisation des systmes a souvent t

entreprise en considrant qu'ils ne pouvaient qu'occuper deux tats
(configuration binaire). Cependant, la configuration et le mode de
fonctionnement des systmes industriels, technologiques ou manufacturiers
favorisent une multiplicit d'tats dus des effets exognes et endognes
susceptibles d'avoir un impact sur leurs performances. La modlisation de ce
mode de fonctionnement est dite multi-tats. L'objet de cette thse s'articule sur
la caractrisation de systmes multi-tats (SME), l'valuation et l'optimisation
69
de leurs performances. Dans ce chapitre, prsenter les objectifs et les

problmatiques de cette thse. Ainsi, nous avons abord la problmatique de la
continuit de service en termes de stratgies d'accroissement de performances
pour des SME avec ou sans contrainte de demande, ainsi que les problmatique
d'allocation optimale de technologies et de politiques optimales d'inspection et
de maintenance. La revue de la littrature dans le domaine nous a permis de
constater que les problmatiques spcifiques souleves pour cette recherche
n'ont pas t consquemment abordes. Ainsi, certains auteurs tels que Levitin
et Lisnianski [54], Pham et al [83], Wu et Chan [100] ont tudi des modles
d'valuation de performances, d'amlioration de performances et
d'optimisation structurelle des SME. Cependant, la mise en uvre d'une
approche intgre de reconfiguration et de politiques de maintenance pour
assurer la continuit de service, et ainsi, accrotre les performances des SME,
l'allocation optimale de technologies diffrentes pour la maximisation des
mesures de performances et la minimisation des ressources d'une ligne de
production multi-tats, l'accroissement des performances pour rpondre une
demande par le choix stratgique de priode de maintenance d'un SME sont
avrs tre des voies de recherche exploiter. Elles seront abordes dans cette
thse. Dans les trois prochains chapitres, nous prsenterons respectivement les
trois articles introduits dans la prface. Le dernier chapitre (chapitre 5) sera
consacr la conclusion gnrale dans laquelle, nous ferons un rsum gnral
des travaux effectus, nous prsenterons, ensuite, les principales contributions
apportes et enfin, nous proposerons quelques perspectives aux travaux
effectus dans cette thse.
70
1.7. Bibliographie
[I] AFNOR. NF X 60-010 : Maintenance, Concepts et dfinitions des acthnts de

maintenance. AFNOR SERVICE EDITION, France, 1994.
[2] AFNOR-UTE. Fiabilit, Maintenabilit, Disponibilit. Editions AFNOR,
Paris, 1988.
[3] Ait-Kadi D., Nourelfath M. Availability optimization of fault-tolerant
systems. Journal of Decision Systems, Vol. 12 nl, 2003, pp. 79-92.
[4] At-Kadi D. Availability optimization of randomly failing equipments.
Advances in factories of the future, CIM and robotics, Elsevier Sciences
Publishers B.V., 1993, pp. 333-342.
[5] At-Kadi D. La Fiabilit des systmes : Notes de cours. Dpartement de
gnie mcanique, Universit Laval, Qubec : Hiver 2000.
[6] At-Kadi D. La Fiabilit : Notes complmentaires. Universit du Qubec
Trois-Rivires, Trois-Rivires, avril 1982.
[7] Anderson T., Lee P. A. Fault Tolerance : Principles and Practice. Prentice
Hall International, Englewood Cliffs, New Jersey, 1981.
[8] Arlat J., Essame D., Powell D. Tolrance aux fautes dans les systmes
critiques. Rapport technique, LAAS-CNRS, n00151, France, Mars 2000.
[9] Armstrong M. J. Joint reliability-importance of components. IEEE
Transactions on Reliability. Vol. 44, n3,1995, pp. 408-412.
[10] Aven T. On performance measures for multistate monotone systems.
Reliability Engineering and System Safety, Vol. 41,1993, pp. 259-266.
[II] Barlow R. E., Hunter L. C. Optimum preventive maintenance policies.
Operations Research, Vol. 8,1960, pp. 90-100.
[12] Barlow R. E., Proschan F. Importance of system components and fault
tree events. Stochastic Processes and their Applications, Vol. 3, 1975, pp.
153-173.
[13] Barlow S. E., Wu A. S. Coherent systems with multi-state components,

Mathematics of Operations Research. Vol. 3 n l l , 1978, pp. 275-281.
71
[14] Beihelt F., Fisher K. General failure model applied to preventive

maintenance policies. IEEE Transactions on Reliability, Vol. 29, 1980, pp.
39-41.
[15] Berg M., Epstein B. Comparison of age, block and failure replacement
policies. IEEE Transactions on Reliability, Vol. 27,1978, pp. 25-29.
[16] Beveridge Gordon S. G. Optimization : Theory and Practice. McGraw-Hill,
New-York, Toronto, 1970.
[17] Billinton R., Allan R. Reliability Evaluation of Power Systems. Plenum,
New-York, 1996.
[18] Block H. W. A decomposition for multi-state monotone system. Journal
of Applied Probability, Vol. 19,1982, pp. 391-402.
[19] Blynn E. P., Haire M. J. The influence of maintenance system reliability
and maintainability characteristics on plant availability. Proceedings of
the Annual Reliability and Maintainability Symposium, Orlando, Florida,
USA, 1991, pp. 615-623.
[20] Bohachevsky I. O., Johnson M. E., Stein M. L. Generalized simulated
annealing for function optimization. Technometrics, Vol. 28 n3,1986. pp.
209-217.
[21] Bonal J., Sanchez A., Aparicio S., Fernandez M., Gonzalez J., Rios L.,
Rosendo M.J., Malvar S. Productivity improvement driven by an
integrated manufacturing system. IEEE International Symposium on
Semiconductor Manufacturing, Austin, Texas, USA, 1995.
[22] Brail A. Availability modeling for the application of manufacturing
equipment. 7EEE Proceedings Annual Reliability and Maintainability
Symposium, Seattle, Washington, USA, 2002, pp. 411-416.
[23] Bueno V. C. On the importance of components for multi-state monotone
systems. Statistics and Probability Letters, Vol. 7,1989, pp. 51-59.
[24] Cabarbaye A., NGom L. Mise en uvre de la mthode des tats fictifs et
gnration automatique des matrices de Markov. 3l'mt' Congrs
International Pluridisciplinaire sur la Qualit et la Sret de Fonctionnement
72
(Qualita'99), Paris, France, 1999.
[25] Carnero Ma C. An evaluation system of the setting up of predictive

maintenance programmes. Reliability Engineering and System Safety, Vol.
91, 2006, pp. 945-963.
[26] Ctuneanu V. M., Mihalache A. N. Reliability fundamentals. Elsevier,
Amsterdam, 1989.
[27] Chapouille P., De Pazzis R. Fiabilit des systmes. Masson et Compagnie,
Paris, 1968.
[28] Chelbi A. Stratgies optimales d'inspection et de remplacements
d'quipements sujets des dfaillances alatoires. Thse de doctorat,
Universit Laval, Qubec, 1996.
[29] Chelbi A., Ait-Kadi D., Aloui H. Optimal inspection and preventive
maintenance policy for systems with self-announcing and non-self-
announcing failures. Journal of Quality in Maintenance Engineering, Vol.
14 nl, 2008, pp. 34-45
[30] Chevance J. R. Systmes haute disponibilit : Dfinitions et solutions.
Rapport technique, CNAM (Observatoire National des Arts et Mtiers),
France, Oct. 2001.
[31] Coit D. W., Smith A. E. Reliability optimization of series-parallel
systems using a genetic algorithm. IEEE Transactions on Reliability, Vol.
45,1996, pp. 254-260.
[32] Deshpande J., Singh H. Optimal replacement of improving and
deteriorating repairable systems. IEEE Transactions on Reliability, Vol. 44,
1992, pp. 427-432.
[33] Dhouib K. Modlisation, analyse et amlioration de la disponibilit des
systmes de production cellulaires dont les machines sont assujettis des
dfaillances alatoires. Thse de doctorat, Universit Laval, Qubec, 1998.
[34] Dimitrov B., Rykov V., Stanchev P. On multi-state reliability systems. 3 rd
International Conference on Mathematical Methods in Reliability (MMR
2002), Trondheim, Norway, June 2002, pp. 201-204.
73
[35] Dubi A., Modeling of realistic system with the Monte Carlo method : A
unified system engineering approach, Proceedings Annual Reliability and
Maintainability Symposium, Tutorial Notes, 2001.
[36] Ebeling C. E. An introduction to reliability and maintainability engineering.
McGraw-Hill, USA, 1997.
[37] El-Neweihi E., Proschan F., Sethuraman J. Multistate coherent systems.
Journal of Applied Probability, Vol. 15 n12,1978, pp. 675-688.
[38] Elsayed E. A. Reliability Engineering. Prentice Hall, New Jersey, 1996.
[39] Glover F. Future paths for integer programming and links to artificial
intelligence. Computers and Operations Research, Vol. 15 n5, 1986, pp.
549-533.
[40] Gnedenko B., Ushakov I. Probabilistic Reliability Engineering. Wiley, New
York, 1995.
[41] Griffith W. S. Multi-state reliability models. Journal of Applied Probability,
Vol. 17,1980, pp. 735-744.
[42] Hong J. S., Lie C. H. Joint reliability-importance of two edges in an
undirected network. IEEE Transactions on Reliability, Vol. 42 nl, 1993,
pp. 17-23.
[43] Hoyland A., Rausand M. System Reliability Theory : Models and Statistical
Methods, John Wiley & Sons, New-York, 1994.
[44] Huang J., Zuo M. J. Generalized multi-state k-out-of n : G systems. IEEE
Transactions on Reliability, Vol. 49 nl, 2000, pp. 105-111.
[45] Jardine A. K. S., Buzacott J. A. Equipment reliability and maintenance.
European Journal of Operational Research, Vol. 19,1985, pp. 285-296.
[46] Kalpakjian S. Manufacturing engineering and technology, 3 rd edition.
Addison-Wesley Publishing, Boston, 1995.
[47] Karpinski J. A multistate system under an inspection and repair policy.
IEEE Transactions on Reliability, Vol. R-35 nl, 1986, pp. 76-77.
[48] Klaassen K. B., Van Peppen J. C. L. System reliability concepts and
applications. Edward Arnold, London, 1989.
74
[49] Lam C. T., Yeh R. H. Optimal maintenance policies for deteriorating

Systems under various maintenance strategies. IEEE Transactions on
Reliability, Vol. 43 n3,1994, pp. 423-430.
[50] Laprie J. C. Dependability : Basic concepts and terminology. Springer-
Verlag, New York, 1992.
[51] Laprie J.C. Sret de fonctionnement informatique. Rapport technique,
LAAS-CNRS, n01326, MSH-Alpes, France, pp. 123-147, Juil. 2001.
[52] Lawler E. L., Bell M. D. A method for solving discrete optimization
problems. Operations Research, Vol. 14,1966, pp. 1098-1112.
[53] Levitin G, Lisnianski A, Ben-Haim H, Elmakis D. Redundancy
optimization for series-parallel multi-state systems. IEEE Transactions on
[54] Levitin G., Lisnianski A. A new approach to solving problems of multi-
state system reliability optimization. Quality and Reliability Engineering
International, Vol. 17, 2001, pp. 93-104.
[55] Levitin G., Lisnianski A. Joint redundancy and maintenance
optimization for multistate series-parallel systems. Reliability Engineering
and System Safety, Vol. 64,1999, pp. 33-42.
[56] Levitin G., Lisnianski A. Structure optimization of power system with
bridge topology. Electric Power Systems Research, Vol. 45, 1998, pp. 201-
208.
[57] Levitin G., Lisnianski A., Elmakis D. Structure optimization of power
system with different redundant elements. Electric Power Systems
Research, Vol. 43,1997, pp. 19-27.
[58] Levitin G., Lisnianski A., Ben-Haim H., Elmakis D. Genetic algorithm
and universal generating function technique for solving problems of
power system reliability optimization. International Conference on Electric
Utility Deregidation and Restructuring and Poxver Technologies (DRPT
2000), London, UK, 2000, pp. 582-586.
[59] Lisnianski A, Ben Haim H, Elmakis D. Redundancy optimization for
75
power station. Proceedings of the 10th International Conference of Israel

Society for Quality, Jerusalem, Israel, 1994, pp. 313-318.
[60] Lisnianski A, Levitin A, Ben-Haim H, Elmakis D. Power system
structure optimization subject to reliability constraints. Electric Power
Systems Research, Vol. 39,1996, pp. 145-152.
[61] Lisnianski A., Levitin G. Multi-state system reliability, Assessment,
Optimization and Applications. Series on Quality, Reliability &
Engineering Statistics Vol.6, World Scientific Publishing Co. Pte. Ltd.,
Singapore, 2003.
[62] Marseguerra M., Zio E. Basics of the Monte Carlo method with application to
system reliability. LiLoLe-Verlag, Hagen, Germany, 2002.
[63] Mathew S., Kennedy D. Minimize equipment downtime under shock
load conditions. Journal of Quality in Maintenance Engineering, Vol. 19
nl, 2002, pp. 90-96.
[64] Meng F. C. Comparing the importance of system components by some
structural characteristics. IEEE Transactions on Reliability, Vol. 45 nl,
1996, pp. 59-65.
[65] Meng F. C. Component-relevancy and characterization results in
multistate systems. IEEE Transactions on Reliability, Vol. 42,1993, n3, pp.
478-483.
[66] Meng F. C. Some further results on ranking the importance of system
components. Reliability Engineering and Systems Safety, Vol. 47,1995, pp.
97-101.
[67] Misra, K. B., Sharma U. An efficient algorithm to solve integer
programming problems arising in system-reliability design, IEEE
Transactions Reliability, Vol. 40,1991, pp. 81-91.
[68] Montoro-Cazorla D., Pe'rez-Oco'n R. A maintenance model with
failures and inspection following Markovian arrival processes and two
repair modes. European Journal of Operational Research, Vol. 186, 2008, pp.
694-707.
76
[69] Munoz A., Martorell S., Serdarell V. Genetic algorithms in optimizing

surveillance and maintenance of components. Reliability Engineering and
System Safety, Vol. 57n2,1997, pp. 107-120.
[70] Murchland J. Fundamental concepts and relations for reliability analysis
of multistate systems, reliability and fault tree analysis. Theoretical and
Applied Aspects of System Reliability, SIAM, 1975, pp. 581-618.
[71] Murthy D. N. P. A Note on Minimal Repair. IEEE Transactions on
[72] Nahas N. Optimisation de la performance de systmes multi-composants
assujettis des dfaillances alatoires. Thse de doctorat, Universit Laval,
Qubec, 2008.
[73] Natvig B. Two suggestions of how to define a multi-state coherent
system. Advances in Applied Probability, Vol. 14 n2,1982, pp. 434-455.
[74] Niel E., Jutard A. Contribution la formalisation de la scurit
oprationnelle. Revue d'Automatique et de Productique Appliques, Volume
5 n2,1992, pp. 57-64.
[75] Niel E. De la scurit oprationnelle des systmes de production.
Rapport technique, INP Grenoble, France, Dec. 1994.
[76] Norris J. R. Markov chains. Cambridge University Press, New-York, 1997.
[77] Nourelfath M., At-Kadi D. valuation et optimisation de la productivit
des systmes tolrants aux fautes. 2me Colloque International CPT2001 :
Conception et Production Intgre, Fez, Maroc, 24-26 oct. 2001.
[78] Nourelfath M., Dutuit Y. A combined approach to solve the redundancy
optimization problem for multi-state systems under repair policies.
Reliability Engineering and System Safety, Vol. 86, 2004, pp. 205-213.
[79] Nourelfath M. Extension de la thorie de la supervision la surveillance et
la commande des systmes vnements discrets. Thse de doctorat, INSA
Lyon, France, 1997.
[80] Noys D., Prs F. valuations de performance en gestion de
maintenance. Congrs International de Gnie Industriel de Montral ("La
77
productivit dans un monde sans frontires"), Montral, Canada, Oct. 1995.
[81] Painton L., Campbell J. Genetic algorithm in optimization of system

reliability. IEEE Transactions on Reliability, Vol. 44,1995, pp. 172-178.
[82] Pereira M. V. F., Pinto L. M. V. G. A new computational tool for

composite reliability evaluation. Transactions on Power Systems, Vol. 7,
nl, 1992, pp. 258-264.
[83] Pham H., Suprasad A., Misra R. B. Availability and mean life time
prediction of multistage degraded system with partial repairs. Reliability
Engineering and System Safety, Vol. 56,1997, pp. 169-173.
[84] Pohl E. A., Mykyta E. F. Simulation modeling for reliability analysis.
Proceedings Annual Reliability and Maintainability Symposium, Tutorial
Notes, 2000.
[85] Reeves C. R., Modern heuristic techniques for combinational problems. John
Wiley, New-York, 1993.
[86] Rocco S. C. M., Moreno J. A. System reliability evaluation using Monte
Carlo and support vector machine, Annual Reliability and Maintainability
Symposium, 2003, pp. 482-486.
[87] Rojas R., Neural Networks : A Systematic Introduction, Springer-Verlag,
Berlin, Heidelberg, 1996.
[88] Ross S. Multivalued state component systems. Annals of Probability, Vol.
7,1979, pp. 379-383.
[89] Savic D., Walters G., Knezevic J., Optimal opportunistic maintenance
policy using genetic algorithms, 1 : formulation, journal of Quality in
Maintenance Engineering, Vol. 1 n2,1995, pp. 34-49.
[90] Shooman M. L. Probabilistic reliability : an engineering approach. Robert E.
Krieger Publishing Company, Malabar, Florida, 1990.
[91] Stevenson W. J., Benedetti C. La gestion des oprations : prodidts et services,
VK dition. dition Chenelire/Mc Gra w-Hill, Montral, 2001.
[92] Sung C.S., Lee H.K. A Branch-and-Bound approach for spare unit
allocation in a series system. European Journal of Operational Research,
78
Vol. 75, 2004, pp. 217-232.
[93] Tillman F.A., Hwang CL., Kuo W. Optimization techniques for system
reliability with redundancy : a review. IEEE Transactions on Reliability,
Vol. R-26 n3,1977, pp.147-155.
[94] Ushakov I., Harrison A. Handbook of reliability engineering. John Wiley &
Sons, New-York, 1994.
[95] Ushakov I. Optimal standby problem and a universal generating
function. Soviet Journal Computer Systems Science, Vol. 25 n4, 1987, pp.
61-73.
[96] Ushakov I. Reliability analysis of multi-state systems by means of a
modified generating function. Journal Information Process, Cybernet, Vol.
34,1988; pp. 24-29.
[97] Ushakov I. The method of generalized generating sequences. European
Journal of Operating Research, Vol. 125 n2, 2000, pp. 316-323.
[98] Ushakov I. Universal generating function. Soviet Journal Computer
Systems Science, Vol. 24 n5,1986, pp. 118-129.
[99] Villemeur A. Sret de fonctionnement des systmes industriels. dition
Eyrolles, Paris, 1988.
[100] Wu S., Chan L.-Y. Performance utility-analysis of multi-sate systems.
IEEE Transactions on Reliability, Vol. 52 nl, 2003, pp. 14-19.
[101] X50-125. Norme de Management de la Qualit et de l'Assurance de la Qualit,
Standard ISO 8402.
[102] Yang C , Mariton M. Machine failure detection in manufacturing
systems. Proceedings of the 33rd Conference on Decision and Control, Florida,
1994, pp. 1049-1049.
[103] Yang S., Lin T. On the Application of Quasi-renewal Theory in
Optimization of Imperfect Maintenance Policies. Proceedings of the
Annual Reliability and Maintainability Symposium, Alexandria, Virginia,
USA, 2005, pp. 410 - 415.
[104] Youssef H., Sait S. M., Adiche H. Evolutionary algorithms, simulated
79
annealing and tabu search : A comparative study. Engineering

Applications of Artificial Intelligence, Vol. 14 n 2, 2001, pp. 167-181.
[105] Zaitseva E. N. Dynamic reliability indices for multi-state system.
Proceedings of the 33rd International Symposium on multi-Valued Logic
(ISMVL'03), Tokyo, Japan, 2003, pp. 287-292.
[106] Zio E., Podofillini L. A Monte Carlo approach to the estimation of
importance measures of multi-state components. Reliability and
Maintainability Annual Symposium (RAMS), Los Angeles, USA, Jan. 2004,
pp. 129-134.
[107] Zwingelstein G. Diagnostic des dfaillances : Thorie et pratique pour les
systmes industriels. Herms, Trait des Nouvelles Technologies, srie
Diagnostic et Maintenance, Paris, 1995.
[108] Zwingelstein G. La maintenance base sur la fiabilit : Guide pratique
d'application de la RCM. Herms, Paris, 1996.
80
Chapitre 2 :
Production rate maximization of a multi-state

system under an inspection and repair policy
Le premier article s'intitule Production rate maximization of a multi-state

system under an inspection and repair policy par Isaac Wassy Soro, Daoud
At-Kadi, Mustapha Nourelfath. Il a t initialement soumis en Dcembre 2009
au International Journal of Performability Engineering (IJPE) . Accept, l'article a
t rvis selon les recommandations des valuateurs et soumis pour
approbation finale de publication. La version prsente est celle rvise.
2.1. Rsum
Dans cet article, une stratgie d'inspection d'un systme multi-tats est
propose. Le systme peut tre soit en mode de fonctionnement nominal,
dgrad ou en mode hors d'usage. L'tat du systme n'est connu qu'aprs
inspection. Une action de maintenance est entreprise lorsque l'inspection
effectue, un instant prdtermin x, rvle que le systme est hors d'usage.
Cette action de maintenance rtablit le systme dans son mode de
fonctionnement nominal avec une certaine probabilit. La stratgie d'inspection
propose est de type priodique. Elle vise maximiser la productivit du
systme qui peut occuper l'un des trois tats identifis ci-dessus. Des rsultats
analytiques et numriques ont t obtenus.
81
Production rate maximization of a multi-state

system under an inspection and repair policy
ISAAC WASSY SORO2, DAOUD AT-KADI and MUSTAPHA NOURELFATH
Interuniversity Research Center on Enterprise Networks, Logistics and Transportation (CIRRELT)

Mecluinical Engineering Department
Laval University, Pavilion Adrien-Pouliot, Sainte-Foy, Qubec G1K 7P4 (Canada)
Abstract: In this paper, an inspection strategy for a multi-state system is

proposed. This system can be in any of three states: nominal operating state,
degraded state or failure state. The system state is known only after inspection.
A maintenance action is undertaken when at a predetermined instant an
inspection reveals that the system is in degraded or failure state. The
maintenance action restores the system to its nominal operating mode with a
given probability. For this study, a periodic type inspection strategy is used. It
aims at maximizing the productivity of the considered multi-state system.
Analytical and numerical results are presented.
Keywords : Optimization, Production rate, Inspection, Multi-States System
2.2. Introduction
Technological systems are characterized more and more by the permanent

complexity of their structure. In reliability engineering, the operation of these
systems is usually modeled by a binary approach where only two states are
permitted: nominal functioning, and complete failure. However, in many real-
life situations, this binary-state assumption may not be adequate. In multi-state
reliability modeling, the system may rather have more than two levels of
2
Corresponding author's email: WassyIsaac.Soro@cirrelt.ca
82
performance varying from perfect functioning to complete failure. The presence

of degradation is a common situation in which a system should be considered
to be multi-state. Degradation can be caused by system deterioration or by
variable ambient conditions. Fatigue, fadures of non-essential components, and
number of random shocks on the system are all examples of system
degradation causes. In this case, the failure rate depends on the status of the
system which can degrade gradually. The reliability analysis of such degraded
systems should consider multiple operational states to take into account
multiple degradation levels [21, 31]. In the literature, many papers study unit,
series, parallel, bridge or fc-out-of-n multi-state configurations [15, 24]. A
literature review on multi-state systems (MSS) reliability can be found for
example in Ref. [21].
Maintenance plays a key role to improve the performance of a multi-state

degraded system. Maintenance concepts assume that perfect repair brings a
system to the "good as new" state and minimal repair brings the system to the
"bad as old" state (repair gets the system back into operation without changing
its failure rate). However, most deteriorating systems after maintenance will be
restored to a condition between "good as new" state and "bad as old" state. That
is, after repair, a deteriorating system will be restored a n d / o r retained to a
condition which is better than before failure or maintenance, but worse than the
brand new one. This type of maintenance model is called the imperfect
maintenance [25]. A well-known model in which upon repair a system will be
"good as new" with probability p and "bad as old" with probability q = \ - p is
discussed by Brown and Proschan [8] for a single-unit system. In [26], Wang
and Pham studied a series system of n components subjected to imperfect
repair. The later is modeled in a way that upon it, the time to failure of a
component will decrease to a fraction of its immediately previous one, and the
repair time will increase to a multiple of its immediately previous one.
Inspections are an important part of a maintenance program because they
provide a way to discover dormant failures a n d / o r degradation that is likely to
83
result in the imminent failure of a component or a system. Maintenance actions

such as inspections, repairs or replacements are taken to avoid operating the
system in an undesirable state. But, these actions may interrupt production and
increase downtime and total maintenance costs [28]. In [16, 17], the author
studied an availability Markov model of a multi-state system with an optimal
inspection policy by introducing a profit maximization model under inspection
policy. Markov processes and semi-Markov processes can be used for modeling
the transition of those states [27]. State transitions occur according to a Poisson
process. For this process, a periodic inspection strategy can be optimal [5, 9].
The use of partially observable Markov decision process structure to select
maintenance actions that rninimize the total expected cost for operating a
system has been studied in [28]. This cost includes the cost per unit time for
operating the system in each state as well as the cost of performing actions to
change the system state.
A system that allows service continuity under failure with a reduced level of
functionality [14, 2, 3, 1, 21] is multi-state. Several technological strategies are
proposed in the literature to allow a system to continue its operation with a
reduced performance. These strategies include reconfiguration of the control
system, physical reorganization of the system components, robust supervisory-
control design, redundancy, and intercellular transfers for cellular
manufacturing systems [10, 23, 30]. The degraded state can result from the
activation of automatic reconfiguration mechanisms (material and/or
software). This allows the system to ensure the continuity of its service despite a
failure of one or several of its non-essential components. In this case, the failure
involves a performance degradation of the system, but not its complete failure.
In this article, we consider a production system that can operate either in a
nominal mode or in a degraded mode. This system can also fail randomly. The
system state is known only after inspection. A maintenance action is
undertaken when at a predetermined instant an inspection reveals that the
84
system is in degraded or failure state. The maintenance action restores the

system to its nominal operating mode with a certain probabdity. A periodic
type inspection strategy is used, and the objective is to maximize the
productivity of the system. This is an important problem that has not been, to
the best of our knowledge, studied in the literature. In Section 2.4, the
optimization problem is formulated. A numerical example is presented in
Section 2.4.1 and Section 2.5 concludes the paper.
2.3. Performance assessment
One of the main objectives of an effective maintenance system is to maximize

the availability of equipment. A vailability is the abdity of an item to perform its
required function at a given time or over a stated period of time when operated
and maintained in a prescribed manner [13]. Increasing the availability of the
equipment increases its productivity, and hopefully its profitability [18]. This
assertion is true for binary systems, but is not always verifiable in the multi-
state case. The considered MSS is profitable when it is less at its degraded state.
In sum, it is necessary that the proportion of time spent at the degraded state is
lower than its nominal state. Let P/v(f) represents the probability that the system
operates in nominal state at time t with a production rate TPN, and let P(t) the
probability that it operates in degraded state at time t with a production rate
TPD (TPN>TPD). The availability A (t) and the overall production rate TPG are :
A(t) = P N (t) + P D (t) (2.1)
TPC = TPN P N (t) + TPD P D (0 (2.2)
Transitions diagram of figure 2.1 illustrates the different states of the studied
system.
85
j"li(l^Ii)
Figure 2.1 : System transitions diagram
2.3.1. N o t a t i o n s
State 1 : Nominal operating state.

State 2 : Degraded state.
State 3 : Failure state.
State 4 : The inspection revealed that the system operates in a degraded mode.
A maintenance action is immediately undertaken. State 4 is a fictitious state.
x : Time interval between two inspections.
Aij : Failure rate from state i to state;.
Pi(t) : Probability that the system is in the state i at t, i = 1,..., 4; with 0 < t < x
Repair I : Repair action after total failure.

Repair II : Repair action when the system operates in degraded mode.
pi, pn : Repair rate (constant) for repair actions of type I and II.
qi : Probability that repair I is carried out in an imperfect way.
86
qu : Probability that repair II is carried out in an imperfect way.
2.3.2. Assumptions
1. Nominal and degraded states are known only after inspection.
2. If the system has completely failed, a maintenance action is immediately

undertaken to bring it back to nominal operating state. In this case, repair
times are independent and identically distributed according to an
exponential distribution with average 1/pi.
3. If the inspection reveals that the system operates in degraded state, a

maintenance action is immediately undertaken to bring back it to nominal
operating state. In this case, repair times are independent and identically
distributed according to an exponential distribution with average 1//J/;.
4. A conditional probability (1-qi) is associated to repair I if the system is

successfully brought back from failure state (state 3) to nominal operating
state (state 1). Probability qi is assumed to be known.
5. A conditional probability (1-^//) is associated to repair II if the system is

successfully brought back from degraded state (state 4) to nominal operating
state (state 1). Probability qu is assumed to be known.
6. Production rates in nominal mode (TPN) and degraded mode (TPD) are
known and constant (expressed in number of parts by time unit).
7. Inspection is carried out in a perfect way and does not affect the system
production rate. This inspection accurately reveals the system state.
87
The optimization problem is to determine the inspection periodicity x which

maximizes the overall production rate given by equation (2.2), with PNO) and
P D ( 0 representing, respectively, the probabilities of state 1 and 2. These
probabilities Pi(f) and P2(f) are obtained by solving the following system of
differential equations :
dPM)
(\ 2 + 4 3 )^(0 + p,(l - q,)P,(t) + p(\ - q)P4(t) (2.3)
dt
^ p = - vuo + * a m (2-4)
^ P - = - p,(l - q,)P,(t) + 43JP,(/) + A2,P2(t) (2.5)

at
^ - = - p n ( \ -q u )P A (t) (2.6)
at
According to the inspection strategy in [16, 17], we define the initial conditions
of this system of differential equations :
Px(0) = P x (x), P2(0) = 0, P3(0) = P 3 (x), P4(0) = P2(x) + P4(x) (2.7)
Knowing these initial conditions, the expressions of P,(t) are obtained after
taking Laplace transforms of equations (2.3)-(2.6). The reader is referred to
Appendix for more details about this calculation (equations (2.8)-(2.30)). The
inspection periodicity that maximizes the production rate of the system is
obtained as follows. The overall production rate (TPG) of the system is given
by:
TPG = TP N P x (x) + T P p P 2 ( x ) (2.31)

88
2.4. Formulation of optimization problem
The studied optimisation model is :
Maximize Z = TPN P x (x) + TPD P 2 (x) (2.32)
subject to K(x) < B (2.33)
where K(x) is the incurred average total cost per unit of time when the
inspection periodicity x is applied. B is the budget per unit of time allocated to
maintenance (repair cost) and penalties due to production lost. The expression
of K(x) is :
K(x) = c3z3 (x) + c 4 z 4 (x) + ^ ( l - P 3 (x) - P4 (x)) (2.34)

X
where :
z, = - f Pt (t)dt, i = 3,4: (states 3 et 4) (2.35)

x *
d is the average repair cost and loss per unit of time when the system is in state
3 or state 4 (C3 > c$), and Ic is the inspection cost. Here, Z3 and Z4 represent the
average proportions of time that the system spends in states 3 and 4
(respectively) during the interval [0, x]. The optimization problem given by
equations (2.32) and (2.33) will be solved numerically for the example
considered in the next section.
89
2.4.1. A numerical example
The system parameters are given in Table 2.1. The optimization problem is
solved numerically using Maple software. The obtained optimal inspection
periodicity (x*) is 2 units of time. It involves an overall production rate TPG* of
44 items per time unit. For this optimal value of x, we have Pi(0)=0.8299,
P2(0)=0, P3(0)=0.0785, P4(0)=0.0914, Pi(x*)=0.8299, P2(x*)=0.0777, P3(x*) = 0.0785,
and Pi(x*) = 0.0136. Figures 2.2 and 2.3 illustrate, respectively, the objective
function TPG and the average total cost per time unit K(x).
TP. TP B
Kl ^3 *K Pi ti In
($/U.t.3) ($/U.t.) ($/u.t.) ($/U.t.) M$) ($/u.t.)
0.05 0.04 0.08 0.5 0.05 0.05 50 40 100 75 50 100
Table 2.1 : Data of system characteristic parameters
50
3.
v
PS Overall production rate TPc = 44.61

o
73
Optimal inspection periodicity x" = 2
O
>
O
Inspection periodicity x
Figure 2.2 : Evolution of TPG according to the inspection periodicity x
3
u.t. : unit of time
90
The larger the inspection frequency (1/x) is, the more the system will operate in
nominal mode. Inversely, if the inspection frequency is low, the system is likely
to operate longer in degraded mode. This eventuality reduces the overall
production rate (TPG) as shown by Figure 2.2. Figure 2.3 Ulustrates how that
K(x) decreases when x increases.
a
1
HI
E
33
h
y
a
IS
u
I
2
I 12-
10 20
Inspection periodicity x
Figure 2.3 : Shape of K(x) according to inspection periodicity x
2.5. Conclusion
In this study, an inspection strategy was proposed. The production system

considered was subjected to random failures. This system can operate in
nominal or degraded states. These states are known only after inspection, and
inspections are carried out at predetermined time intervals. The complete
failure of the system is detected instantly. Maintenance actions bringing the
system to nominal operating state are imperfectly executed. The objective is to
91
determine the inspection periodicity that maximizes the overall production rate
of the system for a specific situation. The repair and failure rates are assumed to
be constant. The obtained results are coherent, and they show that the overall
production rate grows with the frequency of inspections. In addition, the
average total cost increases with the probability that system stayed in an
undesirable state. The proposed model can be applied for many practical
situations where it is important to take into account the degraded functioning
mode. Future work will extend this model to deal with multi-component
degraded multi-state systems.
2.6. References
[1]. Adlemo, A., S. Andrasson. Improved aiwilability in manufacturing systems

through graceful degradation: case study of machining cell. IEEE International
Conference on Robotics and Automation Proceedings 1995; 2: 1744-1750.
[2]. At-Kadi, D., M. Nourelfath. Availability optimization of fault-tolerant
systems. International Conference on Industrial Engineering and Production
Management (IEPM'2001) 2001, Quebec, Canada.
[3]. Anderson, T., P. A Lee. Fault Tolerance: Principles and Practice. Prentice Hall
International, Englewood Cliffs, New-Jersey;1981.
[4]. Aven,T. On performance measures for multistate monotone systems. Reliability
Engineering and System Safety 1993; 41: 259-266.
[5]. Barlow, R. E. and F. Proschan. Mathematical Theory of Reliability. John Wiley
& Sons, New-York; 1965.
[6]. Barlow, Richard E., Alexander S. Wu. Coherent systems with multi-state
components. Mathematics Of Operations Research 1978; 3(4): 275-281,
November.
[7]. Billinton, R. and R. Allan. Reliability Evaluation of Power Systems. Plenum
Press, New-York; 1996.
[8]. Brown, M. and F. Proschan. Imperfect repair. Journal of Applied Probability
1983; 20: 851-859.
92
[9]. Chelbi, A. Stratgies Optimales D'inspection Et De Remplacements

D'quipements Sujets Des Dfaillances Alatoires. PhD. thesis, Universit
Laval, Quebec;1996.
[10]. Dhouib, K. Modlisation, Analyse Et Amlioration De La Disponibilit Des
Systmes De Production Cellulaires Dont Les Machines Sont Assujettis Des
Dfaillances Alatoires. PhD. thesis, Universit Laval, Quebec;1998.
[11]. Dimitrov, B., V. Rykov and P. Stanchev. On midti-state reliability systems.
3 rd International Conference on Mathematical Methods in Reliability
(MMR 2002) 2002: 201-204.
[12]. El-Neweihi, E., F. Proschan and J. Sethuraman. Multistate coherent systems.
Journal of Applied Probability 1978; 15(12): 675-688.
[13]. Ebeling, C Introduction to Reliability and Maintainability Engineering.
McGraw Hill publication, Boston; 1997.
[14]. Ge, H., C. L. Tomasevicz and S. Asgarpoor. Optimum maintenance policy
with inspection by semi-markov decision processes. 39th North American Power
Symposium (NAPS 2007) 2007, Las Cruces, New Mexico (USA).
[15]. Huang, J. and M. J. Zuo. Generalized multi-state k-out-ofn : G systems. IEEE
Transactions on Reliability 2000; 49(1): 105-111.
[16]. Karpinski, J. A multistate system under an inspection and repair policy. IEEE
Transactions on reliability 1986 a; R-35(l): 76-77.
[17]. Karpinski, J. Supplement of: A multistate system under an inspection and repair
policy. National Auxiliary Publications Service (NAPS) document,
Microfiche publications (BURROWS SYSTEMS) 1986 b; 248 Hempstead
Turnpike, West Hempstead, New-york 11552-2664 (4300-C).
[18]. Khan, F. I., M. Haddara and L. Krishnasamy. A New Methodology for Risk-
Based Availability Analysis. IEEE Transactions On Reliability 2008; 57(1):
103-112.
[19]. Levitin, G. and A. Lisnianski. A neiv approach to solving problems of multi-
state system reliability optimization. Quality and Reliability Engineering
International 2001; 17: 93-104.
93
[20]. Levitin, G. and A. Lisnianski. Joint redundancy and maintenance optimization

for multistate series-parallel systems. Reliability Engineering and System
Safety 1999; 64: 33-42.
[21]. Lisnianski, A. and G. Levitin. Multi-State System Reliability, Assessment,
Optimization and Applications. World Scientific Publishing Co. Pte. Ltd.,
Singapore; 2003.
[22]. Lygeros, J., D. N. Godbole and M. Broucke. A fault tolerant control
architecture for automated highway systems. IEEE Transactions on Control
Systems Technology 2000; 9(2): 205-219.
[23]. Nourelfath, M., D. At-Kadi and W. I. Soro. Availability modeling and
optimization of reconfigurable manufacturing systems. Journal of Quality in
Maintenance Engineering 2003; 9(3): 284-302.
[24]. Pham, H., A. Suprasad and R. B. Misra. Availability and mean life time
prediction of multistage degraded system xvith partial repairs. Reliability
Engineering and System Safety 1997; 56: 169-173.
[25]. Pham, H. and H. Wang. Imperfect maintenance. European Journal of
Operational Research 1996; 94: 425-438.
[26]. Pham, H. and H. Wang. Availability and maintenance of series systems subject
to imperfect repair and correlated failure and repair. European Journal of
Operational Research 2006; 174: 1706-1722.
[27]. Ross, S.. Stochastic Processes. John Wiley, 2nd edition, New-York; 1996.
[28]. Simmons Ivy, J. and S. M. Pollock, Marginally Monotonie Maintenance
Policies for a Multi-State Deteriorating Machine With Probabilistic Monitoring,
and Silent Failures. IEEE Transactions on Reliability 2005, 54 (3): 489-497
[29]. Wu, S. and L.-Y. Chan. Performance utility-analysis of multi-sate systems.
IEEE Transactions on Reliability 2003; 52(1): 14-19.
[30]. Yang, C. and M. Mariton. Machine failure detection in manufacturing systems.
Proceedings of the 33rd Conference on Decision and Control 1994, Florida;
2: 1048-1049.
94
[31]. Zaitseva, E. N. Dynamic reliability indices for multi-state system. Proceedings

of the 33 rd International Symposium on multi-Valued Logic (ISMVL'03)
2003, Tokyo, Japan 0 : 287-292.
[32]. Zio, E. and Podofillini L. A Monte Carlo approach to the estimation of
importance measures of midti-state components. Reliability and
Maintainability Annual Symposium (RAMS2004) 2004: 129-134.
Isaac Wassy Soro is a finishing PhD student at Universit Laval (Canada). He

received his M.S. degree from Universit Laval (Canada). He is currently
working His main research interests are reliability and maintenance of multi-
state degraded systems.
Daoud At-Kadi is currently a full professor at mechanical engineering at Laval

University in Canada. He received his Bachelor's degree in mechanical
engineering in 1973, a Master of Science in industrial engineering in 1980 and a
Ph. D. in industrial engineering, operations research and computer science in
1985. His research interests include operations management, reliability
engineering, maintenance management, life cycle engineering and reverse
logistics. He has authored papers published in IEEE transactions on reliability,
Naval research logistics, IJPR, IJPE, RESS, EJPR, JQME. He coauthors a textbook
on Stochastic processes (2004) and a Handbook of maintenance management
and engineering (2009).
Mustapha Nourelfath is a full professor of Industrial Engineering at Universit

Laval (Canada), in the Department of Mechanical Engineering at the Faculty of
Science and Engineering. Before his current position, he was Professor at UQAT
(Universit du Qubec en Abitibi-Tmiscamingue, Canada). After graduating
from ENSET-Mohammedia (Morocco), Professor Nourelfath obtained a DEA
and a PhD in industrial automation and industrial engineering from INSA
(National Institute of Applied Science) of Lyon (France), in 1994 and 1997,
95
respectively. Dr. Nourelfath is member of the organizing and scientific

committees of different international conferences, and regularly acts as a referee
for many scientific journals. He is a member of CIRRELT (Interuniversity
Research Centre on Enterprise Networks, Logistics and Transportation). His
specific topics of interest are operations research and artificial intelligence
applications in reliability, logistics, manufacturing, and supply chain
management problems.
96
Appendix
The following analytical development is the resolution of the equation system

(2.3) to (2.6) with initial conditions (2.7) :
(s + A X2 +A X3 )L x (s) - ^ ( 1 - ^ ) 4 ( 5 ) = P x (0) + ^ ( 1 g//) ;

s + MnQ-Qu)
(s + ^ ) I J ( J ) - V i t o = 0 (2.8)
(s + A*,(1-*/))A(*) " 4aAW " ^ 4 W = ^(0)
After solving equation (2.6), we have
P4(t) = P4(0)e/"'(l"'"',' (2.9)
By considering a = p t ( l - q , ) and s = p(1 - q u ) , the system of equations (2.8)
can be put in the matrix form (2.10) :
(s + A il + A,3) 0 -or L(s) /,(0) + P 4 ( 0 ) -

s+ s
-A,2 (s + A23) 0 Z.2(5) (2.10)
'4, -/*23 (A- + or)J [z,(s)

PM
By solving the system of equations (2.10), we have (Cramer method) :
f ( s ) = P x (0). ( s + a ) i s + ^ + P(0). a { s + ^
s(s + sx )(s + s 2 ) s(s + sx )(s + s 2 )
s (s + a ^ s + A,,)
+ P 4 (0) (2.11)
s(s + E ) ( S + sx )(s + s 2 )
97
L2(s) = P,(0)- / ( , + g ) + P3(0)- - " i 2

- +
5(5 + 5,)(5 + 52) 5(5 + 5,)(5 + 52)
g ( 5 + Qr)
+ Jp4(0) ^ (2.12)
5(5 + )($ + 5, )( S + S2)
2
L(S) = P(0) ^ ^ i + ^ S + ^ + P(Q) ^ + /
^3)( 5 + ^12+^13) +
5(5 + 5,)(5 + 52) S(S + SX)(S + S 2 )
+ P(< s > .Li*u*ateM (2.13)

s(s + e)(s + sx)(s + s 2 )
with :
*i = ~ ( + 4 2 + 4 3 + -^3) + ~V( r + /i2 +/1 .3 + ^ 3 ) 2 - 4 ( a ^ 2 +0-^3-1-/1,2^3+^3^3)
-(or + / 1 2 + ^ 3 + ^ 3 ) - - A / ( o r + / l 1 2 + ^ 3 + / 2 3 ) 2 - 4(a/, 2 + o r ^ 3 + ^ , ^ 3 + ^3/^3)
The inverse Laplace Transform of L,(s) give P,-(f) (z=l, 2, 3) :
P,(/) = r'(,(5)) = Px(0)Bx(t)+ P3(0)B2(t)+ P4(0)B3(t) (2.14)
P2(t) = L\L 2 (s)) = Px(0)Dx(t)+ P 3 (0)D 2 (t)+ P4(0)D3(t) (2.15)
P(t) = L~\L3(s)) = /(0)G,(0+ P,(0)G 2 (/)+ P4(0)G3(/) (2.16)
with :
B(J) = 0^3 , ( ~ *l )(^3 ~ *l ) c-sy , ( ~ *2 )(^23 - *2 ) g-y (2.17)

sxs2 sx(sx-s2) s2(s2-sx)
98
a
B 2 (t) _= Z 2^3 o, g+ ( ^w2 3 - J"| i) / .Cg -- V
v +, -v-23
( ^ 2 3 - ^ 2 ) c -s,J
"2^.g-v (2.18)
V2 J,(J, ~ J 2 ) J2(*_*|)
5(,) = or^3 , ( a - g ) ( ^ 3 - g ) g - | gfg-gJLJg-f,) g - v |
S, J 2 ( e - S, X J2 " g) Sx (S x - S ) ( S 2 - Sx )
+ s(a-s2)(A23-s2) g _v
52(^-52)(i2-5,)
A(/) = Jii + ^(--^.). g -v + ^ ( " - ^ ) . e - J l , (2.20)

5,52 5,(5, S 2 ) S2(S2SX)
D 2 (t) = ^ - + ^ e"J'' + ^ <TS>' (2.21)

sxs2 s x \s x s 2 ) s 2 \s 2 s x )
>(,) _ ^ 2 , ^2(g-g) c-, | >l12(g-J|) c -y |
V2 (g-*iX2 - g ) *1(g-5,X5,-S2)
+ M*-*) .g-*,< (2.22)

s2(e-s2)(s2-sx)
Qt(\ _ ^ 2 3 ( ^ 2 + ^ 1 3 ) , / t 1 3 ( / ^ 3 ~ 5 l ) + ^12^23 g - y , ^13(^23 ~ 5 2 ) + ^12^23 g -y (223)

J,5 2 5,(5, - S 2 ) S2(S2-SX)
Q it\ _ ^(-^12 +^13) , (/^12+^13~-yi)(^23~5l) -i, ,
+ (^12 + / ^ 1 3 ~ - y 2 ) ( / 2 3 ~ 5 2 ) . e -s 2 l >2 2 4 \
52(52-S,)
+/
Q r t \ _ ^ 3 (^12 * n ) , ^12^23 + jl3 (^23 ~ g ) g- , g^l2^23 +> ^13( / ^3~- S "l) -y |
5,52 (-5,)(52-g) ^(g-^X*,-^)
+ g ^ 2 ^ 3 + g / t 1 3 ( - ^ 3 ~ 5 2 ) . g-., / 2 25)
By considering the initial conditions (2.7) and equations (2.14) to (2.25), P,(0) (i =
1, 2, 3, 4) become :
99
{B3(x)[D3(x)+ e-* x -D 2 (x)-\]-[l-D 3 (x)-e-"][B 2 (x)-B 3 (x)]}"

P,(yj)
1 = (2.26)
V
H(x) '
P2(0) = 0 (2.27)
{ [l-D 3 (x)-e"][B x (x)-B 3 (x)-\] + B 3 (x)[D x (x)- e~"-D 3 (x) + \]}

m = (228)
W)
P4(0) = 1-P l( 0)-P 3 (0) (2.29)
where
H(x) = [B x (x)-B 3 (x)-l][D 2 (x)-e- -D 3 (x) + l ] - [ D x ( x ) - e - -D 3 (x) + l]-

[B2(x)-B3(x)] (2.30)
100
Chapitre 3 :
Availability Modeling and Optimization of

Reconfigurable Manufacturing Systems
Le deuxime article s'intitule Availability Modeling and Optimization of

Reconfigurable Manufacturing Systems par Mustapha Nourelfath, Daoud At-
Kadi, Wassy Isaac Soro. Il a t publi dans le Journal of Quality in Maintenance
Engineering (JQME) en 2003, Volume 9 n3, 2003, Pages 284-302. Par ailleurs,
un Literati Club Award for Excellence 2004 a t dcern cet article par le
comit editorial du Journal of Quality in Maintenance Engineering. L'article a de ce
fait reu un Highly Commended Aivard de l'dition 2003 du journal.
3.1. Rsum
Les mcanismes de reconfiguration permettent la conception de systmes

manufacturiers robustes favorisant la continuit du service et ce, malgr
l'occurrence d'une dfaillance. Cette continuit de service est base sur une
dgradation minimale des performances de ces systmes. Dans cet article, un
modle stochastique permettant l'valuation et l'analyse de la disponibilit
d'un systme reconfigurable sujet des dfaillances alatoires est propos. Ce
modle de disponibilit tient compte de la dgradation. Le taux de production
est utilis comme mesure de performance pour distinguer le fonctionnement
nominal du fonctionnement dgrad. Une rsolution analytique de la
disponibilit stationnaire et du taux de production du systme est entreprise.
Deux problmes d'optimisation sont proposs pour ce systme. Ainsi, on
considre un systme srie compose de N composants indpendants et sans
stocks tampons. Pour chaque composant, diffrents technologies sont
disponibles. Les problmatiques suivantes sont abordes dans cet article :
101
(i) dterminer la configuration qui permet de maximiser le taux de

production du systme sous des contraintes de ressources
(U) dterminer la configuration permettant d'atteindre un niveau
prdtermin de taux de production cot minimal
Le premier problme est un problme de programmation linaire mixte et le
second est un problme de programmation linaire en nombres entiers. Des
rsultats numriques sont obtenus pour ces diffrents problmes.
102
Availability modeling and optimization of

reconfigurable manufacturing systems
M u s t a p h a Nourelfath
Applied Science Department,
University of Quebec in Abitibi-Tmiscamingue, Canada
D a o u d Ait-kadi
Department of Mechanical Engineering,
Laval University, Quebec, Canada
Wassy Isaac Soro
Applied Science Department,
University of Quebec in Abitibi-Tmiscamingue, Canada
Department of Mechanical Engineering,
Laval University, Quebec, Canada
Keywords Manufacturing systems, Reconfiguration, Degradation, Availability,

Productivity, Optimization
Abstract
Reconfiguration mechanisms lead to the design of robust manufacturing
systems which have the capability to allow the service continuity, in the
presence of a failure, on the basis of a minimal degradation of performances. In
this paper, a stochastic model is proposed to assess and to analyze the
availability of reconfigurable systems whose equipments are subject to random
failures. To distinguish between the normal behaviour and the degraded one,
the production rate is used as a performance measure. An availability model
that takes into account the performance degradation is developed. Close form
solutions of the steady-state avadability and the production rate of a
reconfigurable system are calculated. Two optimization problems dealing with
reconfigurable systems are also addressed. The paper considers a series system
consisting of N stochastically independent components. Different technologies
are assumed to be available for each component. The following design
problems are studied :
103
(i) find the configuration, which allows maximizing the production rate of the
system under resource constraints, and
(ii) find the configuration that allows to reach some predetermined level of
production rate at minimal cost.
The design model of the first problem leads to a mixed linear programming,
while the design model of the second problem leads to an integer linear
programming. A numerical procedure is developed to solve both problems.
3.2. Practical implications
The contemporary business environment has raised the strategic importance of

the automated manufacturing systems performance optimization. As such
industrial systems become more distributed they provide more flexibility, the
potential for greater functionality, and, unfortunately, more pieces to break.
This paper identifies reconfiguration as a key mechanism to improve the system
availability and productivity. Reconfiguration is achieved by automatically
installing, at the occurrence of a fadure, a new supervisory control strategy to
obtain maximal functionality using remaining system resources, resulting in a
system that still functions, albeit with lower overall utility. In order to solve
practical problems in which a variety of reconfigurations or technologies are
avadable in the market and the system design involves numerous discrete
choices based on performance, cost, weight, etc., a strategy is developed to
identify the optimal combination of technologies for series industrial systems.
3.3. Introduction
In this paper, a reconfigurable system is defined as a system which may allow

the service continuity under failure, on the basis of a reduced level of
functionality. In such a system, when one component fails the rest of the system
104
keeps working with some acceptable performance degradation. This continuity

of the service may be accomplished elegantly, rather than just by throwing
money at the problem with brute-force redundancy. Redundant units involve
higher deployment costs, provide functionality that is only useful in the case of
failure, and cannot help if the failure is systematic. While it may be that brute-
force redundancy is the only way to satisfy stringent availability requirements
for essential functions, not every function is essential. In fact, much of the
increasing level of computing power, automation and flexibility in
manufacturing systems provides extra functionality rather than basic essential
functions. It may be acceptable for optimization functions to be shed by a
system as components fail, so long as this is done in a safe and controlled
manner. Thus, there is a room in many manufacturing systems to implement
reconfiguration and graceful degradation of functionality, in order to enhance
the dependability for non-essential (but highly desirable) functions. A
gracefully degrading system can be viewed as a system in which faults are
masked and only manifest themselves in a reduced level of system
functionality.
In the domain of real-time control of manufacturing systems, automatic

reconfiguration mechanisms are being increasingly used for the design of
robust reconfigurable systems. This can be achieved by automatically installing,
at the occurrence of a failure, a new control strategy to obtain maximal
functionality using remaining system resources, resulting in a system that still
functions, albeit with lower overall utility. Reconfiguration has been identified
as a key mechanism for an automatic graceful degradation facility in several
works (e.g. (Nourelfath, 1997), (Dhouib et al, 1993), (Nace and Koopman, 2000)
and references therein). In (Nourelfath, 1997), the key insight of such
reconfiguration is to, in response to a failure, re-synthesize the supervisory
control in such a way as to allow automated manufacturing system operational
safety. In (Nace and Koopman, 2000), the authors describe an architecture-
based approach to gracefully degrading systems based upon product family
105
architectures combined with automatic reconfiguration. In (Dhouib et al, 1993),

the authors propose the concept of intercellular transfers at failure to allow the
reconfiguration, and to improve overall performance of cellular manufacturing
systems.
In reconfigurable manufacturing systems, a task can be performed at different

levels. In this case, the system failure can lead to decreased capability to
perform a given task, but not to complete failure. Much work was devoted to
the binary-state avadability study, where only the complete failures are
considered. This paper deals with the problem of analyzing the avadability of
reconfigurable manufacturing systems, which can have different task
performance levels. Production rate is also chosen as a performance measure
because it distinguishes between the normal behaviour and the degraded one.
In order to solve practical problems in which a variety of reconfigurations (or

technologies) are avadable on the market and the system design involves
numerous discrete choices (among available reconfigurable components) based
on performance, cost, weight, etc., a strategy is required to identify the optimal
combination of technologies. We consider a series system consisting of many
independent components. For each component, we may use one of the varieties
of available technologies on the market. The design problem we address seeks
to find the optimal configuration that maximizes the system global production
rate under some resources constraints, or to determine the optimal
configuration that respects some predetermined level of production rate at a
minimal cost. In the literature, great emphasis has been placed on the
redundancy allocation problems. The fault-tolerance optimization problem
considered in this work is different from the classical redundancy optimization
problem, where the design problem is to find the optimal number of identical
technologies to use for each component (Lawler, 1966) (Misra, 1991) (Ait-Kadi,
1991) (Ait-Kadi, 1993). Our design problem here is rather to select one
106
technology, of the varieties of avadable technologies on the market, for each

component to reach the optimal configuration.
The reminder of the paper is organized as follows. Section 3.4 illustrates,

through an example, the notions of reconfiguration and performance
degradation. Section 3.5 introduces our avadability model. In section 3.6, close
form solutions of the production rate and the steady-state avadabdity during
the degraded mode and the nominal one are calculated. In section 3.7, we study
the optimal design of production systems using reconfigurable components.
Conclusions are drawn in section 3.8.
3.4. Reconfigurable systems and performance

degradation : an illustrative example
We consider the manufacturing system in figure 3.1. It consists of 5 sensors (G,

Ci, Ci, Cj, and Cs), 4 actuators for blocking or stops (Ae, A , A I and A3), 4
reading/writing devices (Pe, Pi, Pi and P3), 3 machines (M\, Mi et M3) and a
conveyor for shifting the pallets into the manufacturing system. The control
system consists of a programmable logic controller (PLC). Two types of pallets
(type 1 and type 2) are introduced randomly into the manufacturing system.
Information (e.g., routing data) can be read or written in several places of the
system (via reading/writing devices). At the entrance level, the pallet direction
to workstation 1 or 2 is ensured by a three-position stop (Ae), according to the
routing data written on the pallet electronic label.
107
Workstation 2
M,
Type 2 A3
p3 rao
zao
Position 2 O
Input Output
Position 1
C, C2
Pi rao P2rao
Typel A, A2i
M, M2
Workstation 1
Figure 3.1 : An automated manufacturing system example
3.4.1. N o r m a l f u n c t i o n i n g
After entering the system, a pallet of type 1 is conveyed to workstation 1, where

it is first treated by machine Mi (operation 1), and then by machine Mi
(operation 2). Pallets of type 2 travel to workstation 2 to be treated by M3.
Besides imposing the behaviour described above, the control system has to
ensure the avoidance of any pallets collision in the following manner :
if a type 1 pallet leaves workstation 1, the stop A3 must remain closed

until the sensor Cs detects the departure of the pallet;
if a type 2 pallet leaves workstation 2, the stop Ai must remain closed

until the sensor G detects the departure of the pallet.
108
3.4.2. Degraded functioning
3.4.2.1. Case 1: Failure of sensor Cz or C3
The risk to be avoided is related to pallets collision. The following fault-

tolerance procedures are then proposed :
- if the sensor C3 fads and a type 1 pallet leaves workstation 1, the stop Ae
must remain closed until the sensor G detects the departure of the pallet;
and
- if the sensor Ci fads and a type 2 pallet leaves workstation 2, the stop A\
must remain closed until the sensor G detects the departure of the pallet.
3.4.2.2. Case 2: Failure of machine Mi
Assuming that machine Mi can perform both operations 1 and 2, the control has
to be automatically switched to a strategy, where machine Mi ensures both
operations 1 and 2.
In this example, the non-essential equipments are the sensors Ci and C3 and the
machine Mi. Without the reconfiguration mechanisms and suitable supervisory
control, all the equipments should be considered essential, because the
architecture of the system is such that equipments are in series.
For automated manufacturing systems, designed supervisory controllers are

usually coded in programmable logic (PLC) or computer-based control system.
Applications of reconfiguration and supervisory control to experimental
automated manufacturing systems are presented in (Nourelfath, 1997). Thus,
the machine Mi and the sensors Ci and C3 are made non-essential because of the
109
automatic reconfiguration mechanisms ensured for example by the PLC-based

supervisory control of the manufacturing system.
Figure 3.2 represents the degradation and the recovery of the system
performances at the occurrence of such failures (Nourelfath, 1997).
Performances
i 1
Degradation Reparation
1 1
Nominal
Dgrada tion
Degraded
1
i
i Time
0 h i
Nominal state Degraded state Nominal state
f i : Failure and start of degradation mode

ti: Reparation and nominal performances
Figure 3.2 : Nominal/degraded functioning alternance
3.5. Performance evaluation of reconfigurable systems
3.5.1. Assumptions
A reconfigurable system is considered as a set of equipments partitioned into a

subset of essential equipments and a subset of non-essential equipments. An
essential equipment is one whose the failure causes the entire system shut
down. In contrast, at the failure of a non-essential equipment, the service is
allowed to continue.
no
To analyze the avadabdity of reconfigurable systems, the following 11

assumptions are considered :
1. The system consists of n independent equipments such that (n-1)

equipments are essential and one equipment is non-essential. The essential
equipments will have the indices 1, 2, ..., n-\, and the non-essential
equipment is referred to as equipment n.
2. Each equipment i is either up (good), or failed with a constant fadure rate Ai, i
= 1,2,..., n.
3. The failure of any essential equipment induces the cease of production, i.e.
the shut down of the entire system.
4. The failure of the non-essential equipment implies the degradation of

production, i.e. the continuity of the service with a reduced level of
functionality.
5. An equipment can fail only when the system is in one of its operating states.
6. Only one repair crew is assigned to repair the fading equipments. If the
system is in a state where both the non-essential equipment and an essential
equipment are failed, the essential equipment will be repaired first.
7. Any repaired equipment i is as good as new, and its repair rate pt is constant,
1 = 1,2,...,.
8. Failure times are independent and identically distributed.
9. Repair times are independent and identically distributed (Sherwin, 1984).

Ill
10. The system is completely observable, i.e. there is perfect information to

determine instantaneously the fadure of any essential or non-essential
equipment.
11. The system is considered as a perfect fault-coverage wherein all fadures can
be repaired and are therefore covered. The perfect fault-coverage model does
not have any absorbing state and thus leads to the steady state availability
analysis (Moustafa, 1996).
3.5.2. Availability model
The system can be modeled by a continuous-time Markov process. We denote

by (On, Normal) the state of the system when it is operating normally. The state
(On, Degraded) refers to the degraded operating state, i.e., the state reached at
the fadure of the non-essential equipment n.
Let (i, Normal) be the state of the system when a fadure of essential equipment i
(i = 1, 2, ..., n-1) occurs while the system is operating normally. We denote by (i,
Degraded) the state of the system when a failure of essential equipment i (i = 1, 2,
..., n-1) occurs whde the system is in degraded mode.
The steady-state probability of being in a given state is denoted by P(X, Y)

where Xe[On, 1, 2, ..., n-1} and Ye [Normal, Degraded). The state transition
diagram of the system is given in figure 3.3, where Nor and Deg refer to Normal
and Degraded (respectively).
In this figure, the only operating states are (On, Nor) and (On, Deg). Transitions
from a degraded mode to fadure are then modeled by linking the degraded
operating state (On, Deg) to the failure states (1, Deg), (2, Deg), ..., and (n-1,
Deg). Note that because it is assumed that an equipment can fail only when the
112
system is in one of its operating states (assumption (5) above), there is no

transitions linking the different failure states.
Figure 3.3 : State transition diagram of a reconfigurable system
We define three main measures representing the availability during the

degraded mode.
113
- The instantaneous avadability during the degraded mode, called

instantaneous D-avadability and denoted by AD(t), is the probability that
the system is in the state (On, Degraded) at any specified time t.
- The interval avadability during the degraded mode (interval D-

avadability) IAD(T) is the expected fractional amount of an interval of
specified length T during which the system is in the state (On, Degraded).
- The steady-state avadability during the degraded mode (steady-state D-

avadability) SAD is the expected fractional amount of the time over an
infinity span, during which the system is in the state (On, Degraded).
According to these definitions, the interval D-availability and the steady state
D-avadability may be obtained from the following expressions :
IAD(T) = f o AD(t)dt (3.1)
SAD= lim MD(T) (3.2)
To distinguish between normal and degraded behaviors, let us denote by p the

production rate when the system operates in the normal mode, i.e. in the state
(On, Normal), and by pd the production rate when it operates in the degraded
mode, i.e. in the state (On, Degraded). The expected system production rate (pg) is
given by :
p g = pn P(On, Normal) + pj P(On, Degraded) (3.3)
The state transition diagram of figure 3.3 has 2n states. In spite of this state
explosion, we will exploit the symmetric structure of the graph and the iterative
114
aspect of equations to provide close form solutions of the global production rate
and the avadabilities during the normal and the degraded modes.
3.6. Availability and production rate assessments
The steady-state Chapman-Kolmogorov equations (Gross, 1985) are :
For state (On, Normal) :
n \ n-1
X 4 P(On, Normal) + # P(i, Normal) + p n P(On, Degraded) = 0 (3.4)
v =l ) =l
For states (i, Normal) with i = l , 2 , . . . , n-1 :
-p, P(i, Normal) + A, P(On, Normal) = 0 (3.5)

For state (On, Degraded) :
f n-1 \ n-1
X 4 + P P(On, Degraded) + Y , P r p 0> Degraded) + A P(On, Normal) = 0 (3.6)
V =i J =i
For states (i, Degraded) with i = 1, 2,..., n-1 :
-ft, P(i, Degraded) + A, P(On, Degraded) = 0 (3.7)
We have also :
n-1 n-1
X P(i, Normal) + P(On, Normal) + P(On, Degraded) + P(U Degraded) = 1 (3.8)

115
From the above equations, we have
( -i \ n-1
A
P(On, Normal) + P(On, Degraded) (3.9)
i+Z-
and
P(On, Degraded) = P(On, Normal) -*- (3.10)

Pn
The steady-state availabdity in the normal mode is then given by
P(On, Normal) = (3.11)

( n-1 j >
f 1 + 42L \
l .-i P t j I Mn)
The obtained expression of the steady state avadability during the degraded
mode is given by :
P'(On, Degraded) = -=- ( n-1 1 ^1

(3.12)
Pn
i+X- 1+i
The avadabdity of the system is obtained by adding P(On, Normal) and P(On,
Degraded):
1
A= n-1 1
(3.13)
+yA.
6/%
Equation (3.13) corresponds to the availability of a series system consisting of n-

1 stochastically independent equipments (Rau, 1970). This is coherent with our
116
definition of a reconfigurable system, where the fadure of the non-essential

equipment may not affect the system avadability.
As expected, the fault-tolerance techniques based on reconfiguration and

graceful degradation generate an avadability gain. In fact, without such
techniques (i.e. when all the equipments are essential), the system can be
considered as a series system of n equipments and its avadability is expressed
by:
1+p
We define the avadabdity gain by GA = -, which is expressed by :
fi.=l+ ? - , -N P'15)
Pn
n ^ '=1 Mi
From equation (3.15), it is easy to see that the contribution of reconfiguration

will be more significant when :
- the fadure rate of the non-essential equipment is larger than its repair rate,
- failure rates of essential equipments are small in comparison with the failure
rate of the non-essential equipment, and
- repair rates of essential equipments are high in comparison with the repair
rate of the non-essential equipment.
117
Furthermore, equation (3.10) means that if the average repair time (1/pn) of the
non-essential equipment is less than its average life time (1/A ), then the
degraded steady-state avadabdity is less than the normal steady-state
avadability.
It is more pertinent to use the production rate as a performance measure for

reconfigurable systems, since it allows the distinction between the normal mode
and the degraded one. The overall production rate (defined by equation (3.3)) is
given by :
1 K 1
Pn' ( n-1 1 > ( 2 >
-+/v-
M
( n-1 1 ^
(3.16)
i+Y- 1+4L
V =i Mi ) 1 Mn) I Mn)
l AJ
We define the ratio Gp = (p g y(p n -A ') to characterize the production rate
improvement when using reconfiguration mechanisms :
+p
K
P
"' ( n~\ 1 > d ~- ( n-1 1 >
1+p Mn
1+P I+4L
l M P, Pn
I J (3.17)
1+p
Equation (17) can be written as follows :
( " 1 > r
l
1+p Pn M
G, Z' n-1 1 ^
(3.18)
1+A.
v =i M ; 1 Mn)
118
P
\ \ ^ (3-19)
1+ i
From equation (3.19), we can remark that the contribution of the

reconfiguration in term of production rate is more significant when the
degradation of the functionality level (at the failure of essential equipment) is
small.
3.7. Optimal design for reconfigurable systems
3.7.1. Optimal design models
The reconfiguration helps to increase the system performances. The

optimization problems of productivity and costs are very important in both
design and exploitation contexts. The graceful degradation encountered in
reconfigurable systems is seen as a very nice middle ground between the
expensive fault-tolerance of redundancy and the low cost of non-robust
systems. In this section, we consider a series system of n components. Different
technologies are assumed to be available for each component. Each technology
can be considered as a reconfigurable system, whose the production rate is
obtained by using the evaluation method developed in section 3.5. A cost Cj is
incurred if the technology i is selected for the component;.
Notations :
n: the number of components

Mj : the number of technologies available for the component;
119
C/ : the cost of a component; using the technology i (Cj is assumed to
be known)
P' : the production rate of the component ; when the technology i is
used (see relation (3.3))

B: the avadable budget
W: the avadable space
W/ : the space occupied by a component; using the technology i
P* : the requested production rate

TC : the total cost
We also define the binary variable xj (with i = 1, 2, ..., Mj and ; = 1, 2, ..., n):
1 if the component/ uses the technology i
0 otherwise
The two following design problems are considered :
Problem I :
( MJ VI
Maximize \ Z = m [ n * / P> \ (3.20)
Ml.n] V ' = i J
subject to
n Mj
YJ^xjCj <B (3.21)

1=1 i = i
n Mj
J^xjWf < W (3.22)

, = i i=i
120
f > / = 1 , V ; = l,2,...,n (3.23)

;=1
The objective (3.20) is to maximize the production rate Z which corresponds (in
a series system) to the rninirnal value of production rates. The constraint (3.21)
means that the total cost (incurred for the selected configuration) has not to
exceed the avadable budget B, while constraint (3.22) expresses the same thing
with respect to the available space W . The constraint (3.23) means that Mj
technologies are available, and only one technology will be adopted for each
component;. The model of problem I can be put in the equivalent form:
Maximize Z = t
subject to
/ < ^ > / / > \ V ; = l,2,...,n
n Mj
IX*/C/ < B
7=1 ,=1
n A//
YLW * W
j=i i=i
M,
* / = 1 , V;' = l,2,...,n
Problem II:
Minimize T C = Y , z Z X ' C ' (3-24)

1=1 , = i
121
subject to
(M, \
iZxjPf > P ' (3.25)
min V=i J
J=[l.n)
x / = 1 , V ; = 1,2 n (3.26)
1=1
Here, the objective (3.24) is to rninimize the total cost. The constraint (3.25)
expresses that the production rate of the entire system must be more or equal to
some predetermined level of production rate (P*), whde constraint (3.26) is
similar to the constraint (3.23). This model can be put in the equivalent form:
n Mj
Minimize TC= /~^^xjCj
7=1 M
subject to
Mj
* / P/ > F , V ; = 1,2 n
Mj
* / = 1 , V 7 = 1,2 n
i=i
The design model of problem I leads to mixed linear programming, whde the
design model of problem II leads to integer linear programming. A numerical
procedure has been developed to solve both problems.
3.7.2. N u m e r i c a l r e s u l t s
A series system consisting of 3 components is considered. As illustrated in

figure 3.4, different technologies are assumed to be available for each
component.
122
Technology 1 Technology 1 Technology 1
Technology 3 Technology 3
Technology 4
Figure 3.4 : An example of a series system with 3 components and several

available technologies
Appendix 1 presents the input data required for this example. To solve the
technology selection problems, we proceed as follows :
Stepl :
For each technology, evaluate the steady-state availability in the normal mode
and in the degraded mode. This step uses equations (3.11) and (3.12). To
dlustrate this, let consider the example of Component 1 and Technology 2.
Here, two equipments are essential and one is non-essential. The availability in
the normal mode P(On, Normal) and availability in the degraded mode P(On,
degraded), obtained from equations (3.11) and (3.12) are 0.7440 and 0.0595,
respectively. Appendix 2 presents the obtained results for all components and
technologies.
123
Step 2 :
Evaluate the production rate by using equation (3.16). For the example of
Component 1 and Technology 2, the production rate is given by :
p g = 0.7440 p + 0.0595 pi.
Knowing that p n = 120 units per day and pa. = 70 units per day, the production
rate p g is equal to 93.445 units per day. The results obtained for all components
and technologies are presented in Appendix 3.
Step 3 :
Solve the optimal design problems modeled in subsection 3.7.1. These problems
lead to mixed linear programming integer linear programming. A numerical
procedure is developed to solve both problems. This procedure is used to find
the optimal configurations for problems I and II as presented in Appendix 4.
3.8. Conclusion
In a system with reconfiguration mechanisms, at the fadure occurrence, a new

configuration can be installed to allow the continuity of the service. The notions
of reconfiguration and performance degradation were illustrated through an
example. An availability model was developed to evaluate the contribution of
such reconfiguration mechanisms. To distinguish between the normal mode
and the degraded one, the production rate was used as a performance measure.
Markov models were used to assess and to analyze the steady-state availability
and the production rate of reconfigurable systems. Two optimization problems
dealing with reconfigurable systems were studied. We considered a series
system consisting of many stochastically independent components. Different
124
technologies were assumed to be avadable for each component. Mathematical

models were proposed for the technology selection problem. The objective was
either to maximize some productivity measure under resource constraints, or to
reach some predetermined level of productivity at minimal cost. Numerical
procedure has been developed to solve the optimal design problems under
consideration. We are currently working on the design of a simulation model in
order to verify our hypotheses and to validate the established analytic results.
3.9. Acknowledgments
The authors would like to thank the Editor Prof. M. Ben-Daya and the
anonymous reviewers for their helpful remarks and comments. Also, they
would like to thank the Natural Sciences and Engineering Research Council of
Canada (NSERC). The first author would like to thank the FCAR, and the FIR
and FUQAT at the University of Quebec in Abitibi-Temiscamingue.
125
Appendix 1 : Input data examples
Component 1
Equipment 1 Equipment 2 Equipment 3

Technology 1
(essential) (essential) (non-essential)
Failure rate lO 4 1.2 1(H 1.3 1(H
Repair rate lO"3 1.5 l O 3 0.9 l O 3

Technology 2
Failure rate to- 4 1.3 1CH 1.2 lO*
Repair rate 10-3 0.9 10-3 1.5 10-3
Equipment 1 Equipment 2 Equipment 3 Equipment 4

Technology 3
(essential) (essential) (essential) (non-essential)
Failure rate 0.8 10-4 1.410* 1.2 W^ 1.7 1(H
Repair rate 1.5 lO-3 1.7 lO-3 1.3 lO-3 1.6 lO"3

Cost ($) 3000 2700 2000
Space (m3) 10 10 14
Production rate in normal 120 120 100

mode (unit per day)
Production rate in degraded 90 70 60
mode (unit per day)
Table 3.1 : Technologies parameters values of component 1
Component 2

Technology 1
Failure rate 1.5 10-4 1.31th4 1.710-
Repair rate 1.1 lO"3 1.510-3 1.2 lO-3

126

Technology 2
Failure rate 1.5 Hh4 1.3 10-4 1.7 1&4
Repair rate 1.1 lO"3 1.5 lO-3 1.210-3

Technology 3
Failure rate 0.8510 4 10 4 1.7 Kh4 1.7 Kh4
Repair rate 1.5 lO-3 lO"3 0.9 lO-3 1.1 lO"3

Technology 4
Failure rate 0.85 Kh4 Kh4 1.710 4 1.710^
Repair rate 1.5 lO-3 Kh3 1.1 10-3 0.9 10-3
Technology 1 Technology 2 Technology 3 Technology 3

Cost ($) 2000 1800 2500 2800
Space (m3) 6 6 11 12
Production rate in normal 110 110 100 100

mode (unit per day)
Production rate in degraded 80 65 75
mode (unit per day)
Component 3

Technology 1
Failure rate 1.8 10-4 1.4 1CH 2KH
Repair rate 1.3 l O 3 1.1 lO"3 lO"3

Technology 1
Failure rate 1.8 Kh4 1.4 Kh4 2104
Repair rate 1.3 lO-3 1.1 lO"3 lO"3

127
Technology 1 Technology 2
Cost ($) 1000 800
Space (m3) 6 5
Production rate in normal 100 100
mode (unit per day)
Production rate in degraded 70
mode (unit per day)
Appendix 2 : Steady state availability evaluation
Component 1 Technology 1 Technology 2 Technology 3

Availability in the normal mode 0.7405 0.7440 0.7361
Availability in the degraded mode 0.1070 0.0595 0.0782
Component 2 Technology 1 Technology 2 Technology 3 Technology 4

Availability in the normal mode 0.7162 0.7328 0.6437 0.7272
Availability in the degraded mode 0.1015 0.0995 0.1374
Component 3 Technology 1 Technology 2

Availability in the normal mode 0.6584 0.6822
Availability in the degraded mode 0.1317
Table 3.4 : Availabilities values per component
Appendix 3: Evaluation of the production rate
Component 1 Technology 1 Technology 2 Technology 3

Production rate (unit per day) 98.49 93.445 78.302
Component 2 Technology 1 Technology 2 Technology 3 Technology 4

Production rate (unit per day) 86.902 80.608 70.8375 83.025
128
Component 1 Technology 1 Technology 2

Production rate (unit per day) 75.059 68.22
Table 3.5 : Production rates values per component
Appendix 4 : Optimal solutions
Problem I
Optimal
Space Total cost Total
Budget ($) Optimal configuration production
(m3) ($) space (m3)
rate
Technology 2 of component 1
5600 23 Technology 2 of component 2 75.059 5500 22
4900 26 Technology 2 of component 2 75.059 4800 26
Table 3.6 : Optimal configuration of problem I

129
Problem II
Production rate Production Total cost Total space

Optimal configuration
requested rate achieved ($) (m3)
75 Technology 2 of component 2 75.059 4800 26
70 Technology 2 of component 2 75.059 4800 26
Table 3.7 : Optimal configuration of problem II

130
3.10. References
Ait-kadi, D. (1991), Optimal Design of Randomly Failing Equipment, Technical

report, Mechanical Engineering Department, Universit Laval, Qubec,
Canada.
Ait-kadi, D. (1993), "Avadabdity optimization of randomly failing equipment",
Advances in Factories of the Future, CIM and Robotics (Cotsaftis M. and Vernadat
F., Editors), Elsevier Science Publishers B.V, pp. 333-342.
Dhouib, K., Ait-kadi, D. and Bouti, A. (1993), "Contribution to availability
assessment of flexible manufacturing cells", Second International Conference
and Exhibition on CIM, Singapore, Vol. 2, pp. 347-354.
Gross, D. and Harris, C. M. (1985), Fundamentals of Queuing Theory, John Willey,
New York.
Lawler, E. L. and Bell, M. D. (1966), "A method for solving discrete optimization
problems", Operations Research, Vol. 14, pp. 1098-1112.
Misra, K. B. and Sharma, U. (1991), "An efficient algorithm to solve integer
programming problems arising in system reliability design", 7EEE
Transactions on Reliability, Vol. 40, pp. 81-91.
Moustafa, M. S. (1996), "Avadabdity of K-out-of-N: G systems with M failure
modes", Microelectronics Reliability, Vol. 36 n3, pp. 385-388.
Nace, W. and Koopman, P. (2000), "A product family approach to graceful
degradation", Proceedings of DIPES 2000, International IFIP WG Workshop on
Distributed and Parallel Embaded Systems, Paderborn University, Germany.
Nourelfath, M. (1997), Extension de la Thorie de la Supervision la Surveillance et
la Commande des Systmes vnements Discrets : Application la Scurit
Oprationnelle des Systmes de Production, Thse de Doctorat, Institut
Nationale des Sciences Appliques, Lyon, France.
Rau, J. G. (1970), Optimization and Probability in Systems Engineering, Van
Nostrand Reinhold Company, New York, NY.
131
Sherwin, D. G. (1984), "Avadabdity and productiveness of systems of redundant

stages of like items in terms of item avadabdity", International Journal of
Production Research, Vol. 22 nl, pp. 109-120.
132
Chapitre 4 :
Performance Evaluation of Multi-State Degraded

Systems with Minimal Repairs and Imperfect
Preventive Maintenance
Le troisime article s'intitule Performance Evaluation Of Multi-State

Degraded Systems With Minimal Repairs And Imperfect Preventive
Maintenance , Isaac Wassy Soro, Mustapha Nourelfath, Daoud At-Kadi. Il a
t publi dans le Journal of Reliability Engineering and System Safety (RESS)
en fvrier 2010, Volume 95 issue 2, 2010, Pages 65-69.
4.1. Rsum
Dans cet article, un modle d'valuation d'indices de fiabdit et du taux de

production d'un systme multi-tats dgradable, sujet la rparation minimale
et la maintenance prventive imparfaite, est propos. L'tat du systme se
dgrade avec l'usage. Ces dgradations peuvent conduire la diminution de
l'efficacit du systme. Le systme peut se dgrader en diffrents tats discrets;
de l'tat de fonctionnement nominal la dfaillance complte. Ces tats sont
caractriss par leur taux de performance respectif. L'tat de dfaillance
complte est observ lorsque le niveau de dgradation atteint un certain seud
critique de sorte que l'efficacit du systme diminue en de d'un niveau
acceptable. Par ailleurs, le systme peut dfaillir alatoirement n'importe quel
tat oprationnel ou acceptable et faire l'objet d'une rparation. Cette action de
rparation ramne le systme son prcdent tat oprationnel sans affecter
son taux de dfaillance (rparation minimale). La politique de maintenance
prventive utilise a pour objectif de ramener le systme un de ses tats
oprationnel rendement plus lev lorsqu'il atteint le dernier tat dgrad
acceptable. En considrant une demande client constante, le systme est
133
modlis par l'approche markovienne dans le but d'valuer ses mesures de

performance instantanes et stationnaires. Une application numrique est
dveloppe pour illustrer le modle propos.
134
PERFORMANCE EVALUATION OF MULTI-

STATE DEGRADED SYSTEMS WITH MINIMAL
REPAIRS AND IMPERFECT PREVENTIVE
MAINTENANCE
ISAAC W. SORO, MUSTAPHA NOURELFAT*, DAOUD AT-KADI
Interuniversity Research Center on Enterprise Netxoorks, Logistics and Transportation

(C1RRELT), Department of Mechanical Engineering, Universit Laval, Pavillon
Adrien-Pouliot, Sainte-Foy, Qubec, Canada, G1K 7P4
ABSTRACT
In this paper, we develop a model for evaluating the availability, the
production rate and the reliability function of multi-state degraded systems
subjected to minimal repairs and imperfect preventive maintenance. The status
of the system is considered to degrade with use. These degradations may lead
to the decrease of the system efficiency. It is assumed that the system can
consecutively degrade into several discrete states, which are characterized by
different performance rates, ranging from perfect functioning to complete
failure. The latter is observed when the degradation level reaches a certain
critical threshold such as the system efficiency may decrease to an unacceptable
limit. In addition, the system can fail randomly from any operational or
acceptable state and can be repaired. This repair action brings the system to its
previous operational state without affecting its failure rate (i.e. rninimal repair).
The used preventive maintenance policy suggests that if the system reaches the
last acceptable degraded state, it is brought back to one of the states with higher
efficiency. Considering customer demand as constant, the system is modeled as
a continuous-time Markov process to assess its instantaneous and stationary
"Corresponding author.
Email adresses : WassyIsaac.Soro@centor.ulaval.ca (I.W. Soro),
mustapha.nourelfath@gmc.uIaval.ca (M. Nourelfath), daouda@gmc.ulaval.ca (D. Ait-Kadi).
135
performance measures. A numerical example is given to illustrate the proposed

model.
Keywords : Multi-state systems, Degradation, Preventive maintenance, Minimal

repair, Performance measures
4.2. Introduction
In binary reliability modeling, the system is assumed to be either in a working

state or in a faded one. However, in many real-life situations, this binary-state
assumption may not be adequate. In multi-state reliabdity modeling, the system
may rather have more than two levels of performance varying from perfect
functioning to complete fadure. A multi-state system (MSS) may perform at
different intermediate states between working perfectly and total failure. The
presence of degradation is a common situation in which a system should be
considered to be a MSS. Degradation can be caused by system deterioration or
by variable ambient conditions. Fatigue, fadures of non-essential components,
and number of random shocks on the system are all examples of system
degradation causes. In this case, the fadure rate depends on the status of the
system which can degrade gradually. The reliability analysis of such degraded
systems should consider multiple operational states to take into account
multiple degradation levels.
The basic concepts of MSS reliability were first introduced in [1-4]. These works
defined the system structure function and its properties. They also introduced
the notions of minimal cut set and minimal path set in MSS context, and studied
the notions of coherence and component relevancy. A literature review on MSS
reliability can be found for example in Ref. [5]. The methods currently used for
MSS reliabdity estimation are generally based on four different approaches: (i)
the structure function approach which extends Boolean models to the multi-
136
valued case (e.g., [2-4]); (ii) the Monte-Carlo simulation technique (e.g., [6]); (Hi)
the Markov process approach (e.g., [7,8]); and (iv) the universal moment
generating function (UMGF) method (e.g., [9,10]). These approaches are often
used by practitioners, for example in the field of power systems reliabdity
analysis [5,11]. In practice, different reliabdity measures can be considered for
MSS evaluation and design [13,14]. For example, the avadabdity of a repairable
MSS is defined by the system ability to meet a customer's demand (required
performance level). In power systems, it is the ability to provide an adequate
supply of electrical energy [11].
To improve the performance of a multi-state degraded system, preventive

maintenance (PM) plays a key role. Perfect PM is aimed at making the MSS "as
good as new", whde imperfect PM may bring the MSS back to an intermediate
state between the current state and the perfect functioning state. In Ref. [14], the
authors study a deteriorating repairable MSS with an imperfect PM policy
which is based on the fadure number of the system. In Ref. [15], a model of MSS
with state-dependent cost is considered. The state space of the system is
partitioned into two subsets: the first represents all states of normal operations,
whde the second represents the single failure state. A periodic maintenance
model is developed and the optimal cycle time of maintenance actions is
determined over a specific finite horizon. More recently, in Ref. [16] the author
develops a monotone process maintenance model for a MSS. A replacement
policy which is based on the failure number of the system is studied. An
analytical approach is used to determine the optimal replacement policy.
Although PM policies have received extensive interest in the context of binary-

state systems, less attention has been paid to imperfect PM for MSS. In this
paper, we deal with the performance evaluation of a multi-state degraded
system subjected to imperfect preventive maintenance and minimal repairs.
Even if real systems may degrade continuously, we will consider that a MSS
137
degrades consecutively into a finite number of discrete states. This discrete

approximation is motivated not only by the complexity of continuous models,
but also by the normal functioning of MSS. We model the considered system as
a Markov chain and we evaluate three of its performance measures, namely the
avadability, the production rate and the reliability function.
The remainder of the paper is organised as follows. In Section 4.3, we present

the assumptions and we describe the multi-state degraded system under study.
In Section 4.4, we present our approach to evaluate the performance measures
of multi-state degraded systems subjected to imperfect preventive maintenance
and minimal repairs. In Section 4.5, we provide a numerical example to
illustrate the model. Finally, a conclusion is given in Section 4.6.
4.3. Model description
4.3.1. Assumptions
(1) The system may have many levels of degradation, corresponding to discrete
performance rates, which vary from perfect functioning to complete failure.
(2) The system might fail randomly from any operational state (i.e., from the
perfect functioning as well as from any degraded acceptable state) and it is
nrnimally repaired.
(3) All transition rates are constant and exponentially distributed.
(4) The current degradation state is observable through some system
parameter(s), and the time needed for inspection is negligible (i.e.,
inspection is instantaneous).
138
4.3.2. System description
The system is initially in its perfect functioning state (also called nominal state
or good state). As time progresses, it can either go to the first degraded state
upon degradation, or it can go to a failed state upon a random and sudden failure
called Poisson failure. Such a Poisson failure occurs abruptly unlike the
gradually worsening deterioration failures. If the system fads after a Poisson
fadure, it is minimally repaired. When a system reaches the first degraded state,
it can either go to the second degraded state upon degradation or can go to a
faded state from which a minimal repair is performed. The same process wdl
continue for all acceptable degraded states. When the system reaches an
unacceptable state, it cannot satisfy the demand (required performance level),
and this must be treated as a failure. If the inspection finds the system in its last
acceptable state, a preventive maintenance (PM) is performed to restore the
system to one of the previous higher performance states. Several kinds of PM
actions are possible, varying from minor maintenance to major maintenance. A
minor maintenance restores the system to the previous degraded state, while a
major maintenance restores it to the "as good as new" state (i.e., the initial
perfect functioning state). Figure 4.1 shows the system-state transition diagram
by using the following notations :
: State (i); i 1 , . . . , n and n = 2d+m.
State (1): Perfect functioning.

State (2/-1): Degraded; /' = 2 , . . . , d.
State (2j): Faded from an operational state; j = 1, ..., d.
State (2d+k): Failed after a degradation process; k = 1, ..., m.
Aj : Failure rate or transition rate from state (2/-1) to state (2j); j = 1,..., d.
139
Pj : Minimal repair rate or transition rate from state (2j) to state (2j-l);j = 1,...,
d.
af. Degradation rate or transition rate from state (2/-1) to state (2j+l);j = 1,...,
d.
Pf. Transition rate from state (2^-1) to state (2j-l);j = 1,..., d-1.
#..--- th
fh.
P^::Sby.
CU+mA
) M 3 ) M 5 ) - - H2d-3) H2d-1) H2d+1) H2J+2)
Pi k l*i k /'3 /,( /4<-l h /'.(
O O O -
Figure 4.1 : System state transition diagram
Note that any specific system evaluation presumes existence of just one PM
transition from state (2rf-l) to only one of the degraded states (2j-T),j = 2, ...,d.
For example, if the chosen PM action is a major maintenance, the only transition
rate used from state (2d-l) is f3i.
4.4. Evaluation of performance indices
4.4.1. Classification of the states
Each state (2j-l),j = 1, ..., d, in Figure 4.1 is characterized by a level of efficiency

or a performance rate denoted by G2/_i, ranging from the best performance rate
Gi to the last acceptable one Gii-i (Gi > G3 > ... > G^-i). Such a system is called a
multi-state system because it can have a finite number of performance rates
[12]. The performance rate of the failed states is zero (i.e., Gij = 0,7 = 1, ..., d).
140
The states (2d+k), k = 1, ..., m, have performance rates ranging from Gu+\ for
state (2d+l) to 0 for the last state (2d+m). The order of performance rates is G\ >
G3 > ... > Gid-i > Gid+\ > ... > Gid+m-\ > 0. These performance rates are
represented by the set G = {Gi, ..., G}, where G, is the performance rate in the
state (i), i = l, ..., n (with n = 2d+m). The performance rate G(t) at any time / > 0
is a random variable that takes its value from the set G. Then, for the time
interval [0, T ] , where T is the MSS operation period, the MSS performance rate
is a stochastic process. The probabdities associated with the different states at

any time t are given by the set F(t) = {Pi(f), ..., Pn(t)}, where
P/(/) = Pr(G(/) = G,),2 = l , . . . , n .
The entire set of possible states can be divided into three disjoint subsets
corresponding to acceptable states (SA), zero performance (or failed) states (So),
and non-zero performance but unacceptable states (Su) :
S A = {State (2/-1) | 7 = 1, ..., d}, (4.1)

So = {State (2j) \ j = 1 , . . . , d] u {State (2d+m)], (4.2)
Su = {State (2d+k) \ k = 1,..., m-1}. (4.3)
The system entrance into any state of So or Su (i.e., into any unacceptable or
failed state) constitutes a failure. The system state acceptabdity depends usually
on the relation between the MSS performance and the customer demand. This
demand (W(t)) is in general also a random process taking discrete values from
the set W = {Wi, ..., W}. In this paper, we consider that the demand is constant
(W(t) = W). As the MSS performance should exceed this demand W, the
acceptability function [12] is given by F(G(t), W) = G(t) - W. According to our
model notations, we have Gay+i < W < GM-\-
141
4.4.2. MSS performance indices evaluation
4.4.2.1. The availability
The instantaneous avadabdity A(t) is the probability that the system wdl be
found in a functioning state at time t. As the MSS described by Figure 4.1 has
more than just two states of working efficiency, its avadability is the probability
that it wdl be found at time t in either a perfect or a degraded state. That is, A(f)
is the probabdity that the MSS is in one of the acceptable states at time t :
A(t) = Px(G(t)>W) = Y j P 2 ] _ x (t). (4.4)

7=1
Obviously, the final state probabilities for the MSS are as foUows :
UmP 2d+m = 1 and limPt' = 0 for i = l, ..., n - 1 ,

>00 />00
because the system always enters the final absorbing state n = 2d+m when
/ > oo (i.e., it reaches the complete failure state due to degradation).
During the operation period, it is important to know the evolution of the

availability as time progresses. To evaluate A(t), we first define a binary
variable Xj such as :
1 if a PM action is performed from state (2d - 1 ) to state (2f - 1 ) ,

f = l,...,d-l,
Xj=i
0 otherwise,
rf-1
we have ^ *, = 1
142
All the states (2d+k), k = 1, ..., m, can be aggregated into a single faded state
with performance rate 0 denoted as state (2d+l). The Chapman-Kolmogorov
equations corresponding to the Markov model in figure 4.1 are :
dPM) _
-(a x +A x ).P x (t) + p x .P 2 (t) + f3x.P2d_x(t)-xx,
dt
dP 2 H (t) = -(a +A ).P _ (t) + p .P (t) + a _ .P ^(t) + f3 .P _ (t)-x

J J 2j x J 2j J x 2j J 2d x J
dt
f o r / = 2, . . . , d - 1 ,
dP 2d -i(t) = -(P -x +a +A ).P _ (t) + a _ .P _ (t) + fi .P (t) (4.5)

J J d d 2d x d x ld 3 d 2d
dt
ioxj corresponding to x, = 1,
d
M l = - jUj .P 2j (t) + AJ.P2j_x(t) fory = l , 2 , ...,d,
d P
2^Kg p (t)
with the following initial conditions :
Px(0) = \, P2(0) = P3(0) =... = P(0) = 0, (4.6)
we have also :
/ - ( / ) = l, for any t : 0<t <T. (4.7)

=i
The state probabihties P2 ,(/), j = 1, ...,d, are obtained by solving the system of
equations given by (4.5)-(4.7). Then, the instantaneous availability A(t) is

obtained from equation (4.4).
143
4.4.2.2. The production rate
This corresponds to the MSS output performance G(t). The mean value of MSS
instantaneous production rate at time t is given by the output performance
expectation r(/) = (G(i*)). This value does not depend on demand and is
given by :
r(t) = G,.P,(t). (4.8)

i=i
During the operation period, the values of r(t) is then obtained by using the
values of Pt (t) evaluated from the set of equations in (4.5), with the following
modification :
States (2d+k), k = 1, ..., m, are not aggregated because the production rate does
not depend on the demand. In order to consider all MSS non-zero performance,
the following equations are added to the set of equations in (4.5) :
^ ^ - W W , ( ' X k = 2, ..., m (4.9)
The average MSS production rate for the interval [0,r] is given by :
r T =j[r(t)dt (4.10)
Since the average MSS production rate does not depends on demand, in some
cases a conditional expected production rate is used. This measure corresponds
to the average production rate of MSS under the condition that it is in an
acceptable state.
144
4.4.2.3. The reliability function
To determine the reliabdity function of the repairable MSS under study, one has
to find the probability of the event when this MSS enters the first time a state
belonging to Sou Su (i.e., either a faded or an unacceptable state). It does not
matter which state of Sou Su is visited first. It does not matter also how the MSS
behaves after reaching the first time a state in the set Sou Su. The time to failure
(Tf) is a random variable that is defined as the time from the beginning of the
system life up to the instant when the system reaches the first time any state of
Sou Su. The reliability function R(t) is given by :
R(t) = Pr(T f >t\G(0)>w). (4.11)
To determine R(t) for the repairable MSS of figure 4.1, we build the Markov
model of figure 4.2, where all states belonging to Sou Su are grouped in one
absorbing state denoted by state 0. All repairs that transit the system from state
0 to any state of SA are removed (i.e., pj - 0 for /=T,..., d). The transition rate
from the acceptable state (2d-l) to state 0 is equal to the sum of the transition
rates cu and Ad.
145
Figure 4.2 : State transition diagram for determination of R(t)
For the Markov model in figure 4.2, the state probabdity Po(f) characterizes the
reliabdity function of the MSS because after the first entrance into the absorbing
state 0 the MSS never leaves it :
R(t) = l-P 0 (t) = ^P 2 j _ x (t). (4.12)

7=1
The final state probabilities for the MSS are P0 = 1 and P2 +1 = 0 for j = 1, ..., d,
because the system always enters the final absorbing state 0 when t > oo.
To calculate R(t) ( 0 < t < T ) , the Chapman-Kolmogorov equations are written

from the Markov model in figure 4.2. This system of equations is solved under
initial conditions Px(0) = \, P2M(0) = 0 for f = 2, ..., d.
146
4.4.2.4. Other MSS performance measures
The following performance measures [8,10] can be also evaluated to measure

the performance of the MSS studied in this paper :
1) The life time (LT) of the MSS : It is the time to reach complete failure state
(2d+m) due to degradation.
2) The mean life time (MET) of the MSS: It is the expected life time of the
system.
3) The unavadabdity of the MSS : It is given by U(t) = 1 - A(t).
4) The unavadabdity of the MSS due to Poisson failures : It is given by
y=i
5) The probability that the MSS fads completely before time t, F(t) : It is given
byF(0 = P r ( Z r < 0 = l - A ( f ) - D ( f ) - X W ' ) -
Notice that we have MLT = \ ( l - F ( t ) ) d t = j(A(t) + D(t)) dt.

o o
6) The expected time spent in each state, E,(f), during time t : It can be
obtained by Ei (i) = [/; (x)dx for 1 = 1, ..., n.

o
7) The expected operational time, EOT(t), during time t : It is given by
' d
EOT(t)=\Y J (x)dx.
0 7=1
8) The expected down time of the MSS, EDT(t), during time t : It is given by
EDT(t) = t-EOT(t).
147
9) The operational life time (OUT) of the MSS : It is the total time spent by the
system in the operational states (until its complete fadure). This time
corresponds simply to the useful life time of the MSS.
10) The mean operational life time (OUT) of the MSS : It is the expected
00
operational life time of the system, which is given by \A (t) dt.

o
11) The mean time to first fadure (MTTFF) of the MSS: It is the expected time
OO
to first fadure of the system, which is given by MTTFF = \R(t) dt.

o
12) The instantaneous production rate deviation Dev(t) : It is usually crucial to

measure the MSS performance deviation from a demand when this
demand is not met. This deviation can be evaluated for the studied MSS by
Dev(t) = max\W - G ( t ) } and is called the instantaneous production rate
deficiency at instant t. In power systems, the value of Dev(t) can be

interpreted as a capacity deficiency of a generating unit. It can be used in
practice to determine the total power of consumers that must be
immediately switched off from the system [10].
4.5. Numerical example
Consider a production system which has six levels of performance measured by

its production rate (in parts per hour). These production rates are : 1000, 750,
600 and 0. The demand to be satisfied corresponds to 500 parts per hour. Based
on the proposed approach, the Markov model of this MSS is sketched in figure
4.3. The set of states can be divided as follows : SA = {State 1, State 3, State 5}, So
= {State 2, State 4, State 6}, and Su = {State 7}.
148
M\
a,
-H
h
3
Mi Mi
a>
Figure 4.3 : Illustrative system state transition diagram
Table 4.1 presents the production rate for each state. There are two possible PM
actions: perfect PM with a transition rate p\, and imperfect PM with a transition
rate f3i. Table 4.2 presents the other parameters used in this example.
Let us consider here that our objective is to evaluate the performance measures
A(t) and i(t) for three cases :
- Case 1 : without PM,

- Case 2 : with imperfect PM such as /J2=0.02,
- Case 3 : with imperfect PM such as /3i=0.08.
State i 1 2 3 4 5 6 7
Gi (parts per hour) 1000 0 750 0 600 0 0
Table 4.1 : Performance rates for each state.

149
Ot\ CCI ca Ai Ai h M\ M2 Mi
0.03 0.05 0.07 0.005 0.008 0.01 0.01 0.02 0.04
Table 4.2 : Transition rates for the illustrative example.
Time t
Avadabdity A(t) Production rate 7(f)
(hours)
Case 1 Case 2 Case 3 Case 1 Case 2 Case 3
10 0.9387 0.9392 0.9406 874 875 880
20 0.8435 0.8474 0.8599 743 747 771
30 0.7269 0.7378 0.7730 615 625 673
40 0.6081 0.6271 0.6913 500 517 599
50 0.4993 0.5255 0.6193 402 424 534
Table 4.3 : Performance evaluation for cases 1-3.
From equation (4.4), the instantaneous avadability is given by

A(t) = Px(t) + P3 (/) + P5 (t). For each case of PM action, by solving corresponding
Chapman-Kolmogorov equations, we obtain the probabilities P,(t) (i = 1, ..., 7).
Similarly, the production rate measure r(/) is obtained from equations (4.8).
Table 4.3 presents the obtained results. From this table, we can observe that the
system avadability and production rate decrease with time. These performance
measures are both improved by PM. They are higher for perfect PM and lower
for the case where no PM is performed, while the imperfect PM case is in
between. The proposed model allows for a quantification of the impact of PM
on the production rate and the availability.
150
4.6. Conclusion
A model for performance evaluation of multi-state degraded systems is

provided. This model considers that the status of the system degrades with use
and that these degradations may affect the system efficiency. That is, as time
progresses, it can either go to the first degraded state upon degradation, or it
can go to a failed state upon a random and sudden fadure called Poisson
fadure. If the system fads after a Poisson fadure, it is rninimally repaired. When
the system reaches an unacceptable state, it cannot satisfy the demand, and this
must be treated as a failure. If the inspection finds the system in its last
acceptable state, a preventive maintenance is performed to restore the system to
one of the previous higher performance states. Several kinds of preventive
maintenance actions are possible, varying from minor maintenance to major
maintenance. A minor maintenance restores the system to the previous
degraded state, while a major maintenance restores it to the "as good as new"
state. Considering customer demand as constant, the system is modeled as a
continuous-time Markov process to evaluate the avadability, the production
rate and the reliability function. Other MSS performance measures are also
defined to measure the performance of the MSS studied in this paper. The
proposed model can be applied for many practical situations where it is
important to quantify the impact of PM on the performance of multi-state
degraded systems. These measures can be used to evaluate such systems
subjected to minimal repairs and imperfect preventive maintenance.
4.7. References
[1] Murchland J., 1975. Fundamental concepts and relations for reliability
analysis of multistate systems, reliability and fault tree analysis. Theoretical
and Applied Aspects of System Reliability, SIAM, Philadelphia, p. 581-618.
151
[2] Barlow S. E. and Wu A. S., 1978. Coherent systems with multi-state

components. Mathematics of Operations Research, vol. 3 n l l , p. 275-281.
[3] El-Neweihi E., Proschan F. and Sethuraman J., 1978. Multistate coherent
systems. Journal of Applied Probability, vol. 15 n12, p. 675-688.
[4] Ross, 1979. Multivalued state component systems. Annals of Probability, vol.
7 n 2 , p . 379-383.
[5] Lisnianski A. and Levitin G., 2003. Multi-state system reliability, Assessment,
Singapore.
[6] Zio E. and Podofdlini L., 2004. A Monte Carlo approach to the estimation
of importance measures of multi-state components. Reliability and
Maintainability Annual Symposium (RAMS), p. 129-134.
[7] Xue J. and Yang K., 1995. Dynamic reliability analysis of coherent multi-
state systems. IEEE Transactions on Reliability, vol. 44, p. 683-638.
[8] Pham H., Suprasad A. and Misra R. B., 1997. Avadabdity and mean life
time prediction of multistage degraded system with partial repairs.
Reliability Engineering and System Safety, vol. 56, p. 169-173.
[9] Ushakov 1986. Universal generating function. Sov. J. Computing System
Science, vol. 24 n5, p. 118-129.
[10] Levitin G., 2003. Universal generating function in reliability analysis and
optimization. Springer-Verlag.
[11] Billinton R. and Allan R., 1990. Reliability Eimluation of Power Systems,
Pitman.
[12] Lisnianski A. and Levitin G., 2003. Multi-state system reliability, Assessment,
Singapore.
[13] Aven T., 1993. On performance measures for multistate monotone
systems. Reliability Engineering and System Safety, vol. 41, p. 259-266.
[14] Liu, Y.W. and Kapur K.C., 2006. Reliability measures for dynamic
multistate non- repairable systems and their applications to system
performance evaluation. HE Transactions, vol. 38 n6, p. 511-520.
152
[15] Y. L. Zhang, R. C. M. Yam, and M. J. Zuo, 2002. Optimal replacement

policy for a multistate repairable system, Journal of the Operational research
Society, vol. 53, pp. 336-341.
[16] C.-T. SU and C.-C. Chang, 2000. Minimization of the life cycle cost for a
multistate system under periodic maintenance, International Journal of
Systems Science, vol. 31, n2, p. 217-227.
[17] Lam Y., 2005. A monotone process maintenance model for multistate
system. / Appl Probab, vol. 42, p.1-14.
153
Chapitre 5 :
Conclusion, contributions et perspectives

154
Conclusion gnrale
Dans cette thse, les problmatiques de modlisation, d'valuation et

d'optimisation des performances de systmes multi-tats (SME) dont les
caractristiques opratoires sont soumises des dgradations e t / o u des
dfadlances alatoires ont t abordes et traites. Les travaux effectus se
situent dans le domaine de la sret de fonctionnement. L'objectif gnral de
ces travaux de recherche a t, au pralable, de caractriser ces SME. Ainsi,
selon la spcificit du cas tudi, des stratgies d'accroissement et
d'optimisation de leurs performances ont t labores. Cette caractrisation a
t entreprise en assumant que les systmes tudis intgrent des mcanismes
de reconfiguration (matrielle e t / ou logicielle). Cette caractristique
technologique leur permet de continuer dlivrer le service pour lequel ils ont
t conus, en dpit de la dfaillance ou de la dgradation d'un ou de plusieurs
de leurs composants non-essentiels. Trois variantes de SME ont t modlises
et tudies dans cette thse : u n SME unitaire trois tats, un SME multi-
composants (essentiels et non-essentiels fonctionnement binaire) et un SME
dgradations multiples assujetti une demande client. L'tude a, par adleurs,
port sur des mthodologies d'valuation, d'amlioration et d'optimisation des
mesures de performance (disponibilit, taux de production, etc.) de ces
systmes. L'approche gnrale de modlisation des SME tudis s'est effectue
en s'appuyant sur le modle binaire. Des extensions ont t labores partir de
cette configuration pour gnrer les diffrents SME tudis. Ainsi, pour
modliser le SME trois tats, nous avons assum, partir de la configuration
binaire, que le systme a la capacit intrinsque de gnrer un tat dgrad par
la reconfiguration. Une tude comparative a t effectue partir de ces deux
modles pour valuer l'impact en termes de gain en performance. L'tude a
dmontr que les gains pouvaient tre significatifs pour la configuration du
SME selon le choix des paramtres systme (taux de transitions d'tat). La
mthode de Markov et la fonctio gnratrice universelle ont t les mthodes
155
d'valuation des mesures de performance des SME tudis. Des stratgies

mises en place pour l'accroissement de ces performances s'est articul autour de
la reconfiguration, des politiques de maintenance et d'inspection. Les modles
d'optimisation des mesures de performance et des ressources dvelopps dans
cette thse avaient pour objectif de servir outils d'aide la dcision pour une
conception et une exploitation optimales des systmes de production. Les
simulations des modles mathmatiques ont permis d'observer dans le cadre
d'applications numriques que les rsultats obtenus sont sensibles aux choix
des paramtres d'entres.
Dans le deuxime chapitre (article 1), une stratgie optimale d'inspection a t

propose. Le SME considr est soumis des dfaillances alatoires. Ce systme
peut fonctionner en mode nominal ou dgrad. Ces tats ne sont connus
qu'aprs inspection. Les actions d'inspection sont effectues intervalles de
temps prdtermins. La dfaillance complte du systme est dtecte
instantanment. Les actions de maintenance ramenant le systme en son tat
nominal peuvent tre imparfaites. L'objectif a t de dterminer la stratgie
d'inspection qui maximise le taux de production global du systme. Les taux de
rparation et de dfaillance sont considrs constants. Les rsultats obtenus
pour des situations particulires sont parfaitement cohrents. Le taux de
production globale augmente avec la frquence des inspections. En outre, le
cot total moyen encouru augmente avec la probabilit que le systme reste
dans u n tat indsirable (dgrad ou dfaillant) du fait des pnalits et des
pertes gnres. Le modle d'optimisation tudi a t de minimiser ce cot en
maximisant le taux de production global. Dans ce cas, l'approche globale
consiste mettre en uvre des stratgies qui favorisent, autant que possible, le
fonctionnement nominal.
Dans le troisime chapitre (article 2), nous avons modlis u n SME multiples
composants. Chaque composant de ce SME fonctionne selon une configuration
156
binaire et est catgoris par son importance (essentiel et non-essentiel) dans le

systme. Nous avons assum que la dfadlance d'un composant essentiel
entrane la dfaillance systmatique du SME. La dfaillance d'un ou de
plusieurs composants non-essentiels active les mcanismes de reconfiguration,
qui permettent au systme, selon une nouvelle disposition, de continuer
dlivrer son service avec des performances rduites (dgradation). Les notions
de reconfiguration et de la dgradation de performance ont t illustres par un
exemple. Un modle de disponibilit a t dvelopp pour valuer la
contribution des mcanismes de reconfiguration. Pour faire la distinction entre
le fonctionnement nominal et dgrad, le taux de production a t utilis
comme une mesure de performance. La mthode de Markov a t utilise pour
valuer et analyser la disponibilit stationnaire et le taux de production global
du SME gnrique. Deux problmes d'optimisation portant sur ces SME
reconfigurables ont t tudis. Nous avons considr une ligne de production
monte selon une configuration srie compose de sous-systmes multi-tats
(SSME) stochastiquement indpendants. Diffrentes technologies de SSME sont
disponibles sur le march. Des modles mathmatiques ont t proposes pour
des problmes de slection de technologies. L'objectif tant, d'une part, de
maximiser les mesures de performance sous des contraintes de ressources, et
d'autre part, d'atteindre un certain niveau prdtermin de performance cot
minimal. Des applications numriques ont t dveloppes pour rsoudre ces
problmes de conception optimale et valider les dveloppements analytiques.
Les rsultats obtenus (configurations optimales) sont trs sensibles la valeur
des ressources et des mesures de performance initiales.
Dans le quatrime chapitre (article 3), nous avons dvelopp un modle

d'valuation des mesures de performances d'un SME dont les caractristiques
opratoires se dgradent avec l'usage. Ces dgradations peuvent affecter son
efficacit. Selon le temps et suivant un processus de Poisson, le SME peut soit se
dgrader un peu plus, soit dfaillir et faire l'objet d'une rparation minimale. Le
systme est considr indisponible lorsqu'il atteint un tat dgrad
157
inacceptable, dfini par son incapacit satisfaire une demande donn. Si

l'inspection rvle que le systme se trouve dans son dernier tat acceptable,
une maintenance prventive est, alors, entreprise pour le restaurer vers un de
ses tats oprationnels prcdents avec une medleure performance. Plusieurs
types d'actions de maintenance prventive sont possibles (mineure ou majeure).
Une maintenance prventive mineure restaure le systme vers un meilleur tat
dgrad, tandis qu'une maintenance prventive majeure restitue le systme
son tat neuf. En considrant que la demande client est constante, nous avons
modlis le systme selon le processus de Markov. L'valuation des mesures de
performances; disponibilit, taux de production et fiabilit, du systme s'est
effectue par une approche conjointe base sur la fonction gnratrice
universelle, l'tablissement et la rsolution des quations de Chapman-
Kolmogorov. Dans l'application numrique propose, nous avons confirm que
l'action de maintenance prventive ramenant le SME vers un tat moins
dgrad ou neuf accrot considrablement ses performances du point de vue de
la fiabilit. Pour cet exemple, les rsultats obtenus varient selon le choix des
paramtres caractristiques du SME. D'autres mesures de performance
permettant de mesurer le rendement du SME ont t galement dfinies dans ce
chapitre. Ces mesures peuvent tre utilises pour valuer des systmes soumis
des rparations mineures et la maintenance prventive imparfaite. Le modle
propos peut tre appliqu dans de nombreuses situations concrtes o il est
important de quantifier l'impact de la maintenance prventive sur les
performances globales des SME dgradables.
Plusieurs extensions sont envisageables ces travaux. L'une de celles-ci est la

complexification des modles tudis vers des modles plus gnriques. Cette
dmarche offre des possibilits de modlisation de SME ralistes, d'valuation
d'impact des nouvelles structures rsultantes en termes de performances, de
stratgies d'amlioration de celles-ci et de leur optimisation. Ces extensions
s'articuleront essentiellement autour du deuxime et du troisime article.
158
Dans le deuxime article, nous avons tudi u n SME comportant n-1

composants essentiels et 1 composant non-essentiel. Une tude pourrait tre
mene sur le mme modle comportant n composants essentiels et n non-
essentiels afin d'estimer l'apport de cette nouvelle configuration multi-tats en
terme de performances. Ainsi, pour cette structure complexe dont les tats
peuvent crotre exponentiellement, divers approches d'valuation de
performances teUes que la simulation Monte-Carlo, la fonction de structure, etc.
peuvent tre explores. Ceci permettra de jauger leur robustesse rendre des
rsultats dans des temps relativement courts. Pour l'accroissement des
performances de cette nouvelle configuration, nous pouvons rflchir sur la
pertinence d'intgrer le concept des mesures d'importance dans l'tude de ce
SME. Ces mthodes permettent de mesurer l'effet de la fiabilit de chaque
composant sur la fiabilit globale d'un systme. Pour cela, d est important de
dterminer le niveau d'utilit (base sur l'approche de Pareto) de chaque
composant afin de cerner leur degr d'impact et celui de leurs tats sur les
performances globales du systme. Ainsi, des efforts d'amlioration seront
orients sur les composants ou sous-systmes les plus utiles (importants) pour
u n gain significatif sur les performances globales du SME. En ce qui concerne
l'optimisation de ces SME, une chane de production monte selon une
configuration srie-parallle compos de n sous-systmes (/' = 1, 2, ..., n) en srie
peut tre analyse. Ainsi, chaque sous-systme j peut contenir Mj composants
monts en parallle (i = 1, 2, ..., Mj). Nous assumons qu'il existe plusieurs
versions disponibles sur le march pour chaque composant et que leur structure
s'identifie au SME caractris auparavant (n lments essentiels et n non-
essentiels). Chaque composant est dfini par sa version (sa spcificit), son cot
d'acquisition, sa performance ( valuer), son encombrement et le cot moyen
pour sa maintenance. L'objectif dans ce cas d'optimisation sera d'une part de
maximiser les performances de la ligne de production sous des contraintes de
ressources et d'autre part, de minimiser les cots encourus sous des contraintes
de performances. Ce type de problme est un problme d'optimisation
combinatoire, complexe NP difficile qui peut tre rsolu par des
159
mtaheuristiques de type algorithme gntique, colonie de fourmis, recherche tabou,

etc. Enfin, un modle de simulation informatique peut tre dvelopper pour
l'valuation des SME.
Les extensions au modle dvelopp dans le troisime article sont multiples et

peuvent s'articuler autour d'une dmarche non-exhaustive qui peut se rsumer
:
tudier le modle SME dgradable selon un profd de demande

variable,
mettre en uvre une stratgie de maintenance opportuniste qui
permettra partir des tats de panne 2/ d'entreprendre de la
maintenance (parfaite ou imparfaite) autre que minimale,
valuer et dterminer par une stratgie de maintenance
conditionnelle (prdictive) l'tat oprationnel 2/-1 qui mirtirnise les cots
de maintenance. Ainsi, l'tat limite 2 d - l sera dynamique et dpendra des
performances espres,
tudier des structures complexes (srie et parallle) sujettes une

demande variable et dont les composants fonctionnent selon la
configuration du SME tudi,
concevoir u n modle d'optimisation de performances et de ressources
d'une ligne de production srie-parallle dont les composants intgrent
u n fonctionnement identique au SME dgradable tudi.
tudier un modle de planification globale de la production du SME
tudi sujette une demande variable en y intgrant une gestion et une
affectation efficaces des surplus de stocks de production inter-tats, des
cots d'arrt de production, des cots de maintenance, des cots de
dprciation de l'actif selon les tats de dgradation, etc.,
dvelopper un modle de simulation informatique pour l'valuation

de performance globale des SME.

Modelisation Et Optimisation Des Performances Et de La Maintenance Des Systemes Multi-États

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Modelisation Et Optimisation Des Performances Et de La Maintenance Des Systemes Multi-États

Загружено:

Авторское право:

Доступные форматы

WASSY ISAAC SORO

MODELISATION ET OPTIMISATION DES

DEPARTEMENT DE GENIE MECANIQUE

(a) caractriser les SME,

La caractrisation des SME a permis de mettre en exergue les particularits

In the literature, techniques to increase the performance of binary systems are

Cette thse de doctorat intitule Modlisation et Optimisation des Performances et

Le premier article s'intitule Production rate maximization of a multi-state

Le deuxime article s'intitule Availability Modeling and Optimization of

Le troisime article s'intitule Performance Evaluation Of Multi-State

la mmoire de Tante Mamouna

Je ne saurais dbuter mon propos sans adresser mes plus sincres

J'exprime une reconnaissance particulire au Professeur Detlef Kretschmer;

J'adresse des remerciements affectifs toute ma famille en particulier mes

J'exprime ma profonde reconnaissance l'tat de Cte d'Ivoire, l'ambassade

TABLE DES MATIERES

1.2. Objectifs et problmatiques 4

1.3. Revue de la littrature 24

1.4. Concepts de fiabilit et de maintenance 43

1.5. Mthodologie de recherche et contributions 64

CHAPITRE 2 : P R O D U C T I O N RATE M A X I M I Z A T I O N OF A MULTI-

2.3. Performance assessment 84

2.4. Formulation of optimization problem 88

2.4.1. A numerical example 89

3.1. Rsum 100

3.2. Practical implications 103

3.3. Introduction 103

3.4. Reconfigurable systems and performance degradation : an illustrative example

Figure 3.1 : An automated manufacturing system example 107

3.5. Performance evaluation of reconfigurable systems 109

3.6. Availability and production rate assessments 114

3.7. Optimal design for reconfigurable systems 118

3.8. Conclusion 123

3.9. Acknowledgments 124

Appendix 1 : Input data examples 125

Appendix 2 : Steady state availability evaluation 127

Appendix 4 : Optimal solutions 128

3.10. References 130

CHAPITRE 4 : PERFORMANCE EVALUATION OF MULTI-STATE

4.1. Rsum 132

4.2. Introduction 135

4.3. Model description 137

4.4. Evaluation of performance indices 139

4.5. Numerical example 147

4.6. Conclusion 150

4.7. References 150

CHAPITRE 5 : CONCLUSION, CONTRIBUTIONS ET PERSPECTIVES ..153

Conclusion gnrale 154

AFNOR : Association Franaise de Normalisation

LISTE DES TABLEAUX

Tableau 1.1 : Paramtres pour l'valuation du FGU d'un SME srie 35

LISTE DES FIGURES

Figure 1.1 : Ligne de production monte en srie sans stocks tampons 6

Figure 2.1 : System transitions diagram 85

Introduction gnrale et revue de la littrature

Les systmes technologiques se distinguent de plus en plus par la complexit

1. la continuit du service des systmes,

En rsum, cette thse porte sur la modlisation, l'valuation et l'optimisation

1.2. Objectifs et problmatiques

Dans cette thse, on vise le dveloppement de modles analytiques qui

En rsum, les principaux objectifs des travaux de cette thse seront de :

caractriser les SME tudier sur la base d'hypothses de travail et des

Sous-systme 1 Sous-systme 2 Sous-systme n