Fiabilité et Maintenance Industrielle

QUA192

Semaine 2 (Cours 3 & 4)

Estimation de la fiabilité

Roger SERRA

Département de Génie Mécanique

 ETE2013 – QUA192 par Prof. R. SERRA

Rappel Semaine 1: Comportement du

matériel en service (Cours 1 & 2)
• Mise en contexte
• Définitions (FMDS)
• Objectifs de l’étude de la fiabilité
• Fonctions de défaillance et de fiabilité
• Taux de défaillance (λ) et sa détermination
• Courbe en baignoire
• Temps moyen de bon fonctionnement (MUT, MTBF)

2
 ETE2013 – QUA192 par Prof. R. SERRA

Semaine 2: Estimation de la fiabilité des

équipements (Cours 3 & 4)
• La loi exponentielle
• Estimation du taux de défaillance et de la durée de vie des
équipements
• Observation en exploitation
Données complètes
Données incomplètes
Tronquées en temps
Tronquées en défaillances
Taux de défaillance maximum
Composants réparables
Observées par intervalles de temps
Modèle de défaillance nulle
• Applications de la loi de Weibull
3
 ETE2013 – QUA192 par Prof. R. SERRA

Objectifs
Estimer la fiabilité à partir de différents modèles mathématiques
de la distribution de vie.

4
 ETE2013 – QUA192 par Prof. R. SERRA

Loi exponentielle
• Une des lois les plus utilisées en fiabilité
(période de maturité)
• Elle s’applique à tous les appareils
convenablement mis au point (après le
rodage et avant l ’usure)
• Elle est défini par un seul paramètre: λ
le taux de défaillance (constant).
• Sa moyenne représentera très souvent
le temps de bon fonctionnement (MTBF)
ou l ’inverse du taux de défaillances.
• Elle correspond à un dispositif
possédant un grand nombre de
composants et de modes de
défaillances.
5
 ETE2013 – QUA192 par Prof. R. SERRA

Loi exponentielle
Loi de fiabilité exponentielle R(t)
C’est l’aptitude d’un dispositif à accomplir une fonction requise, dans
des conditions données, pendant une durée donnée entre un instant 0
et un instant t :

t
∫
− λ ( t ) dt
=R (t ) e=
0 e −λ t

car le taux de défaillance λ est constant.

6
 ETE2013 – QUA192 par Prof. R. SERRA

Exemple 2.1(Exemple 3.1 p.34)

Une ampoule électrique a un taux de défaillance de 0.0008
défaillances par heures.

1. Déterminez la probabilité pour qu’elle dure au moins 1000

heures.
2. Quel est le MTTF du composant ?
3. Quelle est la fiabilité à l’instant MTTF ?
4. Si on désire avoir une fiabilité de 90% pour établir la garantie,
quelle durée de vie allez vous prendre.

Réponses:
1. 45%
2. 1250h
3. 36,7%
4. 131h.
7
 ETE2013 – QUA192 par Prof. R. SERRA

Loi exponentielle
Fonction de défaillance exponentielle f(t)
On constate que le taux de défaillance λ s’exprime comme la fonction
de défaillance à l’instant initial
L’espérance mathématique E(t) de cette fonction de densité f(t)
représente le temps moyen de bon fonctionnement MTTF ou MTBF :

E(t) = 1 / λ = MTTF ou MTBF

t
− ∫ λ ( t ) dt
f (t ) = λ (t ) × R (t ) = λ (t ) × e 0
=λ ×e − λt

8
 ETE2013 – QUA192 par Prof. R. SERRA

Loi exponentielle
Fonction de défaillance exponentielle f(t)
L’aire sous la courbe à partir d’un instant t représente la proportion des
composants qui survivront après l’instant t. C’est la fiabilité R(t) à
l’instant t.

9
 ETE2013 – QUA192 par Prof. R. SERRA

Loi exponentielle
Fonction cumulée de défaillance exponentielle F(t)
t t

F (t ) = ∫ − λ ( t ) dt
∫ () () − λt
f t dt =
1 − R t =
1 − e 0
=
1− e
0
La probabilité pour qu’un système tombe en panne entre
deux instants t1 et t2 se calcule comme la surface sous la
courbe de la fonction de densité de probabilité entre ces
deux instants: F(t2) - F(t1)
t2 t2

P ( t1 < t < t2 )= F (t2 ) − F (=

t1 ) ∫ f ( t )=
dt ∫ λ e −λ t
dt
t1 t1

= (1 − e − λ t2
) − (1 − e ) = e
− λ t1 − λ t1
−e − λ t2
10
 ETE2013 – QUA192 par Prof. R. SERRA

Loi.Exponentielle dans EXCEL

La fonction Loi.Exponentielle dans EXCEL permet de calculer les
fonctions de densités et cumulée de défaillance, elle peut donc prévoir
la durée séparant deux événements.
(t; λ;cumulative)
Où: t représLoi.Exponentielleente le temps d’usage
λ représente le taux de défaillance
cumulative représente une valeur logique indiquant le mode de
calcul de la fonction exponentielle :
• Si l’argument cumulative est VRAI, la fonction
Loi.Exponentielle renvoie la fonction de distribution cumulée
• Si l’argument cumulative est FAUX, la fonction
Loi.Exponentielle renvoie la fonction de densité de probabilité.

11
 ETE2013 – QUA192 par Prof. R. SERRA

Exemple 2.1 (Suite)

Une ampoule électrique a un taux de défaillance de 0.0008
défaillances par heures.

1. Retrouver la probabilité pour qu’elle dure au moins 1000 heures

(résultat obtenu précédemment) en utilisant Excel.
2. Déterminer la probabilité d’avoir une défaillance entre 1000 et
1100 h, vérifier ce résultat en utilisant EXCEL.

Réponses:
1. 45%
2. 3%

12
 ETE2013 – QUA192 par Prof. R. SERRA

Loi exponentielle
Temps moyen de bon fonctionnement MTBF
Le temps moyen de bon fonctionnement peut s’exprimer comme la
surface sous la courbe de fiabilité.
C’est l’inverse du taux de défaillance

∞ ∞
1
=
MTBF ( t ) dt ∫=
∫ R= e dt − λt

0 0
λ

13
 ETE2013 – QUA192 par Prof. R. SERRA

Exemple 2.3

Un mécanisme, dans sa période de maturité, a un taux de

défaillance de 0.009434 défaillances à l'heure.

1. Quelle est la durée de vie moyenne du mécanisme (MTTF)?

2. Quelle est la fiabilité du mécanisme à l'instant MTTF?

Réponses:
1. 106 heures
2. 36.7%

14
 ETE2013 – QUA192 par Prof. R. SERRA

Loi exponentielle
• L'aire sous la courbe de la fonction de défaillance f(t), à partir d'un
instant t, représente la proportion des composants qui survivront après
cet instant. C'est la fiabilité R(t) à l'instant t.
• Le taux de défaillance est constant dans la période de maturité.
• La fonction de défaillance est exponentielle durant cette période.

• Le taux de défaillance est égal à la fonction de défaillance f(t) divisé

par la fiabilité R(t).
• La durée de vie moyenne MTTF (ou MTBF) est la réciproque du taux
de défaillance dans la période de maturité.
• Le taux de défaillance suffit à déterminer tous les autres
paramètres.

15
 ETE2013 – QUA192 par Prof. R. SERRA

Loi exponentielle
• La fiabilité estimée à l'instant de la durée de vie moyenne R (MTTF) est
de 36.7%. C'est une constante.

• Si on veut que la durée de vie prévue lors de la conception procure

une bonne fiabilité, cette durée de vie doit être nettement inférieure à
MTTF.

• En général, on établit la durée de la garantie pour une fiabilité de 90%.

• Pour connaître R(t), on doit déterminer le taux de défaillance.

• Le fait que le taux de défaillance soit constant signifie que les

défaillances sont aléatoires (indépendantes du temps).

16
 ETE2013 – QUA192 par Prof. R. SERRA

Observations en exploitation
• Les données expérimentales disponibles pour estimer les durées de
vie consistent dans la connaissance plus ou moins complète des
instants de défaillance.

• Le suivi en exploitation aura par conséquent deux objectifs:

Collecter les données événementielles afin de trier les défaillances

(en fonctionnement, à l ’arrêt, par mode, par conséquence)

Mesurer le paramètre d’observation correspondant aux défaillances

choisies

• Quand on examine des données, complètes ou incomplètes, on doit

connaître leur type et les traiter différemment selon le cas.
17
 ETE2013 – QUA192 par Prof. R. SERRA

Observations en exploitation
Données complètes:
Tous les échantillons sous test ont été observés (contrôle de
qualité) et ont subi une défaillance.

Données incomplètes: (essais de durée de vie)

Au moment de l’analyse, certaines unités sont encore en
fonctionnement. Elles ont le même âge.

Type 1( données tronquées dans le temps): Les survivants sont

retirés du test en même temps.

Type 2 (données tronquées à partir d'un nombre de défaillances

pré-déterminées): On attribue aux survivants le taux de défaillance
du dernier échantillon défectueux.
18
 ETE2013 – QUA192 par Prof. R. SERRA

Observations en exploitation
Estimation du taux de défaillance de la loi exponentielle:
1. Données complètes
2. Données tronquées en durée d’essai
3. Données tronquées en nombre de défaillance
4. Taux de défaillance maximal
5. Composantes réparables
6. Données observées par intervalles de temps
7. Modèle de défaillance nulle

19
 ETE2013 – QUA192 par Prof. R. SERRA

Observations en exploitation
Composants réparables:
 On continue les essais après avoir réparé.
 Intervalle de temps: on inspecte les échantillons à des temps spécifiés et on note
leur condition.
 Si les données sont complètes, le taux de défaillance peut être estimé comme le
rapport du nombre « n » d'échantillons défectueux sous test par le temps total
d'essais.

n
λ= n
∑ ti
i =1

20
 ETE2013 – QUA192 par Prof. R. SERRA

Exemple 2.4
5 moteurs de balayeuse sont mis sous observation en fonctionnement
continuel et on note le nombre d'heures auquel un bris est survenu.

On obtient les résultats suivants:

M1 (1500), M2 ( 2000), M3(3500), M4 (5500) et M5 (8000).

En faisant l'hypothèse que la fonction de défaillance est exponentielle,

déterminez le taux de défaillance et la durée de vie moyenne des
moteurs.

Réponse:
MTTF = 4100 h.

21
 ETE2013 – QUA192 par Prof. R. SERRA

Essai tronqué en temps T (type 1)

Le taux de défaillance est estimé comme étant le quotient du nombre
« n » d ’éléments défectueux par la somme des temps de défaillance ti
et du produit du nombre de survivants (N0-n) par le temps T:

n
λˆ = n

∑t + (N
i =1
i 0 − n)T

22
 ETE2013 – QUA192 par Prof. R. SERRA

Exemple 2.5
À l'aide d'un automate programmable, on test les touches de 5 répondeurs
téléphoniques en les actionnant sans cesse. On prévoit la durée de l'essai
sur 3 jours complets (72 heures).

On note le nombre d'heures auquel un défaut est apparu. On constate les

résultats suivants:
R1( 24 heures), R2 (48 heures), R3( 60 heures), R4 et R5 (pas de bris).

En faisant l'hypothèse que la distribution est exponentielle, déterminez un

estimé du taux de défaillance et de la durée de vie moyenne des
appareils.

Réponse:
MTTF = 92 heures
23
 ETE2013 – QUA192 par Prof. R. SERRA

Observations en exploitation
Si, pour avoir un estimé µ d’un lot N, on choisit une valeur X
d ’après un échantillon n du lot, alors

Prob(X-k < µ <X+k) = 1-α

où 1- α est le coefficient de confiance de l’estimé µ.

[ X-k, X+k ] est l ’intervalle de confiance.

La valeur de k est déterminée selon la loi de probabilité.

24
 ETE2013 – QUA192 par Prof. R. SERRA

Intervalle de confiance pour des données tronquées

Les bornes attribuées à l’estimation du taux de défaillance pour des
données tronquées en temps sont, pour une marge de confiance de
100 (1 - α)% :  χ 2 ( 2n, 1 − α 2 ) χ 2 ( 2n + 2, α 2 ) 
 λˆ × , λˆ × 
 2n 2n 

χ 2 (2n, 1 − α 2) χ 2 (2n + 2, α 2)
25
 ETE2013 – QUA192 par Prof. R. SERRA

Table du Khi² de K.Pearson

Lien internet : http://www.bioinfo.univ-rennes1.fr/nte04/exos/Tables/tabkhi2.htm

Seuil de risque alpha Seuil de risque alpha

Nb. DL 0,990 0,975 0,950 0,900 0,100 0,05 0,025 0,010 Nb. DL 0,990 0,975 0,950 0,900 0,100 0,05 0,025 0,010
1 0,032 0,040 0,024 0,016 2,710 3,84 5,02 6,63 16 5,81 6,81 7,96 9,31 23,54 26,30 28,80 32,00
2 0,20 0,05 0,10 0,21 4,60 5,99 7,38 9,21 17 6,41 7,56 8,87 10,08 24,77 27,59 30,20 33,41
3 0,12 0,22 0,35 0,58 6,25 7,81 9,35 11,24 18 7,01 8,23 9,39 10,86 25,99 28,87 31,30 34,80
4 0,30 0,48 0,71 1,06 7,78 9,49 11,10 13,28 19 7,63 8,91 10,10 11,65 27,20 30,14 32,90 36,19
5 0,55 0,83 1,15 1,61 9,24 11,07 12,80 15,09 20 8,26 9,59 10,90 12,44 28,41 31,41 34,20 37,57
6 0,87 1,24 1,64 2,20 10,64 12,59 14,00 16,81 21 8,90 10,30 11,60 13,24 29,61 32,67 35,50 38,93
7 1,24 1,69 2,17 2,83 12,02 14,07 16,00 18,47 22 9,54 11,00 12,30 14,04 30,81 33,92 36,80 40,29
8 1,65 2,18 2,73 3,49 13,36 15,51 17,50 20,09 23 10,20 11,70 13,10 14,85 32,01 35,17 38,10 41,64
9 2,09 2,70 3,33 4,17 14,68 16,92 19,00 21,66 24 10,90 12,40 13,80 15,66 33,20 36,41 39,40 42,98
10 2,56 3,25 3,94 4,86 15,99 18,31 35,50 23,21 25 11,50 13,10 14,60 16,47 34,38 37,65 40,60 44,31
11 3,05 3,82 4,57 5,58 17,27 19,67 21,90 24,72 26 12,20 13,80 15,40 17,29 35,56 38,88 41,90 45,64
12 3,57 4,40 5,23 6,30 18,55 21,03 23,30 26,22 27 12,90 14,60 16,20 18,11 36,74 40,11 43,20 46,96
13 4,11 5,01 5,89 7,04 19,81 22,36 24,70 27,69 28 13,60 15,30 16,90 18,94 37,92 41,34 44,50 48,28
14 4,66 5,63 6,57 7,79 21,06 23,68 26,10 29,14 29 14,30 16,00 17,70 19,77 39,09 42,56 45,70 49,59
15 5,23 6,26 7,26 8,55 22,31 25,00 27,50 30,58 30 15,00 16,80 18,50 20,60 40,26 43,77 47,00 50,89
26
 ETE2013 – QUA192 par Prof. R. SERRA

Loi du Khideux.inverse dans EXCEL

• Khideux.inverse (α,ν ) dans Excel renvoie l’inverse de la probabilité
unilatérale de la distribution Khi-deux (chi-deux):
Si la probabilité α=Khi-deux(x,…), alors Khideux.inverse (α,…)=x.

• Les valeurs de Khi-deux peuvent être calculées à l’aide de la fonction

Khideux.inverse (α,ν ) dans Excel ou en utilisant les tables (annexe C).
 ν représente le nombre de degrés de liberté.
 α représente une probabilité associée à la distribution khi-deux.

Exemple : Khideux.inverse (0.05,10)=18,30703 ou 18,31

Attention : l’écriture de (α,ν ) est inversée dans les intervalles de confiance

par rapport aux notes de cours ! 27
 ETE2013 – QUA192 par Prof. R. SERRA

Exemple 2.5 (suite)

À l'aide d'un automate programmable, on test les touches de 5
répondeurs téléphoniques en les actionnant sans cesse.
On prévoit la durée de l'essai sur 3 jours complets (72 heures).

On note le nombre d'heures auquel un défaut est apparu. On constate

les résultats suivants: R1( 24 heures), R2 (48 heures), R3( 60 heures),
R4 et R5 (pas de bris).

Déterminez l’intervalle de confiance de la vie utile des répondeurs avec

une probabilité de 90%.

Réponse:
Il y a 90% de chances que MTBF = 92 h soit compris entre 35 h et 339 h.

28
 ETE2013 – QUA192 par Prof. R. SERRA

Données tronquées en nombre de défaillances n

On attribue le temps tr à la dernière défaillance.

Le taux de défaillance est estimé comme étant le quotient du nombre

« n » d ’éléments défectueux par la somme des temps de défaillance ti
et du produit du nombre de survivants (N0-n) par le temps tr :

n
λˆ = n

∑t + (N
i =1
i 0 − n ) × tr

29
 ETE2013 – QUA192 par Prof. R. SERRA

Exemple 2.7

Un échantillon de 7 moteurs est observé en service et on désire estimer

le taux de défaillance et la durée de vie moyenne après le 4e défaut.

On a obtenu les résultats suivants: M1(2 000 h), M2(8 000 h), M3(10
000 h), M4( 20 000 h). M5, M6 et M7 n'ont pas montré de défaillances.

Réponse:
MTTF = 25 000 h.

30
 ETE2013 – QUA192 par Prof. R. SERRA

Intervalle de confiance pour des données tronquées en

défaillances
Dans le cas d’un taux de défaillance
estimé à partir d’une troncation en
nombre de défaillances, les bornes de
l’estimé sont établies avec un
intervalle de confiance de
100 ( 1-α) %
Par la relation suivante :

 ˆ χ 2 ( 2 n, 1 − α 2 ) χ 2
( 2 n, α 2 ) 
λ × <λ< λ ×
ˆ 
 2n 2n 

31
 ETE2013 – QUA192 par Prof. R. SERRA

Exemple 2.7 (suite)

Un échantillon de 7 moteurs est observé en service et on désire estimer

le taux de défaillance et la durée de vie moyenne après le 4ième défaut.

On a obtenu les résultats suivants: M1(2 000 h), M2(8 000 h), M3(10
000 h), M4( 20 000 h). M5, M6 et M7 n'ont pas montré de défaillances.

Déterminez l’intervalle de confiance à 95% de la vie utile des moteurs.

Réponse:
Il y a 95% de chances que la durée de vie des moteurs soit comprise
entre 11428 h à 91743 h.

32
 ETE2013 – QUA192 par Prof. R. SERRA

Taux de défaillance maximal

Parfois, il suffira de déterminer la valeur maximale du taux de
défaillance ( ou minimale du MTTF), avec un intervalle de
confiance de (1- α) %

λ≤ λ ×
ˆ χ 2
( 2n, α )
2n

33
 ETE2013 – QUA192 par Prof. R. SERRA

Exemple 2.9
Des tuyaux doivent rencontrer les spécifications qui demandent que la vie
utile soit supérieure ou égale à 100 000 h avec un intervalle de confiance
de 95%.

25 tuyaux sont choisis aléatoirement et mis sous test.

Au bout de 12 600 h, un tuyau brise et l’essai est arrêté.

Est-ce que les tuyaux répondent à la spécification?

Réponse:
OUI, MTBF mini= 105 175 h > 100 000 h

34
 ETE2013 – QUA192 par Prof. R. SERRA

Composants réparables

Si les échantillons sont réparables, réparés , puis remis sous test, le

taux de défaillance est estimé comme le rapport du nombre de
réparations par le temps total des essais.

nombre de réparations
λˆ =
nombre d ' heures totales d ' essais

35
 ETE2013 – QUA192 par Prof. R. SERRA

Exemple 2.10 (Exemple 3.9 p. 44)

Un échantillonnage de 5 transmissions d'automobile est observé en
service pendant une certaine période de temps.

Lorsque un défaut survient, on répare et on continue l'observation.

Les données sont montrées sur le tableau (transparent suivant).

Déterminez le taux de défaillance et la période de vie utile des

transmissions.

36
 ETE2013 – QUA192 par Prof. R. SERRA

Exemple 2.10 (suite)

Réponse:
MTBF = 12 500 h
37
 ETE2013 – QUA192 par Prof. R. SERRA

Données obtenues par intervalles de temps ∆t

• Le taux de défaillance à chaque intervalle de temps est estimé comme
le quotient du nombre de défectueux dans l ’intervalle ∆t divisé par le
produit de ∆t et du nombre de survivants à l ’instant d’avant Ni.
• Il est recommandé de regrouper les données pour avoir au moins 5
défaillances par classes
• Le taux de défaillance moyen est estimé d’après la moyenne de ces
résultats.

λ ( ti )
(=
N ( t ) − N ( t + ∆t ) ) ∆t
i i i i ni
N ( ti ) ∆ti × N i

38
 ETE2013 – QUA192 par Prof. R. SERRA

Exemple 2.11(Exemple 3.10 p. 46)

Un montage par automate programmable est réalisé pour actionner
mécaniquement jour et nuit les touches de 100 répondeurs
téléphoniques. A chaque 3 jours ( 72 heures), on note le nombre de
répondeurs ne fonctionnant plus, jusqu’à épuisement complet des
échantillons. Tracez les courbe de fiabilité, taux de défaillance et
déterminez le temps moyen de bon fonctionnement des répondeurs avec
les données suivantes:
Intervalle de temps
0- 72 72-144 144- 216 216- 288 288-360 360-432 432- 504 504-576
(heures)

Nombre de
35 20 15 10 8 4 3 5
défectuosités

Réponses : λ moyen = 0.00482 et MTBF = 207 Heures (Maturité)

39
 ETE2013 – QUA192 par Prof. R. SERRA

Défaillance nulle
Ce cas arrive quand:
le matériel est très fiable
les événements attendus sont rares
les durées d ’essai sont insuffisantes
les populations de matériels sont réduites.

On peut déterminer un taux de défaillance maximal avec une confiance

(1-α)% où N0 représente le nombre de composants testés et t le temps de
l’essai :
χ ( 2, α )
2

λ<
2 N 0t
40
 ETE2013 – QUA192 par Prof. R. SERRA

Exemple 2.12

2 moteurs sont mis sous test pendant 1500 h sans briser.

Quelle est la durée de vie moyenne avec un intervalle de confiance de

95%?

Réponse:
MTTF = 1001 h

41
 ETE2013 – QUA192 par Prof. R. SERRA

Taux de défaillance λ(t) linéairement constant

• Un taux de défaillance linéaire se retrouve dans certains
phénomènes d’usure en mécanique en fin de période de
maturité.
λ(t) = a.t + b
t  at 2 
−  + 
− ∫ (at + b)dt bt
R(t) = e 0 = e  2 


 at 2 
+∞ −  + bt 
 2 
MTBF = ∫ e   dt
0
42
 ETE2013 – QUA192 par Prof. R. SERRA

Fiabilité suivant un modèle log-normal

On retrouve le modèle log-normal dans des phénomènes de fatigue
ou d’usure en mécanique (période de vieillesse).
2
1  1n t − m 
t −  
1 1 σ
R (t) = 1 −
σ 2π
∫ t
e 2  dt
0

 σ 2
m + 
 2 
MTBF = e  

43
 ETE2013 – QUA192 par Prof. R. SERRA

Exemple 2.13 (Exemple 3.12 p. 50)

La durée de vie d’un aspirateur suit une loi log-normale de paramètre : m = 4 et
σ = 1.20

Calculez :
1. la probabilité pour que les aspirateurs fonctionnent jusqu’à 400 heures
d’utilisation.
2. leur MTTF

Réponse:
1. 4.85%,
2. MTTF= 112 h

44
 ETE2013 – QUA192 par Prof. R. SERRA

Fiabilité minimale estimée à partir d’une loi binomiale

• Lorsque les temps de défaillance de chaque échantillon ne sont pas connus, mais
qu’on connaît la proportion de composants f qui ont failli dans un intervalle de temps,
on peut appliquer une loi binomiale pour déterminer la limite inférieure de la fiabilité en
admettant un pourcentage de chances donné.

• Si f (t) est le nombre d’unités ayant failli après un temps t et n le nombre total
d’échantillons, la limite inférieure de la fiabilité RL peut être déterminée avec un
intervalle de confiance α, en utilisant la formule suivante :

n − f −1
RL ≥
n + Zα ⋅ n ⋅ ( f + 1) ( n − f − 2)

• où Zα est la variable standard normale pour P(Z < Zα) = α ( voir la table). On peut
calculer dans Excel la valeur Zα d’après : LOI.NORMALE.STANDARD.INVERSE(α).

45
 ETE2013 – QUA192 par Prof. R. SERRA

Exemple 2.14

50 compteurs électriques sont mis sous surveillance.

Après 2000 h, on constate que 3 d’entre eux ne fonctionnent plus.

Quelle est la fiabilité minimale à 90% de chances?

Quel est le temps de bon fonctionnement maximal si on suppose une loi
exponentielle?

Réponses:
RL> 89.5%,
MTBF <= 14700 heures

46
 ETE2013 – QUA192 par Prof. R. SERRA

Loi de Weibull
• Très appliquée en fiabilité
• Formulation adaptable à de nombreuses
distributions empiriques grâce à trois
paramètres:
Paramètre de forme (allure globale
de la loi)
Paramètre d’échelle (temps)
Paramètre de position (temps initial
d’observation)
• Couvre la presque totalité des
comportements de matériel.

47
 ETE2013 – QUA192 par Prof. R. SERRA

Loi de Weibull
Le facteur de forme (β) contrôle l’allure globale de la
courbe.
Le facteur d’échelle (θ ou η) contrôle l’étirement de
la distribution sur l’axe du temps (x). Le facteur
d’échelle correspond au MTBF lorsque β = 1 et γ = 0.
Le facteur de localisation (γ) exprime une période
sans défaillance possible. Il est toujours positif.
• La loi de Weibull à trois paramètres nous permet de
décrire des situations où un certain temps t0 doit
passer avant qu’une panne arrive. Donc égale à une
distribution à 2 paramètres avec une translation à
droite.
48
 ETE2013 – QUA192 par Prof. R. SERRA

Loi de Weibull
• En utilisant β, on peut représenter les trois
parties de la « Bathtub Curve ».

• La distribution est utilisée en développement

de produit pour estimer les coûts de garantie
et la comparaison avec les produits
compétiteurs.

• En Production, elle est utilisée pour prédire

les cédules de maintenance et pour
optimiser la productivité.

49
 ETE2013 – QUA192 par Prof. R. SERRA

Loi de Weibull
• La distribution Weibull est une des plus utilisés en calcul de fiabilité
pour le grand nombre de combinaison de paramètres qu’on peut
spécifier dans la compréhension du comportement des taux de panne.
β
β -1  t −γ 
β  t −γ  −
 θ 

La fonction de probabilité de panne est : f(t) =
θ  θ 
e

β
 t −γ 
− 
 θ 
La fonction cumulative de probabilité est : F(t) = 1 - e
β
 t −γ 
− 
 θ 
La fiabilité se définit comme : R(t) = e

50
 ETE2013 – QUA192 par Prof. R. SERRA

Loi de Weibull
β
 t −γ 
− 
R (t ) =
1 − F (t ) =
e  θ 

β est un paramètre de forme;

θ est un paramètre d’échelle ( en temps);
γ est un paramètre de position ( en temps).

51
 ETE2013 – QUA192 par Prof. R. SERRA

Loi de Weibull
• La formulation se trouve simplifiée
lorsque le paramètre de position est nul
(début des observations au temps zéro).
• Si le paramètre de forme = 1, on obtient
une loi exponentielle.
• Si le paramètre de forme = 3.25, le
paramètre d ’échelle égal à 1 et le
paramètre de position nul, on obtient une
loi normale.
• La moyenne (temps de bon
fonctionnement) est fonction d’une loi
Gamma.

52
 ETE2013 – QUA192 par Prof. R. SERRA

Loi de Weibull
Si β = 1, ce modèle correspond à une loi exponentielle avec
1/λ = θ et un taux de défaillance λ constant (période de
maturité) .
Si β = 2, on a un taux de défaillance linéairement constant
(usure normale en période de maturité)
Si β plus grand que 3, on tend vers une loi normale (taux de
défaillance croissant dans le temps). Cela montre qu’on
opère durant la période de vieillesse et qu’une maintenance
prédictive est nécessaire).

53
 ETE2013 – QUA192 par Prof. R. SERRA

Loi de Weibull
• Loi la plus souvent rencontrée comme distribution alternative à la loi
exponentielle.
• Le taux de défaillance est fonction du temps.
• Si le taux de défaillance est décroissant dans le temps, β est inférieur
à 1 (période infantile).

β −1
f(t) β  t − γ 
λ(t) = =  
R(t) θ  θ 

54
 ETE2013 – QUA192 par Prof. R. SERRA

Loi de Weibull

55
 ETE2013 – QUA192 par Prof. R. SERRA

Calcul de Weibull avec Excel

LOI.WEIBULL(t,β,θ,cumulée) dans Excel calcule la fonction de
défaillance cumulée F(t)
t représente la variable avec laquelle la fonction doit
être calculée.
β est un paramètre de forme pour la distribution.
θ est un paramètre de temps pour la distribution.
ν = 0
cumulée est Vrai pour obtenir la fonction cumulée
des défaillances et Faux pour obtenir la fonction de
défaillance instantanée.
R(t) = 1- F(t)

56
 ETE2013 – QUA192 par Prof. R. SERRA

Exemple 2.15
La loi de fiabilité d’un réducteur appartenant à un véhicule automobile
peut être modélisée par un loi de Weibull ayant comme paramètres :
β=1,25 et θ=2400km.

Déterminer la probabilité que le réducteur puisse assurer sans tomber

en panne une mission de 200km sachant qu’il a déjà effectué 1500km
sans défaillir.

Réponse :
91%

57
 ETE2013 – QUA192 par Prof. R. SERRA

Questions?

Commentaires?

Suggestions?

58