Академический Документы
Профессиональный Документы
Культура Документы
QUA192
Roger SERRA
2
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
6
ETE2013 – QUA192 par Prof. R. SERRA
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 :
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
= (1 − e − λ t2
) − (1 − e ) = e
− λ t1 − λ t1
−e − λ t2
10
ETE2013 – QUA192 par Prof. R. SERRA
11
ETE2013 – QUA192 par Prof. R. SERRA
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
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.
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.
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.
Observations en exploitation
Données complètes:
Tous les échantillons sous test ont été observés (contrôle de
qualité) et ont subi une défaillance.
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.
Réponse:
MTTF = 4100 h.
21
ETE2013 – QUA192 par Prof. R. SERRA
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).
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
24
ETE2013 – QUA192 par Prof. R. SERRA
χ 2 (2n, 1 − α 2) χ 2 (2n + 2, α 2)
25
ETE2013 – QUA192 par Prof. R. SERRA
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
n
λˆ = n
∑t + (N
i =1
i 0 − n ) × tr
29
ETE2013 – QUA192 par Prof. R. SERRA
Exemple 2.7
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
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
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:
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
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%.
Réponse:
OUI, MTBF mini= 105 175 h > 100 000 h
34
ETE2013 – QUA192 par Prof. R. SERRA
Composants réparables
nombre de réparations
λˆ =
nombre d ' heures totales d ' essais
35
ETE2013 – QUA192 par Prof. R. SERRA
36
ETE2013 – QUA192 par Prof. R. SERRA
Réponse:
MTBF = 12 500 h
37
ETE2013 – QUA192 par Prof. R. SERRA
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
Nombre de
35 20 15 10 8 4 3 5
défectuosités
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.
λ<
2 N 0t
40
ETE2013 – QUA192 par Prof. R. SERRA
Exemple 2.12
Réponse:
MTTF = 1001 h
41
ETE2013 – QUA192 par Prof. R. SERRA
at 2
+∞ − + bt
2
MTBF = ∫ e dt
0
42
ETE2013 – QUA192 par Prof. R. SERRA
σ 2
m +
2
MTBF = e
43
ETE2013 – QUA192 par Prof. R. SERRA
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
• 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
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 ».
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
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
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.
Réponse :
91%
57
ETE2013 – QUA192 par Prof. R. SERRA
Questions?
Commentaires?
Suggestions?
58