UNIVERSITÉ DU QUÉBEC À TROIS-RIVIÈRES

ÉTUDE DES FACTEURS AFFECTANT LA FIABILITÉ DES

TRANSFORMATEURS DE PUISSANCE

MÉMOIRE PRÉSENTÉ
COMME EXIGENCE PARTIELLE DE LA

MAÎTRISE EN INGÉNIERIE, CONCENTRATION GÉNIE INDUSTRIEL

PAR
MATHIEU PA YETTE

MARS 2020
 Université du Québec à Trois-Rivières

Service de la bibliothèque

Avertissement

L’auteur de ce mémoire ou de cette thèse a autorisé l’Université du Québec

à Trois-Rivières à diffuser, à des fins non lucratives, une copie de son
mémoire ou de sa thèse.

Cette diffusion n’entraîne pas une renonciation de la part de l’auteur à ses

droits de propriété intellectuelle, incluant le droit d’auteur, sur ce mémoire
ou cette thèse. Notamment, la reproduction ou la publication de la totalité
ou d’une partie importante de ce mémoire ou de cette thèse requiert son
autorisation.
 UNIVERSITÉ DU QUÉBEC À TROIS-RIVIÈRES

Ce mémoire a été dirigé par:

Georges Abdul-Nour, Professeur Université du Québec à Trois-Rivières

Prénom et nom, directeur de recherche, grade Rattachement institutionnel

Jury d'évaluation de l'essai ou du mémoire:

Georges Abdul-Nour, Professeur Université du Québec à Trois-Rivières

Prénom et nom, grade Rattachement institutionnel

François Gauthier, Professeur Université du Québec à Trois-Rivières

Prénom et nom, grade Rattachement institutionnel

Souheil-Antoine Tahan, Professeur École de Technologie Supérieur

Prénom et nom, grade Rattachement institutionnel

 v

REMERCIEMENTS
Tout d'abord, je souhaiterais remercier mon directeur de recherche, le professeur
Georges Abdulnour, sans qui ce projet n'aurait pas été possible. Il a su me conseiller et
me diriger tout au long de ce projet enrichissant, je me sens particulièrement chanceux
d'avoir pu travailler sous sa direction.

Je tiens aussi à remercier les chercheurs de l'Institut de recherche en électricité du

Québec (IREQ), en particulier Olivier Blancke, qui m'a supervisé et épaulé dans
l'avancement de ce projet, ainsi que Alain Côté, chercheur et chargé du projet PRlAD.
J'aimerais aussi souligner le travail de tous les collaborateurs du projet PRlAD, qui ont
rendu possible cette recherche, notamment Dragan Komljenovic et Jean-François
Boudreau, chercheur à l'IREQ.

Je remercie également mon père, Normand Payette, pour ses conseils et sa

disponibilité tout au long de mon parcours. C'est à lui que je dois ma passion pour le génie
industriel, passion qu'il m'a transmise depuis mon plus jeune âge. J'aimerais aussi
souligner tous les encouragements et le soutien dont m'ont témoigné ma mère, Céline, et
mes frères, Étienne et Olivier. Merci de me pousser à me dépasser, et surtout, merci
d'avoir toujours été présent.

Enfin, j'aimerais remercier ma femme, Marie-Michèle. Tu es à mes côtés depuis

le début, avant même notre périple universitaire. Tu m'as tellement appris, toujours
disponible pour me conseiller et m'épauler. Je t'aime, merci du fond du cœur!
 VI

SOMMAIRE

La modélisation statistique des défaillances auxquelles sont soumis les équipements est
une activité essentielle au processus de gestion des actifs du réseau de transport
d' électricité. Ces modèles affectent les stratégies et la planification organisationnelles de
même que la prise de décision en gestion des actifs. L'étude de la fiabilité est d' autant
plus complexe, considérant l 'hétérogénéité de la population d'équipements à traiter.
Effectivement, ces actifs possèdent différentes caractéristiques spécifiques, diverses
contraintes d'opérations, de même qu'un historique d'entretien particulier. En
conséquence, les méthodes appliquées doivent être adaptées à ces contraintes; ce projet
présente l' application de modèles spécifiques aux systèmes réparables, de même que des
modèles considérant l'effet de covariables sur le taux de défaillance. Un modèle de
Processus de Poisson Non-Homogène (NHPP) est appliqué aux données de maintenance,
afin d'estimer la fonction d' intensité générique de la population d'équipements. À cet
effet, une fonction de puissance est estimée par la méthode non paramétrique de la « Mean
Cumulative Function », prenant en compte les censures dans les données. Par la suite, des
modèles d' Intensité proportionnelle (modèles de Cox) sont appliqués aux données, afin
d'estimer l'effet des covariables d'intérêts sur la fiabilité. L'application de ces modèles
permettra d' analyser les équipements de transport d'électricité d'Hydro-Québec, en
particulier les transformateurs de puissance. Les résultats de l'étude démontrent la
pertinence de ces méthodes dans la gestion des actifs. En exprimant la fiabilité en fonction
du temps et de cofacteurs, les décideurs auront accès à de l'information plus complète et
plus spécifique pour prendre des décisions. De plus, ce projet permet de démontrer
l'importance de la qualité des données dans la gestion des actifs, compte tenu de la
sensibilité des modèles statistiques utilisés en fiabilité.
 VB

Table des matières

REMERCIEMENTS ...... ....... .... ... ....... ..... ... .... .... ........... ...... ........ ............ ..... ..... ....... ... .. v

SOMMAIRE ........... .... ..... ................... .... ......................................................... .. .......... .vi

0.0 Liste des symboles et abréviations ........ ........... ...... ...... ........... ........ .... ... ........ xv

0.1 Lexique des termes en fiabilité ..... ... ............. .......................... .... .......... .. ...... xvi

INTRODUCTION ......... .... .... .............. ....... ..... ... ......... ......... .................... ........ ..... ...... .. 1

CHAPITRE 1 ............... ....... ....... .... ....... ................. ......... ........ .... .................. ........ ... ..... .... . 2

MISE EN CONTEXTE ..... ......... ....... ........... .... ...... ............... ...... ....... .... ..... ...... ..... ..... .. . 2

1.1 Problématique ... ... ..... ... .... .... ... ..... .. .......... ...... ........ ....... ....... ........ ... .. ... .......... .. 3

1.2 Questions de recherche .... ....... .......................... ..... ................ ...... ........... ........ . 3

1.3 Objectif de recherche .. ..... ...... ............... .... ................. ......... ... ......................... .4

1.4 Objectifs secondaires ............................................................................... ....... .4

1.5 Considérations et limites de l'étude ....................... ...... ....... ....... ... ....... ... ...... .. . 5

1.6 Concepts de base .......... .... ......... ....................... ...................... ........ .... .... .... ...... 6

CHAPITRE 2 .......................... ... ..... ......... ....... ..... .................... ... ... .... .... ... ........ ............... 10

REVUE DE LITTÉRATURE ........... ....... ......................... ........ ....... ....... ....... .. ..... ..... .. 10

2.0 Gestion des actifs ................. ....... ..... .......... ........ ........ ...... ................ ......... ..... 10

2.1 Concepts de base en fiabilité et maintenance ... ... .... ........... ..... ........ ..... ....... .. 17

2.2 Modèles statistiques en fiabilité ..... .................... .... .... ......... .. .... ........ ...... .... ... 18

2.3 Système non réparabl e .. ........ ....... .......... ..... ....................... ... .... ..................... 18

2.4 Système réparable ... ..... ......... ....... .... ........... ........ ............................... .......... .. 19

2.5 Modèle HPP .... ............... ....... ....... .......... ....... ..... ...... .... .......... ........ .... .. ........ .. 22

2.6 Estimateur du maximum de vraisemblance : ................................................. 23

 Vlll

2.7 Analyse de survie ............ ......... ........ ....................... .... .......... ..... ................. ... 24

2.8 Qualité et nettoyage des données ................. ......... ...... ........ ............ .... ........... 33

CHAPITRE 3 ....................... ..... ........... ...... .... .... ................ ............. ... ... ... ..... ............ ..... .. 37

MÉTHODOLOGIE ........ ............... ........ ..................................... ....... ... .. ... ................... 37

3.0 Analyse préliminaire et préparation des données ....... .. ....... ........ .... ............ .. 37

3.1 Modélisation du taux de défaillance ............................ .......... ...... ........ ........ .. 38

3.2 Modélisation et régression avancées ..... ....................... ........ ........ ... ..... ..... ... ..41

CHAPITRE 4 ............... ....... ....... ............................................ .... .... ........................ .... .... ..44

Analyse préliminaire ...... ........... ............. ......... .... ..... .. ............................ .......... ......... ... 44

4.0 Processus de saisie de données ..................................................................... .44

4.1 Structure des données .... ......... ....... ............... .... ... ............... ... ......... ............... 46

4.2 Analyse exploratoire des données ................................................................. .48

4.3 Audit des données ................................ ....... ...................................... ...... .... ... 49

CHAPITRE 5 ............. .. ... ... ........... ... ................................. ..... ... .... ................................... 56

Modélisation du taux de défaillance .......... ..... ............. ..... ....... ........ ........... ................. 56

5.0 Données préliminaires ................................... ............ ....... .... .... ........ ........... .. 56

5.1 Résultats ........................ ............... ....... ......... ..................... ................ ........ ..... 58

5.2 Discussions et Recommandations ...... ........ ....... ........ ........ .......... ................... 60

CHAPITRE 6 ................ ................ .............. ... ............. .......... ...... .... ...... ...... ........ ... ..... ..... 62

Analyse de survie ..... .... ....... .. ... ............................... ........ ........ ........ ........... .... .... ... .. ..... 62

6.1 Préparation des données .............. ........... .... ....... ........ ........ ....... .... .................. 62

6.2 Analyse Préliminaire ............ ........................................................ .................. 67

6.3 Résultats .............. ......... .... .... ....... ...... ................................................ ........ ..... 71

CONCLUSION .... .... ... .... ............................. ......... ......... .... ..... ................................ ..... 81
 IX

Recommandations ... ....... ....... ............ ... .... .... ............... ............... .... ........... ........... ....... . 82

LISTE DE RÉFÉRENCES ..... ....... ......... ..... ....... ...... .......... ........ .. ..... ........ .. ...... .......... 84
 x

Liste des tableaux

Tableau 1.1: Sigles .................... ..... ............... ..................... ......... ..... .................. ...... .... .... xv
Tableau 2.1: Notation mathématique .................. ........ .... .......................... ....... ... ..... ........ 21
Tableau 2.2: Description des équations du modèle HPP .... .......................... .... ....... ........ 22
Tableau 2.3: Équations du modèle NHPP ...................... ..... ....... .................... ... ............... 23
Tableau 2.4: Exemple de données (processus de comptage) ........ ...... ...... ..... .................. 26
Tableau 2.5 : Description des variables de l'exemple ............ ...... ........... ...................... .... 26
Tableau 2.6: Exemple de données (format strates) ............. ............... ...... ........................ 27
Tableau 2.7: Fonction d'intensité des modèles de survie .... ........ ........ ....... .................... .. 29
Tableau 2.8: Description des variables des modèles de survie .................... ....... ... ..... .....30
Tableau 2.9: Résumé des articles ... ...... ..... .. ... ... ................... ......................................... ... 31
Tableau 2.10: Résumé des articles (suite) ..... ................................................. ....... .... ....... 32
Tableau 4.1: Récapitulatif du type de documents et de leur émission .. .......... ......... ...... ..46
Tableau 4.2: Règles d'affaires des événements de maintenance .... ....... ........................... 53
Tableau 4.3 : Résultats de l'application des règles d'exclusion ............ ............................. 54
Tableau 5.1: Échantillon des données utilisées .......................................... ........... ......... .. 57
Tableau 5.2: Rappel des équations de la loi de puissance ..... .... .... ...... ............................. 59
Tableau 6.l: Description des variables de base du modèle ............. .................. ........ ....... 62
Tableau 6.2: Descriptions des variables d'indicateur d'état.. ............................... ............. 63
Tableau 6.3: Description des variables d'équipements ........................... ..... .................... 64
Tableau 6.4: Description des variables d'avis .......... .... ........... ...... ............. ....... .......... ..... 64
Tableau 6.5: Description des variables d'ordre .... .. ......... .............................................. ... 64
Tableau 6.6: Description des variables hybrides ................. ............ ....... ........... ....... ........ 65
Tableau 6.7: Sortie du modèle préliminaire PWP-TT ................ .... ..... ..... ................. ...... 68
Tableau 6.8: Sortie du modèle préliminaire PWP-TT (suite) ........................... .... .... .... ... 69
Tableau 6.9: Extraction de champs textes pour les Ordres de défaillances anormales .... 71
Tableau 6.10: Résultats de l'application du modèle Andersen-Gill ............... .. .......... ... ... 72
Tableau 6.11: Résumé de l'impact des variables significatives pour la période terminant
en 2018 ....... ....... ....... .......... .. ........... ....... ....... ......... ...... ............... ............... .... .............. .... 73
 XI

Tableau 6.12: Résumé des coefficient et intervalle de confiance pour le modèle AG .... 74
Tableau 6.13: Résumé de l'impact des variables significatives pour le modèle PWP ..... 77
Tableau 6.14: Comparaison entre les deux modèles ........................................................ 77
Tableau 6.15: Résumé des coefficient et intervalle de confiance pour le modèle PWP .. 78
Tableau 6. 16:Paramètre de la fonction d'intensité ............ .. ............................................ . 80
 XII

Liste des figures

Figure 1.1: Schéma d'un transformateur de puissance (Reliability, 2012) ....... .... ........ .. ... 7
Figure 2.1: Champs d'application de la GDA (Amadi-Echendu et al., 2011) ........ ........ . 10
Figure 2.2 : Portée de la gestion des Actifs (lAM, 2015) ........ ............ ....... ....... ............... 12
Figure 2.3: Activités de Gestion des Actifs (lAM, 2015) ...... ............ ..... ...... ........ ........... 13
Figure 2.4: Évaluation de la fiabilité d'un transformateur de puissance (Rexhepi, 2017)
..... ........... ........... ....... ..... ..... ..... ... ......... ... .......................................... ................. .... ........... 16
Figure 2.5 Exemple de courbe baignoire (King & Jewett, 2010) ................................... . 19
Figure 2.6 : Politiques de remplacement (Leemis, 2009) ......................................... .... .... 20
Figure 2.7: Processus ponctuel pour les systèmes réparables (Rausand & H0yland, 2003)
................ .............. .... ..... ..... ......... ............................................ ...... ....... ................... ..... .... 21
Figure 2.8: Approches pour l'évaluation et le contrôle de la qualité des données (Berti-
Équille, 2018) .......................................... ....... .... .... ............... .................................. ......... 35
Figure 2.9: Cercle vertueux pour la gestion de la qualité des données (Berti-Équille, 2018)
........... ...... ..... .......... ........ ... ........... ................................... ...... .. ........... .............. ................ 35
Figure 3.1: Exemple de données ...... ...... ................................................................ ..........40
Figure 3.2: Exemple du modèle Andersen-Gill .... ............................................. .............. 42
Figure 3.3: Exemple du modèle conditionnel ....... ....... .................. .... ... ..... ........... .... .... ...42
Figure 3.4 : Exemple du modèle marginal .... ........ ....... ........ ...................... ..................... .42
Figure 3.5: Méthode d'application des modèles de fiabilités .............. ...... ................ .......43
Figure 4.1: Processus de maintenance et de saisies de l'information .................... .......... .45
Figure 4.2 : Chronologie des activités de maintenance ................................. ........... ...... ..49
Figure 4.3 : Structure simplifiée des tables de la BD maintenance ....... ............ ...............49
Figure 4.4: Pourcentage des champs remplis par caractéristiques .... ... ..... ..... ........... ....... 51
Figure 4.5 : Nombre d'ordre émis en fonction du temps ................................................... 52
Figure 5.1: Nombre attendu de défaillances cumulées en fonction de l'âge ....... ..... ........ 58
Figure 5.2: Taux de réparation en fonction de l'âge des équipements ..................... ........ 59
Figure 5.3 : Nombre de défaillances cumulées en fonction de l'âge avec IC .. ................ 60
Figure 6.1: Illustration de la variable Ratio_Ordre_Avis ... ....... ...... ..... ... ........ ... .............. 66
 X111

Figure 6.2: Illustration de la variable Ratio_ l ...... .................. ......................................... 66

Figure 6.3: Illustration de la variable Ratio_2 .............................. .... .. ...... .. .. ................... 67
Figure 6.4: Graphique de la fonction de risque cumulative .. .................. ......................... 70
Figure 6.5: Test statistique du modèle AG .. .............. ........ .. ............................................. 76
Figure 6.6: Graphique du risque cumulatif pour le modèle AG ................ .. .. .. .. .............. 76
Figure 6.7: Test statistique du modèle PWP ............ .... .. .... .. ............................................ 78
Figure 6.8: Graphique de la fonction de risque cumulative pour le modèle PWP .......... . 79
 XIV

Liste des équations

Équation 2.1 ........ ......... ...... ....... ....... ............................................... ...... ........ ................... 22
Équation 2.2 ............................... .......... ........... ........ ......... ..... .................................. ......... 22
Équation 2.3 .................. .... .. ..... ........ ..... .. ........ ........... .............................. .... ................ .... 22
Équation 2.4 ....... ................ ..... .... ...................... .................. ............................. ........ ...... ..22
Équation 2.5 ....... ....... ....... .... .......... ....... .... ............................... ............ ....... ..... ...... ...... .... 22
Éq. 2.6 ....................... ....... ..... ............. .... .......... ................................ ............. ................... 23
Éq. 2.7 .... ...................... ....... .... ....................... ................ ....... .................................. .... .... . 23
Éq. 2.8 ............................... ........................ .... .............. .... ..... ...... ...... ... ..... ............ ............ 23
Éq. 2.9 .................... ....... ........ ......... .... ............ ....... ....... ....... ............... .............................. 23
Éq. 2.10 ................ ....... .... ... ....... .... ........ .............. .. ....... ....... ... .... ........ ....... ....................... 23
Équation 2.11 ............ ....... ....... .............. ............... ...................... ................. ........ ............. 23
Équation 2.12 ... ......... ....... ..... ........ ....................... ............................................. .... ...... ..... 24
Équation 4.1 : .... ......... ..... ....... ........ ........... .... ........ ......... ....... ........ ......... .... ... ..... ........ ....... 53
Équation 5.1 ................... ....... ................. ...... ......... ..... ......... ....... ...... ........... .. ....... ...... ...... 59
Équation 5.2 .... ................................. ............................................. ................................... 59
Équation 5.3 .... ........ ... ....... ... .... .... ............... .... .... ........... .... ... .... ............... .......... .............. 59
Équation 5.4 ..... ...... ....... .......... .... ........ ........... ........ ......... ..... ................... .................... .... . 59
Équation 5.5 .... ........... ....... ....... ................. .......... ........... .... ... .... ....... ......... .................... ... 59
Équation 5.6 .... ........ ....... ... ....... .... ........ ......... ...... ......... ......... .... ........................... .... ........ 59
 xv

0.0 Liste des symboles et abréviations

Tableau / , /: Sigles

Sigle
Sigle Signification Traduction (anglais)
anglais
HQ - Hydro-Québec -
HQT - Hydro-Québec TransÉnergie -
Projet de Robustesse, d'Intégration et
PRIAD - d'Aide à la Décision pour la gestion -
d'actifs d'Hydro-Québec TransÉnergie
Institut de recherche en électricité du
IREQ - -
Québec.
Temps moyen de fonctionnement avant « mean time to
- MTTF
la défaillance failure»
« me an time between
- MTBF Temps moyen de bon fonctionnement
failure»
Taux d'occurrence des événements de « rate of occurrence of
- ROCOF
défaillances failures »
« Reliability centered
MBF RCM Maintenance basée sur la fiabilité
maintenance »
« failure modes,
FMECA Analyse des modes de défaillance, de
AMDEC effects and criticality
IFMEA leurs effets et de leur criticité
analysis»
GDA AM Gestion des actifs Asset management
BD DB Base de données relationnelle « DataBase »
« Homogeneous
HPP HPP Processus de Poisson Homogène
Poisson Process »
« Non-Homogeneous
NHPP NHPP Processus de Poisson Non-Homogène
Poisson Process »
AG AG Modèle Andersen-Gill -
PWP PWP Modèle Prentice-Williams-Peterson -
WLW WLW Modèle Wei-Lin-Weissfeld -
 XVI

0.1 Lexique des termes en fiabilité

Système:
Ensemble déterminé de composants interconnectés ou en interaction.

Composant:
Partie élémentaire d'un système.

Défaillance:
Arrêt de la capacité d'un composant ou d'un système à accomplir une fonction requise
(Rausand & H0yland, 2003).

Disponibilité:
Capacité d'un bien à être en état d'accomplir une fonction requise, c'est-à-dire qu'il n'est
ni en réparation, ni en panne et dans des conditions données et à un instant donné (Rausand
& H0yland, 2003).

Fiabilité:
Aptitude d'un composant ou d'un système à accomplir sa fonction requise, dans des
conditions données et pendant un intervalle de temps connu (Rausand & H0yland, 2003).

Mécanisme de défaillance:
Processus physique ou chimique qui entraîne l'endommagement progressif d'un système
résultant en une perte progressive de la fonctionnalité et menant à une défaillance
(Lazzaroni, Cristaldi, Peretto, Rinaldi, & Catelani, 20 Il).

Mode de défaillance:
Effets/manifestations physiques résultant d'une défaillance (Lazzaroni et al., 2011).
 INTRODUCTION
La complexification des équipements et des systèmes industriels requiert une
expertise très poussée, notamment dans le domaine de l' ingénierie et de la fiabilité. De
surcroît, certaines organisations ont à gérer des milliers d'équipements distincts qui
génèrent une importante quantité et diversité de données de maintenance. Ces facteurs
rendent la tâche difficile pour les gestionnaires, puisque les outils de gestion classique sont
souvent désuets. En effet, ces outils sont plutôt orientés vers la gestion des opérations
(planification, ordonnancement, etc.) et sont souvent moins robustes pour la modélisation
et les prédictions complexes. En revanche, le développement fulgurant de nouvelles
techniques permet désormais le traitement des mégadonnées, et de considérer beaucoup
plus de paramètres dans la prise de décision. À cet effet, ce mémoire proposera une
démarche de modélisation de la fiabilité des systèmes réparables, afin d'améliorer la
précision des informations nécessaires aux processus décisionnels en gestion des actifs
(GDA). Les méthodes identifiées seront ensuite appliquées au cas des transformateurs de
puissances du système de transport d'électricité d' Hydro-Québec.

Pour commencer, le chapitre 1 permettra de mettre en contexte le projet au sein de

l'organisation d'Hydro-Québec. La problématique et les questions de recherches qui en
découlent seront présentées, ainsi que les objectifs principaux et secondaires. Une brève
définition des concepts permettra d 'assurer une bonne compréhension tout au long des
chapitres suivants. Ensuite, le chapitre 2 établira la connaissance et les avancements dans
le domaine. La revue de littérature portera sur les concepts de base en fiabilité et en
maintenance et en gestion des actifs. Puis les enjeux concernant la qualité des données et
les modèles mathématiques et statistiques en fiabilité seront décrits. Le chapitre 3
présentera la méthodologie utilisée dans la réalisation de ce travail. En outre, la méthode
d'acquisition de données, la méthodologie pour la préparation et le formatage des données,
les techniques d'analyse utilisées, ainsi que les actions désirées qui en découlent seront
établies. Les chapitre 4, 5 et 6 serviront à présenter les résultats, l'analyse de ces derniers,
puis ils seront discutés et critiqués. Le dernier chapitre servira à la conclusion du mémoire,
ainsi qu'à la formulation de recommandations.
 2

CHAPITRE 1
MISE EN CONTEXTE
Pour commencer, il importe de mentionner que ce projet de recherche est effectué
en partenariat avec Hydro-Québec, par le biais de la Chaire de recherche Hydro-Québec
en gestion des actifs, à l'Université du Québec à Trois-Rivières. Celui-ci fait partie d'un
plus grand projet d'innovation au sein d'Hydro-Québec, soit le Programme de Robustesse,
d'Intégration et d'Aide à la Décision pour la gestion d'actifs d 'Hydro-Québec
TransÉnergie (PRIAD). Le projet PRIAD est piloté par une équipe de chercheurs de
l'IREQ, l'institut de recherche d'Hydro-Québec.

Pour ce qui est d'Hydro-Québec (HQ), il s'agit d'une société d'État québécoise
dont l'unique actionnaire est le gouvernement du Québec. HQ est responsable de la
production, du transport et de la distribution de l'électricité de la province canadienne.
L'organisation d'Hydro-Québec a été scindée en plusieurs divisions fonctionnelles, afin de
respecter la réglementation de la « Federal Energy Regulatory Commission ». Ainsi, pour
exporter l'électricité à l' extérieur du Québec, les divisions de production (Hydro-Québec
Production), de distribution (Hydro-Québec Distribution) et de transport (Hydro-Québec
TransÉnergie) ont été créées. Hydro-Québec TransÉnergie (HQT) est la division d'HQ qui
est responsable du transport de l' électricité à travers la province. Cette division est sous la
réglementation de la Régie de l'énergie du Québec, qui détermine notamment les tarifs du
transport de l' énergie. Ainsi , l' institut de recherche d'HQ (IREQ) est mandaté pour mener
les projets d' innovations tout en conservant cette division fonctionnelle.

Quant au projet PRIAD, il a été initié afin de répondre aux besoins de l'équipe de
Planification et gestion des actifs (PGA) et de la direction principale Planification,
expertise et soutien opérationnel (DESO) qui a identifié différentes problématiques,
notamment sur la qualité des données ainsi que sur les modèles et les systèmes
informatiques utilisés dans leurs modèles de GDA. L'équipe de l'IREQ a comme mandat
de regrouper et de traiter les données pertinentes à la GDA de TransÉnergie tout en
améliorant les différents modèles de comportement des actifs. Dans ce contexte, la
problématique et les objectifs du mémoire seront orientés vers le besoin du client.
 3

1.1 Problématique
Comme mentionné, l'équipe qui est chargée de la gestion des actifs fait face à
différents enjeux, notamment en ce qui a trait à la qualité des données disponibles pour les
analyses de fiabilité. Les modèles de comportements des actifs, ainsi que les systèmes
informatiques en place ne répondent plus aux besoins de l'équipe PGA, qui requiert le
développement de nouveaux outils plus adaptés. Qui plus est, il existe peu d'étude sur
l'application de modèle de fiabilité pour les systèmes réparables permettant de quantifier
l'impact de variables d'intérêts et qui sont appliquées par des contextes réels (Shwu-Tzy,
Landers, & Rhoads, 2006).

1.2 Questions de recherche

Le contexte opérationnel particulier d'Hydro-Québec TransÉnergie rend la GDA
très complexe, d'autant plus qu'essentiel. Ce contexte favorise l'émergence de plusieurs
questionnements:

• Comment modéliser le comportement d'équipements de transport d'électricité,

dans un contexte pratique, avec des données comportant des biais et des
incertitudes?
• Quels sont les modèles qui décrivent adéquatement la fiabilité d'équipements
réparables?
• Comment représenter mathématiquement le comportement en fiabilité d'une
famille d'actifs ayant des caractéristiques et des environnements d'opérations
différents (famille d'équipements hétérogènes)?
• Comment quantifier l'impact de certaines variables sur le taux de défaillance d'une
famille d'équipements?
• Comment peut-on traiter les biais et les incertitudes au sein des données à analyser?
• Doit-on classifier les équipements, de façon à avoir des modèles plus performants,
en développant des familles plus homogènes?
 4

1.3 Objectif de recherche

Découlant de ces questions, ce projet vise l'application de nouveaux modèles de
comportements des actifs du réseau de transport d'électricité, dans le but d'améliorer la
compréhension des facteurs affectant la fiabilité. Le modèle et la méthodologie seront
appliqués dans une étude de cas, qui se focalisera sur les transformateurs de puissance. Un
transformateur sera considéré comme étant un système réparable, c'est-à-dire un système
qui peut être réparé après un événement de défaillance.

1.4 Objectifs secondaires

Outre l'application de nouveaux modèles de comportements, cette étude traitera
aussi la qualité des données. Effectivement, la performance d'un modèle mathématique est
intrinsèquement liée à la qualité des données dont il découle. Pour ce faire, des stratégies
seront identifiées afin d'optimiser la qualité des données à l'étude.

De plus, des méthodes analytiques seront appliquées afin d'explorer le jeu de

donnée (<<data mining»), pour en faire sortir le maximum de connaissances. Des méthodes
de statistiques seront présentées à cet effet. Ensuite, des modèles de survie seront appliqués
pour quantifier les facteurs influençant la fiabilité d'une même famille d'équipements. Les
résultats permettront de déterminer l'applicabilité de cette méthode dans le contexte de
HQT.
 5

1.5 Considérations et limites de l'étude

Selon les experts consultés au début du projet, l'étude des caractéristiques de
fiabilité des équipements représente un grand défi en raison de la qualité et de la diversité
des données opérationnelles. Les erreurs peuvent venir des changements de systèmes au fil
des années, ou bien des changements de méthodes quant à l'acquisition de ces données. Le
premier constat est que la qualité des données doit être améliorée pour effectuer une étude
de fiabilité. Comme mentionné plus haut, les transformateurs sont considérés comme des
systèmes réparables. Cela signifie que les défaillances sont traitées par équipement, et non
par composantes de l'équipement, et que, ce système peut être réparé et ramené à un état
de fonctionnement.

Cette étude de cas vise à présenter une démarche d'analyse de la fiabilité des
équipements réparables de réseau électrique. Elle se concentrera en particulier sur les
transformateurs de puissance. Cela exclut donc les transformateurs de distribution, les
transformateurs de mesures, ou tout autre type d'équipements . Différentes techniques de
modélisation seront présentées et appliquées, mais le but de l'étude n'est pas le
développement ou l'amélioration de ces techniques.
 6

1.6 Concepts de base

Transport de l'électricité:
Pour acheminer l'électricité de la centrale hydroélectrique jusqu'au client, l'énergie
doit parcourir des centaines, voire des milliers de kilomètres. À cet effet, Hydro-Québec a
développé et mis en place un réseau permettant de limiter les pertes énergétiques lors du
transport de l'électricité (Hydro-Québec, 20 19c). L'entreprise québécoise transporte
l'électricité par des lignes électriques haute tension (735 kV) qui sont supportées par
différents types de pylônes. Le réseau commence donc à la source, où l'énergie est
produite, puis est relié à des postes qui servent à moduler la tension, avant d'être acheminé
vers le client.

Poste électrique:
Un poste électrique est une partie du réseau qui regroupe en un même lieu des
appareils de mesures électriques, des transformateurs de tension, des transformateurs de
courant et des transformateurs de puissance. Ils sont aussi munis d'équipements de
protection (parafoudre, disjoncteur, etc.), de sectionneurs et de plusieurs autres
équipements. Un poste sert non seulement à gérer la tension du courant, mais aussi à
minimiser les impacts reliés à la perte de courant d'un tronçon, en minimisant les distances
des lignes (Hydro-Québec, 2019d).

Transformateur:
Les transformateurs sont des appareils qui permettent d'élever ou d'abaisser soit la
tension (différence de potentiel en volt), le courant (intensité de courant en ampère) ou la
puissance (kilo volts) électrique dans un réseau.

Dans un premier temps, un transformateur de courant est un « transformateur de

mesure dans lequel le courant secondaire est, dans les conditions normales d'emploi,
pratiquement proportionnel au courant primaire et déphasé par rapport à celui-ci d'un
angle voisin de zéro, pour un sens approprié des connexions », c'est-à-dire qu'il s'agit d'un
appareil qui abaisse l'intensité de courant, afin d'alimenter différents appareils de mesures
et de compteurs (Hydro-Québec, 20 19a; internationale, 2002).
 7

Ensuite, un transformateur de tension est un « transformateur de mesure dans

lequel la tension secondaire est, dans les conditions normales d'emploi, pratiquement
proportionnel à la tension primaire et déphasée par rapport à celle-ci d'un angle voisin de
zéro, pour un sens approprié des connexions », c'est-à-dire qu'il s'agit d'un appareil qui
abaisse la tension du courant (le voltage), afin d'alimenter différents appareils de mesures
et de compteurs (Hydro-Québec, 2019a; internationale, 2003). Finalement, un
transformateur de puissance est un :

Appareil statique à deux enroulements ou plus qui, par induction

électromagnétique, transforme un système de tension et courant alternatif en un
autre système de tension et de courant de valeurs généralement différentes à la
même fréquence dans le but de transmettre de la puissance électrique. (Hydro-
Québec, 20 19b)
En d'autres termes, il permet d'augmenter ou d'abaisser la tension dans le réseau électrique
(Hydro-Québec, 2019b; internationale, 2011). C'est d'ailleurs cet équipement qui sera à
l'étude dans ce mémoire et qui est illustré ci-dessous.

Coasm •
d1IaiIt

Figllre 1.1: Schéma d'lin transformatel/r de puissance (Reliability. lO 12)

 8

Fiabilité:
La fiabilité se définit comme étant la probabilité qu'un système remplisse ses
fonctions d'usage, durant une certaine période de temps et selon certaines conditions
environnementales. Dans ce contexte, une défaillance est un événement qui rend le système
inapte à remplir ses fonctions. La défaillance peut causer un arrêt total du système, mais
dans certains cas, elle ne fait qu'empêcher le système de fonctionner correctement (Wildi
& Sybille, 2005). En addition, la fiabilité peut être exprimée soit en fonction du temps ou
en fonction du nombre de cycles d'utilisation, selon les particularités du système à l'étude.

Maintenance:
La maintenance est l'ensemble des activités exécutées dans le but de maintenir ou
de rétablir les fonctions d'usage d'un système. Dans cette étude de cas, les différents types
de maintenance seront définis comme suit:

Maintenance corrective:
La maintenance corrective survient lorsqu'une défaillance cause la panne du
système, signifiant un arrêt total des fonctions du système.

Maintenance préventive:
La maintenance préventive est un type de maintenance qui survient avant l'arrivée
d'une défaillance. Elle peut être effectuée à intervalles constants ou selon certaines
conditions. Le but est donc de diminuer la probabilité qu'une défaillance ait lieu. Elle
regroupe entre autres la maintenance systématique, conditionnelle et prévisionnelle.

La maintenance systématique est une maintenance qui est effectuée en fonction

de l' utilisation de l' équipement, c'est-à-dire selon le nombre de cycles ou selon le temps
d'utilisation. Les conditions (cycles ou temps) sont prédéterminées à l'avance.
 9

La maintenance conditionnelle survient lorsque le système démontre des signes

d'usures et que cette usure dépasse un seuil préalablement établi. Ces signes sont souvent
précurseurs d'événements de défaillance, c'est pourquoi il convient de faire la
maintenance. Ces éléments d' usures peuvent être révélés lors d' une inspection de routine,
mais peuvent aussi être détectés par des capteurs.

La maintenance prévisionnelle, parfois traduite par maintenance prédictive, est

une forme de maintenance conditionnelle. Bien qu'une maintenance soit déclenchée
lorsque l'usure d' une composante dépasse un certain seuil, la maintenance prévisionnelle,
elle, repose sur le monitorage en continu des équipements. Cela permet de constater
l'évolution des dégradations et de prévoir une éventuelle défai lIance (Levitt, 20 Il).

Mégadonnées :
Mégadonnées, plus communément appelé « Big Data », est le terme usuel pour
désigner un ensemble de données très volumineux, dans lequel il est difficile d'extraire des
connaIssances par les capacités humaines, et même par les techniques informatiques
classiques.

Ce chapitre a permis de décrire le contexte du projet, en plus de définir la

problématique et les objectifs spécifiques de recherche. De plus, il aura servi à introduire
certains concepts de base, facilitant la compréhension du mémoire. Le chapitre suivant
présente la revue de littérature, qui recense les contributions scientifiques en lien avec le
projet.
 10

CHAPITRE 2

REVUE DE LITTÉRATURE
Le chapitre précédent a permis de définir les objectifs et les limites en lien avec ce
projet. La revue de littérature permettra d' établir les connaissances scientifiques existantes
en lien avec le domaine de recherche, en plus de présenter les différents avancements.

2.0 Gestion des actifs

Concept de base en GDA :
Tout d' abord, un actif est défini comme étant un objet auquel une entité légale lui
attribue une valeur. Il existe deux types d'actifs: l'actif d'ingénierie et l'actif financier.
L'actif d'ingénierie est celui dont il sera question durant ce texte (Amadi-Echendu, Brown,
Willett, & Mathew, 2011). L'actif financier a une valeur établie de façon contractuelle
entre les entités légales. Il s'agit, par exemple, d'actions boursières, de droit de brevet.
L'actif d'ingénierie a une valeur qui existe, indépendamment des contrats établis entre
différents partis. L'actif d'ingénierie peut être un équipement, de l'inventaire, un bâtiment,
etc. La valeur de l'actif d'ingénierie peut être monétaire, ou selon ses aptitudes, par
exemple la capacité de production d'une machine par période de temps (Amadi-Echendu
et al. , 2011). La relation entre les différentes sphères de la GDA et l' implication de la
fiabilité et de la maintenance sont démontrées à la figure suivante:

Décisioos et modèles
Systèmes d'Itlfonuation de trestion

Straté@:ique: Analyse du cyde de VIC de

Systèmes de comptabilite l'actIf

Tactique : ~laituen8:ncede l'actif

BàumelJ! . éqwpe:Ulent . matériels et

systèmes de ~estiou des ressources Luun3me5 OpérntiOll1lel Ulllis.,non des actIfs

Collecte des données: Capteurs et

diapuostiques
Trachait de: (,.4.-' E~.8."...,. \\~~ktt.,l'\Iakw.!GI1)

Figure 1.1: Champs d'application de la GDA (AlIladi-Echendu el al.. 20 11)

Pour continuer, la série de norme ISO 55000, publiée en 2014, a permis d'accroître
l'acceptation et la reconnaissance de la discipline de la gestion des actifs (IAM, 2015). La
norme ISO 55000 décrit la gestion des actifs comme étant l'ensemble des activités
 11

coordonnées d'une organisation pour réaliser la valeur d'un actif. L'actifse définit comme
un bien, une chose ou une entité qui a de la valeur, potentielle ou actuelle, pour une
organisation. La réalisation de l'actif implique la balance des coûts, des risques, des
opportunités et des bénéfices de performance [Traduction libre]. (International
Organisation for Standardization, 2015). À cet effet, chaque organisation doit établir ce
que représente la valeur, selon le contexte et les objectifs qui lui sont propres. La norme
ISO établit aussi les principes fondamentaux de la gestion des actifs:

• Valeur :
o La fonction de l'actif est de générer de la valeur pour une organisation et la
GDA a pour objectif la réalisation de cette valeur (International
Organisation for Standardization, 2015).
• Positionnement:
o La GDA s'aligne aux objectifs d'entreprise (positionnement). Ces objectifs
se concrétisent par les décisions, la planification et les activités financières
et techniques de l'entreprise (International Organisation for
Standardization, 2015). Les objectifs doivent se transposer dans les
politiques et les stratégies de gestion (lAM, 2015).
• Leadership:
o Le leadership et la culture d ' entreprise sont des déterminants essentiels à la
réalisation de la valeur des actifs. Un engagement à tous les niveaux est
essentiel à l'atteinte des objectifs de GDA (International Organisation for
Standardization, 2015).
• Garantie:
o La GDA doit garantir que les actifs rempliront leurs fonctions, et ce, de
façon régulière et durable (IAM, 2015 ; International Organisation for
Standardization, 2015).

À partir de ces principes et standards, la « Institute ofAsset Management » (lAM) a élaboré

un modèle de gestion des actifs. Celui-ci est présenté à la Figure 2.2, et la Figure 2.3 détaille
les différentes activités qui ont été assignées pour chaque thème de la GDA.
 12

Portée d e la Gestion des Act ifs

r~' -- '. A • -

~. . Plan Stratégique Organisationnel •"

l~" • • ' • '"' ";;

1 [ Traduct;orIl,b,. de Insnrure al As",r Mnnagemenr(}OlSI l

Figure 2.2: Portée de la gestion des Actifs (IAM. 2015)

Chacun des sujets est défini comme suit :

• Stratégie et planification:
o Regroupe les activités qui favorisent la mise en œuvre du positionnement
de l'entreprise sur les besoins (lAM, 2015).
• Prise de décisions de gestion des actifs:
o Regroupe les activités de prise de décision sur l'acquisition et la création,
de même que les opérations et la maintenance de l'actif (lAM, 2015).
• Livraison du cycle de vie :
o Regroupe les activités d'exécution et de contrôle des plans et des stratégies
de l'entreprise définis préalablement (lAM, 2015).
• Information de l'actif:
o Regroupe les activités relatives à la mise en place des structures
informatiques pour le traitement des données, de même que l' identification
de l'information et de la qualité de données requise (lAM, 2015).
• Organisations et personnes:
o Regroupe les activités de mise en place et/ou de restructuration
organisationnelle favorisant la gestion des actifs. La GDA peut mener à des
changements importants, notamment dans les rôles et responsabilités (lAM,
 13

2015). Dans cette sphère d'activité, les principes de leadership énoncés plus
haut sont fondamentaux.
• Risque et suivi :
o Regroupe les activités d'identifications et de gestion des risques inhérents
aux actifs. Cela inclut aussi les activités de suivi, qui assure entre autres
l'atteinte des objectifs d'entreprise, de même que l'amélioration continue
de ces processus.

RéPMmlon des Activités d@ GesHolls dl"S Actifs, selon le Modèle ConcepTuel de LAM

Figure 2.3: Activités de Gestion des Actifs (lA M, 2015)

En ce qui concerne ce projet, il permet de travailler sur plusieurs de ces activités de

GDA, principalement l'ingénierie de la fiabilité. Un des objectifs est de déterminer les
facteurs affectant la fiabilité des équipements. À cet effet, l'effet des politiques de
maintenance sera étudié (planification de la GDA et opération de l'actif). Qui plus est, les
modèles qui sont appliqués serviront d'intrant à PGA, qui œuvre notamment dans la
stratégie et la planification, de même que la prise de décision en gestion des actifs.
Finalement, ce projet touche aussi aux activités informationnelles de l'actif.

Davis (2007) propose une définition intégrée des concepts clés en GDA. Selon lui,
la GDA est un processus d'amélioration continue visant l'amélioration de la fiabilité, de la
disponibilité, de la sécurité et de la longévité des actifs. La GDA ne se limite pas à la
maintenance, mais doit mettre en œuvre toutes les fonctions d'une organisation. Les piliers
 14

en gestion des actifs reposent principalement sur la connaissance des équipements, de leur
contexte opérationnel, de leur design, etc. Elle repose évidemment sur les activités de
maintenance, mais doit être considérée dans une vue de performance globale au sein de
l'organisation (Davis, 2007).

À cet effet, les transformateurs de puissances sont des actifs critiques du réseau de
transport d'électricité. Ce projet permettra d'appliquer de nouvelles techniques de
modélisation et, en conséquence, augmenter la compréhension du risque de défaillance des
transformateurs dans le réseau électrique. Cela permettra de mettre en lien les
caractéristiques techniques, les conditions d'utilisations, ainsi que les politiques de
maintenance avec la probabilité de défaillance des équipements dans le but d'améliorer les
performances des actifs.

Application de la GDA
Les articles suivants présentent les applications de la GDA, en particulier celles portant sur
les réseaux électriques et aux transformateurs de puissance.

Pour commencer, Cameiro (2013) présente les détails d'une méthode de priorisation des
équipements à risque, centrée sur la maintenance prédictive et appliquée aux
transformateurs de puissance. L'étude se concentre sur la simulation de différents scénarios
de maintenance, en utilisant les données historiques des équipements, l'analyse des types
et des modes de défaillances et les caractéristiques techniques des équipements. Le but est
d'optimiser en parallèle les coûts ainsi que l'effet de la maintenance sur la fiabilité des
équipements, pour finalement produire un plan de maintenance qui tient compte des
caractéristiques du système (Cameiro, 2013).

Singh, Sinha et Joshi (2016) présentent une revue des différentes démarches
d'application en maintenance basée sur la fiabilité (MBF) comme stratégie de GDA, dans
le contexte d'un poste électrique. Tout d'abord, les étapes de la MBF sont définies:

1. Identification des actifs critiques :

a. Analyser le comportement des composantes et leurs interactions envers les
différents systèmes, lorsqu'une panne se produit.
2. Analyse des modes de défaillance, de leurs effets et de leur criticité (AMDEC) :
a. Examiner les modes de défaillance, ainsi que les causes, la fréquence, les
effets, la gravité et les différentes méthodes de détection qui en découlent.
 15

3. Développement des actions de maintenance basées sur la fiabilité:

a. Développer des tâches pour diminuer les risques associés à chaque mode de
défaillance identifié.
4. Comparaison des tâches de maintenance:
a. Comparer les nouvelles tâches développées avec celles existantes, et voir
comment les intégrer dans une nouvelle planification.
Ensuite, ils présentent différentes méthodes analytiques, comme les estimateurs linéaires
(MTBF, MTTF, etc.) ainsi que des approches statistiques de base. Ils recensent aussi les
causes potentielles de problèmes d'équipements qui sont détectables par les données
(Singh, Sinha, & Joshi, 2016):

• Problèmes de design d'équipements:

o Classement des défaillances par types d'équipements, pour retrouver des
récurrences dans les composantes impliquées.
• Problèmes reliés aux matériaux :
o Analyse des données démontre une usure prématurée de certains
équipements.
• Problèmes de design du système:
o Analyse des défaillances récurrentes d'un équipement démontre qu ' il a mal
été sélectionné dans la composition du système.
• Problème dans les procédures de maintenance :
o Comparatif les données d ' un poste à un autre, selon les différentes équipes
de maintenance.
• Problèmes de procédure d'opération:
o Analyse des données démontre une usure prématurée de certains
équipements.
Finalement, ils présentent différentes méthodes de détection d'anomalies, ainsi qu'une
méthode de calcul pour l'optimisation des coûts-bénéfices.

Velasquez-Contreras, Sanz-Bobi et Galceran Arellano (2011) présentent les

éléments d'un modèle de GDA pour la distribution d'électricité. L'implémentation d'un
système intelligent pour la détection et le diagnostic des défaillances ainsi que l'estimation
du taux de panne sont montrés en exemple. Comme première étape, ils ont développé une
plateforme informatique pour l' intégration des données des différents systèmes
informatiques de l'entreprise. Cette plateforme, en plus d'inclure les données de
maintenance, regroupe les conditions d'opération, les historiques d'opérations et les
spécifications de chaque équipement. Ensuite, ils ont développé un module de détection
d'anomalies; des capteurs enregistrent les données en temps réel qui sont traitées par un
 16

réseau de neurones. Le réseau de neurones est entraîné pour détecter l'apparition de modes
de défaillance. Un module de diagnostic permet d'évaluer les conditions obtenues sur l'état
du système et de confirmer s'il y a apparition de modes de défaillances. Ces deux modules
enregistrent les données, qui sont transférées dans un module d'optimisation. Un autre
module est utilisé afin d'estimer le taux de défaillance des équipements; un modèle de
Markov caché a été utilisé pour déterminer les probabilités de transitions du système. Une
estimation des taux de défaillance permet de calculer le MTTF, ainsi que différents
indicateurs d' état du système. Tous les modules développés servent d' intrants à un
optimiseur, qui prend en considération l'ensemble de ces variables pour proposer des plans
de maintenance optimisée (Velasquez-Contreras, Sanz-Bobi, & Galceran Arellano, 20 Il).

Rexhepi (2017) présente les résultats d' analyses statistiques des transformateurs de
puissances du système de transport d'énergie au Kosovo. L'étude recense les types de
défaillances, les analyses de fiabilité et les politiques de maintenances adoptées. Les
données obtenues démontrent que 61 % des pannes sont causées par un court-circuit externe
du système de distribution et 7% par une trop grande intensité du courant dans le système.
Pour chaque composante impliquée, il calcule la probabilité de défaillance, selon le type
de panne entraînée, démontré à la Figure 2.4. L'étude confirme l'importance de surveiller
(monitoring) les conditions d'opération des équipements, dans le but de mieux gérer les
transformateurs de puissance (Rexhepi, 2017).

Palme des trallSfOnll ataJfs de puissauceci

'----

Défaillru,ces PaImes forcées 1 Prumes IlOt: piani fiées 1

Traduit de: [Link]. 2017

Figure 2.4: Évaluation de la fiabilité d'un transformateur de puissance (Rexhepi, 20/7)

Amadi-Echendu et Mafutsana (2016) présentent les développements, autant dans la

technologie des transformateurs de puissance, que dans la gestion de ce type d'actif. En
effet, ils proposent une revue bibliographique des tendances de 1970 à 2014. Ils exposent
 17

les différents changements technologiques qui ont permis d'améliorer les matériaux et la
structure des composantes, notamment par l'évolution des techniques de modélisation par
ordinateur. La publication fait aussi état des avancements dans le monitorage des
équipements à l'aide de capteurs, ce qui permet une meilleure application de la MBF et un
meilleur suivi de la santé des équipements (Amadi-Echendu & Mafutsana, 2016).

2.1 Concepts de base en fiabilité et maintenance

Le but des activités de maintenance est d'assurer et de maintenir la performance
d'un produit ou système. La maintenance se distingue de la production de biens dans le fait
que la qualité ou la conformité d'un bien est fonction de la performance de celui-ci, selon
des spécifications préétablies (tolérance, % défectueux, etc.). En production, le bien est
conforme s'il respecte les standards et qu'il est en mesure d'effectuer l'action pour laquelle
il a été conçu. Lorsqu'il est question de maintenance, la fiabilité est la capacité de ce bien
à effectuer ses actions d ' usage selon un intervalle de temps donné. Ainsi, la fiabilité peut
être exprimée comme étant la probabilité qu'un bien soit en mesure de performer ses
fonctions d'usages dans un intervalle de temps et dans des conditions préétablies
(Lazzaroni et al., 2011).

La fiabilité s'exprime sous la forme de modèle mathématique, ou sous forme

d'estimateur statistique, comme le temps moyen avant la défaillance (MTTF) ou le temps
moyen de bon fonctionnement (MTBF). Le but de l'étude de fiabilité est de prévenir et/ou
de réduire la fréquence des défaillances en appliquant l' ingénierie et les diverses techniques
statistiques. C'est aussi d 'identifier et d'éliminer, si possible, les mécanismes qui causent
des défaillances, en dépit des efforts de prévention. Enfin, les fiabilistes doivent estimer la
fiabilité de nouveaux composants (design) et analyser les données (O'Connor & Kleyner,
2011), notamment à l'aide de tests accélérés de durée de vie.

En ce qui a trait à la maintenance, il s'agit des actions visant la mise en œuvre des
objectifs de production d ' une entreprise. Elle inclut l'ensemble des activités de
planification, de gestion et d'exécution de l'entretien des équipements, dans le but
d 'atteindre ces objectifs d 'entreprise. En fiabilité, on distingue deux types de systèmes, les
systèmes réparables et les systèmes non réparables.
 18

2.2 Modèles statistiques en fiabilité

Il existe plusieurs façons de représenter mathématiquement la fiabilité, soit avec
des modèles non paramétriques et des modèles paramétriques.

Modèles non paramétriques

Les analyses non paramétriques permettent de prédire la fiabilité d'un système, sans
l'utilisation de distribution statistique. La construction d' histogramme est largement
employée pour étudier le comportement des systèmes, de même que l'analyse de la
moyenne et de la variance d'un échantillon. Ces méthodes permettent d' estimer la fonction
de densité de probabilité, sans avoir recours à une loi de distribution spécifique (Lewis,
1996).

Modèles paramétriques
De leur côté, les analyses paramétriques permettent de choisir la distribution de
probabilité appropriée et d' en évaluer les paramètres, à partir de données d'entretien des
équipements. Plusieurs facteurs viennent influencer le choix d' une distribution, que ce soit
selon l' ajustement de la courbe ou par le contexte opérationnel des phénomènes à l'étude
(Lewis, 1996).

2.3 Système non réparable

Lorsqu ' il est question d'un système non réparable, cela signifie qu'une défaillance
entraîne la fin de la vie du système. Il s'agit alors de calculer la probabilité de survie, ou
taux de risque, afin de déterminer l'occurrence de cet événement. Le temps moyen de
fonctionnement avant la défaillance est utilisé afin d'exprimer la durée de vie du système
en question (O'Connor & Kleyner, 20 Il).

Le taux de défaillance d'un système est caractérisé selon trois états, soit décroissant
en début de vie, constant durant la vie utile ou en croissance lors de la fin de vie. Ces
comportements sont généralement présentés sous la forme de la courbe baignoire.
 19

Taux de
défaillance, À
Mortalité Vie Utile Fin de Vie
Infatile
Taux
croissant

_ Taux de défaillance constant_

(A lemoire) i
Problème de Qualité:

•
\1allvalSC quali tc de picce ..
Prob lclllcs dOassemblage
Problcmc de procede
Probltille de capabilite
('p~
Stress> résistance:

•
E\'cncmcnt externe imprC\l..I
Accident
Dommage environnementaux
Sur\'oll age
i:
~ Us ure normale :

=..~~"...

Tmduction libre de King & Jc:wett (2010)

Temps
Figllre 2.5 Exemple de courbe baignoire (King & Jewett, ::010)

Les défaillances en début de vie sont souvent associées à des défauts dus à la
production, à l'assemblage, etc. Différents contrôles sont utilisés afin d'empêcher ces
produits de se rendre au client. Lorsqu'il s'agit de défaillance durant la vie utile, il est
question de défaillance aléatoire, c'est-à-dire qu'un niveau de stress inhabituel sur le
système dépasse sa capacité et cause la défaillance. Finalement, lorsque le nombre de
défaillances est croissant (en fin de vie), elles sont généralement associées au vieillissement
et à la dégradation physique des composantes (King & Jewett, 2010).

2.4 Système réparable

Dans le cas d'un système réparable, il se distingue par le fait que lorsqu ' un
événement de défaillance survient, le système peut être ramené dans un état de
fonctionnement. La fiabilité est alors exprimée comme le taux d'occurrence des
événements de défaillances (ROCOF ou taux de réparation), ou comme le temps moyen de
bon fonctionnement (MTBF).

Le taux de défaillance peut varier avec le temps, ou demeurer constant. Un taux

constant, comme pour les systèmes non réparables, est associé à des défaillances aléatoires
causées par des facteurs externes. Dans d'autres cas, le taux de défaillance peut être
 20

décroissant, si une réparation vient améliorer l'état de santé d'un équipement. Finalement,
l'usure globale du système causera progressivement un taux de défaillance en croissance.

Le choix d'un modèle mathématique dépend grandement du type de décision à

prendre, en plus du type de système à l'étude. Dans la représentation des systèmes
réparables, il y a trois cas de figure auxquels les modèles de probabilités permettent de
répondre. La première situation est lorsqu'il faut remplacer un élément non réparable d'un
système. Ce type de problème, nommé modèle de remplacement, permet entre autres de
déterminer le nombre de pièces de remplacement en inventaire, afin de minimiser les coûts
de stockage et de calculer la probabilité de pénurie de stock. Cela permet aussi de choisir
différente politique de remplacement :

)( K l( K K K

o
Politique de remplacement li la défaillance

o 1- c -----.j 1- c -----.j

Politique de remplacement selon l'age

g li 9 g K .

1- c c -----.jf- c
o
Politique de remplacement en black

Figure 2.6: Politiques de remplacement (Leemis. 2009)

La Figure 2.6, tiré de Leemis (2009), permet d'identifier trois politiques de remplacement.
Les défaillances sont illustrées par un « x » et les remplacements par un « 0 ». La première
politique stipule qu'un remplacement de pièce est effectué seulement lorsque celle-ci subit
une défaillance. Dans la seconde politique, un remplacement de la pièce est effectué
lorsqu'elle atteint un âge prédéfini «c ». La troisième politique consiste à remplacer la
composante à chaque intervalle de temps « c », peu importe l'âge de la pièce (Leemis,
2009). Pour continuer, la seconde problématique se résout à l'aide des modèles de
maintenance. Ces modèles sont utilisés lorsqu'un système doit subir de la maintenance
 21

préventive, ainsi que de la maintenance corrective. Le but est donc de déterminer à quel
moment il faut effectuer la maintenance préventive, par exemple, à quelle fréquence
changée l'huile d'un moteur à combustion. Finalement, il ya les modèles de réparation,
qui décrivent la situation où l'action de maintenance s'effectue seulement dans le cas où le
système défaillit (Leemis, 2009).

Afin de pouvoir répondre à ces situations, il faut utiliser des modèles de probabilités pour
déterminer l'occurrence des défaillances. Différents modèles ont été développés, se
distinguant selon plusieurs hypothèses. Si le temps de maintenance est négligeable par
rapport au temps de fonctionnement par exemple, le temps de défaillance est modélisé par
un processus ponctuel. Dans le cas contraire, certains utilisent notamment les modèles de
Markov (Leemis, 2009). Pour cette étude, il est raisonnable de faire l 'hypothèse que les
temps de réparations sont négligeables par rapport au temps de fonctionnement. Ainsi, les
probabilités peuvent être déterminées entre autres par les modèles HPP et NHPP, qui seront
décrits plus bas.

r T~I)ede
Réparation

r r 1
Réparation Répanuion Réparation
I)arfaite Imparfaite minimale
l~
r-
l HPP il Proces~us de
réj u\ énation
J\I od èle~ de
réparation
imparfaite
fi ~HPP

'-'-----
Figure 2.7: Processus ponctuel pOlir les systèmes réparables (Rausand & Hoyland. 2003)

Afin d'assurer une cohérence tout au long du texte, la notation suivante sera appliquée au
modèle HPP et NHPP :

Tableau 2./: Nota/ion mathématique

Variable Type de variable Signification

Paramètre de forme ième
k k défaillance
À Paramètre d'échelle Taux d'occurrence des défaillances
À(t) Fonction d'intensité Taux de défaillance à l'instant t
t Paramètre de positionnement Temps
e Constante de Neper (lnCe) = 1)
 22

2.5 Modèle HPP

Le modèle HPP (<< Homogeneous Poisson Pro cess ») est une forme simple et
populaire pour les calculs probabilistes des systèmes réparables. Par définition, ce modèle
considère un temps entre les défaillances constant, c'est-à-dire qu'il suit une distribution
exponentielle de À et que ces événements sont indépendants et identiquement distribués
(Leemis, 2009). On peut donc décrire le modèle HPP par les équations de la distribution
exponentielle:

Tableau 2.2: Description des équations du modèle HP?

# Fonction Équation Nom Description

Equation Fonction de densité
[Ct) Àe- At
2.1 de probabilité
Equation e- At
Probabilité que le système
Set) Fonction de survie
2.2 fonctionne au teml'.s T
Fonction de densité
Équation 1 -e -At Temps à la prochaine
F(t) de probabilité
2.3 défaillance Set) = 1 - F(t)
cumulative
Equation
h(t) "A Fonction d'intensité Taux de défaillance
2.4
Equation Fonction d'intensité
H(t) "At
2.5 cumulative

Étant donné que le taux de réparation est constant, ce modèle est le plus souvent utilisé
lorsque le système est dans sa période de vie utile (voir Figure 2.5). De plus, cela implique
qu'une réparation ramène le système dans son état original «as good as new», c'est
pourquoi on parle de maintenance parfaite (Technology, 2003).

Modèle NHPP
Contrairement à HPP, le modèle NHPP « Non-Homogeneous Poisson Pro cess » ne
considère pas une maintenance parfaite. La fonction d'intensité (h(t) = À(t)) n'est pas
nécessairement constante, elle peut évoluer en fonction de l'âge des équipements et on y
réfère comme étant un processus de loi de puissance. En d'autres termes, les réparations
antérieures n'affecteront pas les performances futures du système (Technology, 2003). De
plus, le modèle HPP est un cas particulier de NHPP. Effectivement, ce modèle offre
beaucoup de flexibilité, en plus de permettre de modéliser des systèmes en détérioration ou
en régénération. Aussi, la fonction d'intensité de la loi de puissance possède la même forme
 23

que la fonction de risque d'une distribution Weibull, présenté au tableau suivant (Leemis,
2009; Technology, 2003).

Tableau 2.3: Équations du modèle NHPP

Fonctio
# Équation Nom Description
n
Éq.
2.6 Jet) (~) (~f-l Fonction de densité de probabilité
Eq. -CE.)k Probabilité que le système
Set) e À. Fonction de survie
2.7 fonctionne au temps t
Eq. t k Fonction de densité de Temps à la prochaine
F(t) 1 - e -CA)
2.8 probabilité cumulative défaillance Set) = 1 - Fet)
À(t)
(~) (1t-
1
Éq.
Jet) Fonction d'intensité taux de défaillance
2.9 --
Set)

(~f
Éq.
H(t) Fonction d'intensité cumulative
2.10

L'équation de la fonction d'intensité de défaillance peut aussi s'écrire sous la forme:

Équation 2.11 h(t) = kÀt k - 1

En observant l'Équation 2. 11 , lorsque k 1:

h(t) = 1 * 1 1
À1t - = À

Comme démontré ci-haut, la fonction d'intensité HPP est la même que pour NHPP lorsque
k = 1.

Dans le cas de NHPP, le système est considéré« as bad as old» après sa réparation.
Cela signifie que le système, plutôt que de revenir aux conditions initiales, est remis dans
son état précédant la défaillance (Gamiz, Kulasekera, Limnios, & Lindqvist, 20 Il).

2.6 Estimateur du maximum de vraisemblance:

En statistique, il existe deux principales méthodes afin d'estimer les paramètres
d'une distribution ; la méthode des moindres carrés et l'estimation du maximum de
vraisemblance. L'estimation des paramètres des modèles utilisés en fiabilité se fait
généralement par l' estimation du maximum de vraisemblance (Myung, 2003).
 24

Le but cette méthode est de déterminer les paramètres de la fonction de densité de

probabilité susceptible de produire les données observées, considérant le modèle d'intérêt
(Myung, 2003). Pour ce faire, il faut maximiser la fonction de vraisemblance, qui
correspond au produit des fonctions de densités de probabilités:

Équation 1. /2

Let,8) = fl
i=l
fCti, 8)

Où e représente le vecteur de paramètres inconnus. De façon pratique, maximiser la

fonction de vraisemblance revient à trouver les valeurs estimées de e, en résolvant les
dérivées de la fonction, lorsque celle-ci est égale à zéro. En pratique, il est plus facile de
résoudre ces équations en appliquant le logarithme à la fonction Let, 8), c'est pourquoi il
est souvent question de fonction de log-vraisemblance, ou « log likelihood» (Leemis,
2009; Myung, 2003).

2.7 Analyse de survie

Les modèles présentés plus haut permettent d'obtenir de l'information essentielle
en GDA. Ces modèles permettent d'estimer le taux de défaillance observé des différents
actifs analysés. En revanche, ceux-ci ne prennent en compte que les événements de
défaillances, sans considérer l'influence d'autres facteurs sur le système. À cet égard, les
modèles de survie permettent de déterminer une relation entre ces événements de
défaillances et certaines variables (Gâmiz et al., 2011; Gorjian, Ma, Mittinty, Yarlagadda,
& Sun, 2010). Les modèles les plus connus sont le modèle de risque proportionnel (modèle
de Cox), le modèle additif d'Aalen et le modèle de vie accélérée. Encore une fois, ces
approches ne permettent que de traiter une seule défaillance. Plusieurs chercheurs ont donc
tenté de développer des extensions capables de traiter le cas d'événements récurrents. Les
variations du modèle de Cox les plus communes sont le modèle Andersen-Gill, Wei-Lin &
Wiessfield ainsi que Prentice-Williams-Peterson (Themeau & Grambsch, 2000).
 25

Extensions du modèle de Cox

Cette section a été élaborée à partir de l' ouvrage de Themeau et Grambsch (2000), qui
présente les extensions du modèle de Cox, ainsi que le tutoriel de Amorim et Cai (2014),
qui présentent un cas d'application des mêmes modèles. Ceux-ci sont catégorisés comme
des événements récurrents ordonnés, puisque la séquence des événements affecte le résultat
du modèle. Ces extensions du modèle de Cox doivent leur popularité au fait que plusieurs
outils permettent facilement leur implémentation. Effectivement, une fois que les données
ont été formatées correctement, l'application du modèle est presque similaire au modèle de
Cox. Il ne faut que remplacer l'estimation de la variance par une estimation corrigée, qui
tient compte des possibles corrélations (Themeau & Grambsch, 2000).

Correction de la variance
Pour le modèle de Cox standard, la variance est estimée en considérant que chaque
observation (événements de défaillance) est indépendante. Cependant, lorsqu 'un
équipement subit plusieurs défaillances, ces observations ne peuvent plus être considérées
indépendantes. Ainsi, la variance est estimée par une méthode de rééchantillonnage
(Jackknife), afin de prendre en compte qu ' un équipement subit des défaillances de façon
récurrente (Themeau & Grambsch, 2000). De façon pratique, il suffit de considérer le
numéro d'identification de l'équipement comme l'identifiant d' un groupe d'observation.

Structure des données

Comme mentionnée plus haut, ces extensions du modèle de Cox ont une implémentation
presque similaire au modèle de base, ce qui facilite grandement leur application. La
première différence réside dans la façon de formater les données. Cette section permettra
de démontrer deux façons, suivie d'un exemple tiré du tutoriel de (Amorim & Cai, 2014).
Méthode de type processus de comptage:

o Chaque équipement est représenté par une série de défaillances

(observations)
• Chaque événement de défaillance k d'un équipement i représente
une observation
 26

Tableau 2.4: Exemple de données (processus de comptage)

id tstart tstop status event trt numtum Slze

1 0 1 0 1 1 1 3
2 0 4 0 1 1 2 1
3 0 7 0 1 1 1 1
4 0 10 0 1 1 5 1
5 0 6 1 1 1 4 1
5 6 10 0 2 1 4 1
6 0 14 0 1 1 1 1
7 0 18 0 1 1 1 1
8 0 5 1 1 1 1 3
8 5 18 0 2 1 1 3
9 0 12 1 1 1 1 1
9 12 16 1 2 1 1 1
9 16 18 0 3 1 1 1

Tableau 2.5: Description des variables de l'exemple

id Identifiant du patient
tstart Temps du début de l'intervalle d'observation
tstop Temps de fin de l'intervalle d'observation
status status = 1 si l'événement est récurrent et 0 s'il est censuré
event le k ième événement
trt
numtum Covariables
Slze

Cet exemple illustre un essai clinique sur différents patients, ce jeu de données est
largement utilisé dans la littérature et est connu sous le nom de « bladder dataset ». Les
observations du patient 5,8 et 9 mettent en lumière que les observations sont soit l'entrée
dans l'étude ou bien un événement d'intérêt. Dans ce cas-ci, seulement trois patients ont
observé l'événement d'intérêt. Les autres données ont donc une censure à droite (status =
0), de même que pour la dernière observation de ces individus (5,8,9) (Amorim & Cai,
2014; Therneau & Grambsch, 2000). Dans ce jeu de données, la colonne « event », présente
une incrémentation à chaque événement, soit une nouvelle strate. Il peut donc être utilisé
pour le modèle AG, ainsi que le modèle PWP.
 27

Méthode par strate:

o Le nombre maxImum d 'événements de défaillances vécus par les

équipements représentent le nombre de strates.
• Pour chaque équipement i, il Y a une observation par strates k.

Tableau 2.6: Exemple de données (format strates)

id time status event trt numtum Slze

1 1 0 1 1 1 3
1 1 0 2 1 1 3
1 1 0 3 1 1 3
1 1 0 4 1 1 3

5 6 1 1 1 4 1
5 10 0 2 1 4 1
5 10 0 3 1 4 1
5 10 0 4 1 4 1

9 12 1 1 1 1 1
9 16 1 2 1 1 1
9 18 0 3 1 1 1
9 18 0 4 1 1 1

Cet exemple de données stratifiées ne représente que les données des patients l, 5
et 9. Comme le nombre d'événements maximum est de quatre (incluant l'entrée dans
l'étude), chaque patient a quatre observations. Les strates sont identifiées par la variable
« evenl ». À titre comparatif, le jeu de donnée complet compte 190 observations dans le
premier format, tandis qu ' il en contient 340 dans l'autre.

Un autre facteur important de la structure des données est l'échelle de temps utilisé. Le
premier cas illustre un intervalle de temps entre deux événements. Dans le second cas, le
temps est calculé depuis le début de l'étude pour chaque observation. Dans la littérature,
on désigne souvent ce modèle comme « gap lime model ». De plus, les modèles peuvent
aussi contenir des cofacteurs variant dans le temps, c'est-à-dire que leurs valeurs peuvent
changer tout au long de l'étude. Finalement, le jeu de donnée peut être stratifié, donc
subdivisé en sous-population homogène. De plus, chaque observation est assignée à une
 28

seule strate. À partir de ces concepts, les extensions du modèle de Cox se décrivent comme
suit:

~ Modèle Andersen-Gill, ou modèle d'incrément indépendant:

Hypothèses:
• Les événements de défaillance d'un équipement sont mutuellement
indépendants
• Les événements de défaillances ne changent pas la fonction de référence
(strates).
Particularités:
• Données formatées selon un processus de comptage
• Pas de stratification des données
• Échelles de temps possible:
o Temps d'intervalle entre les événements
• Permet d'estimer l'effet global des variables d'intérêt.

~ Modèle Wei-Lin & Weissfeld, ou modèle marginal:

Hypothèses :
• Les événements de défaillances changent la fonction de référence
• Traite le problème comme étant un problème de risque concurrent non ordonné.
Particularités :
• Le nombre max imum de défaillances vécues représente un nombre de strates
o Chaque observation d'un équipement est placée dans la strate
correspondant à sa énième défaillance
• Stratification des données
o Chaque strate k a sa propre fonction de référence Aok(t)
o Données formatées par stratification
• Échelle de temps possible:
o Temps depuis l'entrée dans l'étude

~ Modèle Prentice-Williams-Peterson (PWP), ou modèle conditionnel :

Hypothèse:
• Un équipement ne peut être à risque de subir sa k ième défaillance s'il n'a pas
subi sa k - lième .
 29

Particularités:
• Données formatées selon un processus de comptage
• Chaque événement est assigné à une différente couche
• Échelles de temps possible:
o Temps depuis l'entrée dans l'étude
o Temps d'intervalle entre les événements
• La fonction de référence varie selon la strate
PWP-TT:
• Modèle PWP avec une structure de donnée de type « total time »
o Même échelle de temps que le modèle AG
o Évalue l'effet de variables d'intérêt pour un événement k depuis le début
de la période d'étude.
PWP-GT:
• Modèle PWP avec une structure de donnée de type « gap time »
o Assume un processus de renouvellement « renewal pro cess »
o Utile lorsque:
• Les défaillances ne sont pas fréquentes
• L'hypothèse du renouvellement est adéquate
o Évalue l'effet de variables d'intérêt pour un événement k depuis
l'événement précédant.

Tableau 2.7: Fonction d'il1fensité des modèles de sllrvie

Modèles de survie
Fonction d'intensité/ de
Nom du modèle Particularité
risgue
Modèle à risque proportionnel - ÀJt) = Ào(t)ePXi(t)
Evénements
Modèle d'Andersen-Gill
récurrents
Ài(t) = Ào(t)ePXi(t)
Prentice-Williams-Peterson total Evénements
time récurrents
Àik(t) = ÀOk(t)ePkXi(t)
Prentice-Williams-Peterson gap Événements Àik(t)
time récurrents = ÀOk(t - tk_1)ePkXi(t)
Evénements
Méthode de Wei-Lin-Weissfeld
récurrents
Àik(t) = ÀOk(t)ePkXi(t)
Evénements
Modèles à fragilité partagés
récurrents
Àik(t) = ÀOk(t) Zi ePkXi(t)
 30

Tableau 2.8: Description des variables des modèles de sllrvie

Variable Signification
i Équipement! individus i de la population à l'étude
t Temps
ÀiCt) Risque/intensité de défaillance de l'équipement i au temps t
ÀaCt) Fonction de risquelintensité de référence
f3 Vecteur des coefficients (effet de la variable d'intérêt)
x·1 Matrice des covariables de l'équipement i
LC(3) Fonction de vraisemblance

Applications et avancées
Gorjian et al. (2010) proposent une synthèse des différents modèles de survie, ainsi que les
forces et faiblesses de chacun. Selon lui, la force du modèle de Cox est qu'il n'est pas
nécessaire de spécifier une distribution de référence. De plus, les coefficients peuvent être
estimés en utilisant une fonction de vraisemblance partielle, ce qui permet une estimation
efficace de l'effet des covariables. En revanche, le modèle de base permet seulement de
traiter les systèmes non réparables, puisqu'il considère les défaillances létales (Gorjian et
al. , 2010). De son côté, le modèle de risque additif permet de déterminer les variables
d'intérêts d'un système réparable, lorsque celui-ci subit une maintenance imparfaite.
Cependant, l'auteur souligne que l'hypothèse d'additivité du risque peut mener à une
estimation du risque négatif, et mène donc à des résultats peu réalistes (Gorjian et al.,
2010). Les modèles d'intensité proportionnelle, aussi produite par Cox, sont une famille
d'extensions permettant de traiter les systèmes réparables. Comme le modèle de base, il
s'agit de modèles simples d'utilisation et très répandus. Les coefficients sont calculés à
partir de l'estimation du maximum de vraisemblance (Gorjian et al., 2010). D'autre part,
Shwu-Tzy, Landers et Rhoads (2006) comparent différentes variantes des modèles
d'intensité proportionnelle. Ils s'intéressent à leur application à l'ingénierie. Toutefois,
puisque ces méthodes sont peu utilisées en ingénierie, ils considèrent aussi les approches
du domaine médical. En outre, ils testent des variantes semi-paramétriques, et des variantes
paramétriques (suivant un Processus de Poisson Non-Homogène). Les modèles à l'étude
sont le modèle AG, PWP et WLW. Le tableau suivant présente un réseau des contributions
évaluées par Shwu-Tzy, Landers et Rhoads (2006) :
 31

Tableau 1.9: Résumé des articles

Auteurs Articles But de l'étude Systèmes à l'étude Modèles Variables Conclusion

T. L. Taux
Robustness of a semi-
Landers & d'occurrence
parametric proportional L'application du modèle est
H.E. Déterminer les conditions des
intensity model Données simulées à appropriée lorsque le taux
Soroudi d'utilisation du modèle PWP, défai Ilances
partir d'un modèle d'occurrence des défaillances se
W.M. pour ensuite utiliser les PWP
Robustness evaluation NHPP suivant une situe entre 1 et 3 et que la taille de
Qureshi, T. résultats pour prédire le temps
of a semi-parametric loi de puissance Grosseur de l'échantillon est supérieure à 60
L. Landers, entre les événements.
proportional intensity l'échantillon observations
and E. E.
model
Gbur
Taux L'application du modèle est
Semi-parametric PWP Données simulées à
T. L. d'occurrence appropriée lorsque le taux
model robustness for Étudier la robustesse du partir d'un modèle
Landers, S. des d'occurrence des défaillances se
log-linear increasing modèle, dans le cas d'un NHPP suivant une PWP
T. Jiang, and défaillances situe entre 0 et 3 et que la taille de
rates of occurrence of processus NHPP fonction d'intensité
J. R. Peek Grosseur de l'échantillon est supérieure à 60
failures log linéaire
l'échantillon observations
PWP Taux Pour les petits échantillons, PWP
Semi-parametric
S. Jiang, T. Étudier la robustesse des Données simulées à AG d'occurrence perforrne bien lorsque la majorité
proportional intensity
L. Landers, modèles, dans le cas d'un partir d'un modèle des (80%) des équipements présentent
models robustness for
and T. R. processus NHPP avec des NHPP suivant une défaillances des censures, ainsi que pour de
right -censored WLW
Rhoads données censurées à droite loi de puissance Grosseur de grands échantillons hautement
recurrent failure data
l'échantillon censurés.
PWP réussit à bien perforrner
Temps de lorsque la durée d'interruption est
S. Jiang, T. Évaluer la perturbation des PWP
Proportional intensity réparation inférieure à la moitié du temps de
L. Landers, modèles lorsque le temps
models robustness with fonctionnement précédent.
and T. R. d'indisponibilité du système est
overhaul intervals AG performe assez bien, peu
Rhoads grand. Grosseur de
AG importe le temps de réparation, si
l'échantillon
l'échantillon est petit
 32

Tablea1l :J. JO: Rés1Imé des articles (suite)

Auteurs Articles But de l'étude Systèmes à l'étude Modèles Variables Conclusion

L'impact des variables de stress et

Taux de
Practical aspects of Déterminer l'impact de de températures s' est avéré
Données de défaillance
modeling of repairable covariable sur les significatif.
J. 1. Ansell and défaillance d'un
systems data using défaillances d'un PHM Aussi, l'estimation du taux de
M. J. Phillips système de
proportional hazards système de défaillance par une méthode
photocopieur Covariables
models photocopieur paramétrique permet d'avoir une
estimation plus précise.
Débit maximum
J. Anse ll, T. Analyse des actions non Donnée d'un de l'eau
Assessing the
Archibald, J. planifiées de système de Débit moyen de Les covariables ont un impact
maintenance in a PWP
Dagpunar, L. maintenance et de traitement d'eau l'eau significatif sur la fiabilité du
process using a semi- modifié
Thomas, P. Abell, réparation sur le municipal: Filtre à Processus système
parametric approach
and D. Duncalf processus de filtration graviter (performance,
adéquation, etc.)
Taux
Identifier les Modèle
J. Ansell, T. Donnée d'un d'occurrences
Analysing covariables de de Crow
Archibald, J. système de des défaillances La remise à neuf des équipements a
maintenance data to maintenance qui ont un
Dagpunar, L. traitement d'eau un impact significatif sur le taux de
gain insight into effet sur la fiabi lité du Modèle
Thomas, P. Abell, municipal: Filtre à Effet des remises défaillance
systems performance système de fi ltration de Cox &
and D. Duncalf graviter à neuf
d'eau Lewis
Proportional hazards Causes Le type de câble et la présence de
Étudier les facteurs qui
modeling oftime- mécaniques nouveau joint de soudure a un
causent la défaillance
D. Kumar and U. dependent covariates Système de impact significatif sur le taux de
des câbles PHM
Westberg using linear chargeur "LHD" Causes défaillance. De plus, les données
d'alimentation des
regression: A case thermiques démontrent que la variable du type
équipements
study de câble est dépendante du temps.
 33

Finalement, Percy et Alkali (2006) proposent une variante du modèle d'intensité

proportionnelle, qui prend en compte l'effet de la maintenance sur le taux de réparation des
équipements. Le modèle est ensuite appliqué à un jeu de données publié par l'industrie
pétrolière. En outre, leur modèle démontre une bonne performance dans la prise en compte
des variables d'intérêts (Percy & Alkali, 2006).

2.8 Qualité et nettoyage des données

Comme mentionné plus haut, la qualité des données est un enjeu important du
projet. En ce sens, la plupart des projets qui nécessitent l'utilisation de données d'opération
saisies manuellement font face au même problème. Bien que ce mémoire ne traite pas
directement cette problématique, le contexte appliqué du projet force à adopter de bonnes
pratiques dans le nettoyage des données. Cette section décrit différentes techniques qui ont
été développées.

Dans un premier temps, Ho et ses collaborateurs (2015) proposent une étude de cas,
appliquer dans la GDA des équipements du domaine minier, afin de recenser différents
problèmes issus des données. Ils soulignent que les données enregistrées sont souvent
erronées, manquant de détails et de précision, et par conséquent peu propice à aider la prise
de décision (Ho, Hodkiewicz, Pun, Petchey, & Li, 2015). L'attention se porte sur différents
champs des bases de données relationnelles (BD) et l'étude révèle des faiblesses au niveau
de:

• L'assignation des tâches de maintenance au bon sous-système

• La cohérence dans l'assignation des codes pour décrire le type de travail
o Type de maintenance (conditionnelle, préventif, correctif, etc.)
• La cohérence dans l'assignation des codes pour décrire les composants à maintenir
• L'utilisation des champs texte pour la description des tâches
o Mauvaise utilisation
o Champs non standards
• L'utilisation réelle des équipements
o Incapacité de déduire l'usage réel à partir des données
Ensuite, Hodkiewicz et Ho (2016) proposent de développer une méthode efficiente
pour corriger les données, en identifiant les problèmes de qualité à partir des bons de travail
de maintenance pour pouvoir faire des analyses de fiabilité. En effet, une méthode de
nettoyage de donnée basée sur des règles est développée et appliquée au cas des
 34

équipements miniers, sur un jeu de données réelles . Celle-ci permet de démontrer qu'il est
possible de corriger les erreurs d'une base de données de maintenance et de les rendre aptes
au traitement statistique. Le nettoyage se fait en partie par la récupération d'informations
essentielles qui sont consignées dans les champs de texte libre.

Prasad et al. (2011) développent un ensemble d'outils pour personnaliser les règles
de nettoyages de données, ainsi que les dictionnaires. La principale contribution est de
développer un outil d'organisation des règles de nettoyage en élaborant une structure
arborescente. La méthodologie débute par l'examen des données, où sont recensées les
différentes erreurs. Ensuite, à partir de cette analyse, des règles et des dictionnaires de
synonymes et de variantes sont élaborés. Le client peut alors décider d'appliquer les règles
sur ces données, puis faire des analyses (Prasad et al., 20 Il).

Quant à Murphy (2019), il étudie la qualité des données, du point de vue de

l' utilisateur. Plutôt que de corriger les données, il analyse l'importance des facteurs
humains relatifs à la qualité des données saisies dans un système informatique. La variance
dans la qualité des données est influencée grandement par l'utilisateur qui la saisit. Cela
démontre la nécessité de développer une meilleure gestion des groupes de travailleurs qui
les produisent. En se basant sur la théorie des comportements planifiés, il évalue l'impact
de l'attitude, de la perception, et des intentions envers le processus de collecte de données.
Il prend aussi en considération l'effet de la pression du temps et de la rétroaction du
personnel-cadre auprès des opérateurs. En outre, il démontre l'importance de l'implication
et de la valorisation du travail des opérateurs envers la saisie des données, dans le but d'en
améliorer la qualité (Murphy, 2009).

Berti-Équille (2018) présente les différentes approches, ainsi qu 'une méthodologie

afin de quantifier la qualité des données (diagnostique) et de gérer cette qualité (correction).
L'article se divise en trois partie: la gestion et la mesure de la qualité des données, et la
correction de ces données (Berti-Équille, 2018). La Figure 2.8 résume les approches de
gestion de la qualité des données, tandis que la Figure 2.9 résume une démarche de gestion
de la qualité et de la correction des données. De plus, l'auteure détermine plusieurs
métriques afin de mesurer la qualité, selon les différents niveaux d'analyse des données.
 35

App!'OdIes dil9nootlqu..

-tdîtion. audit. comptages

- Analvses IlatistiQues
-Fouille de données exploratoire
- Gestion des matadonnée,

.............. ~ ..........
-~de""","''''''''''
-au.II6 ......
-Geollande p'aR
-MIrueoi _
- _ .... cIonnMo
-per--
-_Dota-..
-~.........,de""'-

_II ~ .... CIOnnMO

Approches corTeCti"..
-Comparaison à la vérité terrain
-Consolidation des données dO .prè,
plusieurs sources ou bases de référence
-Nettovage. ETL
- Imputation des valeurs manquantes
-Ëli mination des doublons

Figure 2.8: Approches pour l'éval1lation et le contrôle de la qualité des données (Serti-Équille, 2018)

Nettoyer

StandardIsation
expliquer
ReparatIon
Exploitation des donnees basée
des metadonnees règtes et heuristiques

ConsolidatIon
des données

UtIlisatIon de sources et bases

de connBlssances externes

Figure 2.9: Cercle vertueux pour la gestion de la qualité des données (Serti-Équille, 2018)
 36

Finalement Hodkiewicz et Montgomery (2014) élaborent une approche afin de

déterminer les données nécessaires à chaque type de décisions, dans un contexte de GDA.
À cet effet, ils ont listé différents champs d'une BD qui correspondrait à des types de
décisions à prendre pour la maintenance. De cette façon, il est possible d'évaluer la capacité
d'une entreprise à effectuer la GDA, dans diverses sphères décisionnelles. Cela permet
aussi de dresser le portrait d'une entreprise et de donner des indications sur les informations
manquantes à ajouter dans leur système, s'ils veulent prendre certaines décisions
stratégiques.

En terminant, la revue de littérature a permIs d'établir les connaIssances

scientifiques en lien avec les sujets abordés. Les concepts de la gestion des actifs et des
modélisations statistiques en fiabilité ont été introduits, de même que les avances
scientifiques du domaine. Le chapitre suivant présente la méthodologie, qui permettra de
répondre aux questions et aux objectifs de recherche.
 37

CHAPITRE 3

MÉTHODOLOGIE
Ce chapitre présente la méthodologie mise en application à chaque étape du projet.
Le développement de celle-ci est basé sur les questions et les objectifs de recherche, de
même que sur la revue de littérature. L'objectif principal de cette recherche est d'améliorer
la compréhension des facteurs affectant la fiabilité des actifs d'un réseau de transport
d'électricité. Les moyens employés à cette fin sont l'application de modèles fiabilistes à
une étude de cas portant sur les transformateurs de puissances. Ces moyens sont détaillés
dans ce chapitre.

Dans un premier temps, les méthodes d'acquisitions et d'analyses préliminaires

sont décrites au point 3.0. En second, les méthodes de modélisations du taux de défaillance
sont expliquée au point 3.1. Finalement, les modèles de régressions utilisés sont exposés
au point 3.2. L'application de ces méthodes, ainsi que les résultats et discussions sont
présentés respectivement au chapitres 4, 5 et 6.

3.0 Analyse préliminaire et préparation des données

Analyse exploratoire des données
Pour commencer, il importe de reconnaître l'une des contraintes majeures d ' un tel
projet; la qualité des données. L' utilisation de données réelles, souvent saisies de façon
manuelle, nécessite un traitement préliminaire rigoureux (filtre, nettoyage, etc.). L'analyse
exploratoire permettra d'extraire un maximum de connaissances des données de base.
D'autre part, cela contribuera à augmenter la qualité du jeu de données, en performant les
traitements adéquats à la préparation de ces données.

Des méthodes de visualisation (histogrammes, nuages de points, diagrammes de

quartiles) de même que des statistiques descriptives des données (moyenne, médiane,
variance, etc.) permettront d'enrichirent les analyses préliminaires. Ces méthodes
faciliteront la détection de données aberrantes, d'erreurs de saisies, de données manquantes
et parfois même de déceler certaines tendances.

Nettoyage des données

 38

Une fois que des anomalies ont été détectées dans les données, il est impératif de
mettre en place des stratégies afin de pallier celles-ci. L'objectifvise à augmenter la qualité
des données afin de diminuer les biais et les incertitudes inhérentes à chaque type d'erreurs.
Ainsi, la création de règles d'exclusion de données favorisera l'élimination des données
aberrantes, des doublons, des entrées vides, etc. Ensuite, un audit de la qualité des données
permettra d'en apprécier la complétude, la précision (moyenne, écart type, mode, etc.) ainsi
que la compréhension.

Préparation des données

Pour poursuivre, les données doivent être préparées afin qu'elles puissent être
traitées, selon les méthodes de modélisation choisies. Une fois nettoyées, ces données
doivent être analysées pour en connaître l'utilité. Il faut sélectionner les variables qui
enrichiront les modèles, en tenant compte de la complétude et des exigences de base des
modèles. Certaines variables devront être écartées, puisqu'elles alourdissent le modèle sans
apporter d ' information pertinente. D 'autres seront exclues en raison de la qualité des
données. Aussi, certaines variables seront combinées afin d'augmenter la performance de
traitement sans diminuer la qualité du modèle. Certaines de ces variables devront être
modifiées pour que l'algorithme puisse les traiter, notamment les variables qualitatives. En
outre, il est important que les variables nominales et ordinales soient traitées de façon
distincte, afin d' obtenir des résultats cohérents.

Ensuite, les données seront filtrées, afin de cibler une population précise et de
réduire la quantité de données à traiter. Dans ce cas-ci, les filtres serviront à cibler la famille
d' équipement des transformateurs et à observer une fenêtre d'étude sur quelques années
seulement.

3.1 Modélisation du taux de défaillance

Une fois que les analyses préliminaires ont été faites et que les données ont été
nettoyées et filtrées, il est possible de calculer un taux de défaillance de façon plus
rigoureuse. Comme présentée dans les chapitres précédant, selon le cas à l'étude, le calcul
du taux de défaillance peut être fait selon plusieurs méthodes statistiques. Pour ce projet,
la fiabilité des transformateurs de puissances sera étudiée. En cas de défaillance, ce type
d'équipement est soit remplacé ou réparé. De ce fait, il est impératif de ne considérer que
 39

les modèles adaptés aux systèmes réparables. À partir de la littérature, deux méthodes de
calcul ont été relevées, soit le modèle HPP et le modèle NHPP qui sera appliqué pour le
projet. L'une de ces méthodes considère un taux de réparation optimiste comme constant
à travers la vie de l' équipement et l'autre pessimiste avec un taux de défaillance pouvant
évoluer au cours de la vie de l' équipement; le calcul du taux de défaillance permettra de
supporter le processus décisionnel en gestion des actifs. Pour déterminer la fonction
d'intensité du modèle NHPP, la méthode développée par le Dr Wayne B. Nelson sera
appliquée (Nelson, 2003). Cette méthode non paramétrique est basée sur la « mean
cumulative function » (MCF).

Tout d'abord, le type de donnée traité comporte certaines spécificités; bien que
certains équipements soient en service depuis plusieurs années, les données de maintenance
sont récentes . L'analyse est réalisée sur un échantillon dans un intervalle de temps récent,
avec un historique de donnée tronqué. Certains équipements ont donc des événements
censurés, c'est-à-dire qu'un équipement peut avoir subi une défaillance avant ou après la
période d'observation, sans en avoir connu durant la période étudiée. La méthode est
décrite selon les instructions tirées de (Nelson , 2003) :

1. Ordonner chaque observation en ordre croissant selon l'âge lors de l'événement

a. Âge lors de la défaillance
b. Âge de censure: lors de la mise en service ou du retrait durant la période
échantillon
2. Déterminer le nombre d'unités qui entrent l'échantillon à l'âge ti
a. +Ni: Nombre d'équipements qui entrent l'échantillon à l' âge t i (censure à
gauche)
b. -Ni : Nombre d' équipements qui sortent l'échantillon à l'âge ti (censure à
droite)
3. Calculer le nombre d ' équipements qui sont à risque à l'âge t i
a. Pour chaque observation, le nombre d'équipements à risque de subir une
défaillance
i. ri = ri - 1 + Ni
4. Calculer l'incrément du nombre moyen de récurrences par unité à risque
a. Correspond à mi = ~
ri
b. Pour un âge censuré, mi = 0
5. Calculer la somme cumulative des incréments (MCF)
a. Mt = mi + Mt-l
b. Pour un âge censuré, Mt = 0
6. Tracer le graphique des Mt en fonction de l'âge ti
 40

7. Tracer la courbe d'ajustement, afin de déterminer les paramètres d'une loi de

pUissance

La Figure 3.1 est un exemple de données structuré selon cette méthode:

1. Âge 2. Entrée 3. Nombre à risque 4. IncrémentaI % 5. Cumulative %

ti Ni ri mi = lOO/ri Mi = Mi-l +mi
0 + 149 149
0 +195 344
0.17 344 0.29 0.29
0.17 344 0.29 0.58
1 +458 802
1.34 802 0.12 0.71
2.17 802 0.12 0.83
2.58 802 0.12 0.96
2.59 +164 966
3.3 966 0.10 1.06
3.65 966 0.10 1.16
4.14 966 0.10 1.27
4.14 -195 771
4.45 +356 1127
4.47 1127 0.09 1.35
4.47 1127 0.09 1.44
4.62 1127 0.09 1.53
4.62 1127 0.09 1.62
4.65 1127 0.09 1.71
4.79 1127 0.09 1.80
5.09 -149 978

Figure 3./ : Exemple de données

1. « Âge ti »: Âge à l'événement, censuré ou non

2. « Entrée Ni »:
a. + Lorsque des équipements entrent dans l'étude durant la période observée
(ex. : mise en service)
b. - Lorsque des équipements sortent de l'étude durant la période observée
(ex. : retrait d'équipement, défaillance létale, etc.)
3. « Nombre à risque» ri: Nombre d'équipement à risque d'avoir une défaillance, à
l'âge ti
4. « Incrémentai % mi » : Correspond à l'incrément du nombre moyen de
récurrences par unité à risque. Dans ce cas-ci, l'auteur a préféré utiliser lOO/ri afin
de l'exprimer en pourcentage
 41

5. « Cumulative % Mt » : Correspond au cumulatif du nombre moyen de récurrences

par unité à risque

La courbe d'ajustement sur les données permet donc de déterminer les paramètres de la loi
de puissance, donc du taux de défaillance. La méthode des moindres carrées permet de
produire une courbe en utilisant les paramètres de la loi minimisant la somme des écarts au
carré entre les points et cette courbe.

3.2 Modélisation et régression avancées

Pour terminer, des modèles de régression seront appliqués. La revue de littérature
a permis d'établir les méthodes existantes pour modéliser les covariables. Ces méthodes
seront donc appliquées aux cas des transformateurs, afin de déterminer la ou les méthodes
les plus appropriées pour décrire les variables affectant le taux de défaillance. Du même
coup, les méthodes qui seront retenues serviront aussi à améliorer la connaissance des
équipements et des facteurs qui en affecte la fiabilité. Tout comme les modèles de calcul
du taux de défaillance, les modèles de régressions qui seront testés sont adaptés aux
systèmes réparables.

Les modèles retenus sont des extensions du modèle de Cox, soit les modèles
Prentice-Williams-Peterson (PWP) et le modèle Anderson-Gill. Selon l'étude menée par
Shwu-Tzy, Landers et Rhoads (2006), les modèles PWP offrent une bonne performance et
sont généralement ceux qui sont le plus utilisés en fiabilité. De plus, l 'hypothèse du modèle
PWP est que le risque d'occurrence d'un événement est influencé par les événements qui
l'ont précédé (Amorim & Cai, 2014). Cette hypothèse semble appropriée au contexte de la
fiabilité des transformateurs. Comme le modèle AG et le modèle PWP-TT utilisent la
même structure de données, il sera facile d'implémenter les deux modèles et de les
comparer.

Une fois que ceux-ci auront été appliqués, des tests statistiques permettront de
déterminer si les modèles développés sont statistiquement valides et ainsi discriminer
certaines méthodes. Les modèles valides seront alors analysés, afin de déterminer SI

certaines variables ont un effet significatif sur le taux de défaillance observé.

 42

Les méthodes d' application ont été développées à partir de l'ouvrage de Themeau
et Grambsch (2000), ainsi que du tutoriel d'Amorim et Cai (2014). Le code des modèles
de survie a été développé sur la plateforme Databricks, dans le langage de programmation
R. Pour ce faire, la librairie « survival » a été utilisée. Cette librairie est la référence dans
l' application des modèles de survie sur R et a été développée par Themeau et Lumley
(2014). Voici un exemple de la formulation qui sera utilisée :

library (survival) 1
modeAG = cox;E!hjSurv(tstart LtstoE ( status) - varl + var2+ ... + ~,
method="breslow", robust=TRUE, data = examplel)
summary(model.l)

Figure 3.2: Exe mple du mod èle Andersen-G ill

• library (survival)
o Importation de la librairie
• coxph(Surv(tstart,tstop,status)
o Déclaration du modèle de survie Cox
o Les variables sont déclarées comme un processus de comptage
• - varl + var2 + ... + vark
o Déclaration des champs de covariables
• method="breslow"
o Cette méthode permet une estimation précise de la fonction de survie
• robust=TRUE
o Estimation de la variance par la méthode « Jackknife »
• data = examplel
o Déclaration du jeu de données
modelPWE'TT=coxph (Surv (tstart , ts top, sta tus) -varl+var2+ ...+vark+cl us ter (id) +s
t rata(event ) , method="breslow",data=examplel)
summary(modelE'WE'TT)

Figure 3.3: Exemple du modèle conditi onne l

• cluster(id)
o Estimation de la variance par la méthode « grouped Jackknife »
• strata(event)
o Stratification sur la variable du nombre d'événements
modelWLW = co h Surv(time ( status) - varl + var2+ ... + ~ + cluster(id)
method="breslow" , data = ex l e 2)
summary (modelWLW) 1

Figure 3.4 : Exemp le du modèle marginal

• coxph(Surv(time,status)
o Déclaration des données par strate
• data = example2
 43

o Jeu de donnée en format par strate

Ces trois exemples permettent de comprendre comment déclarer les deux types de jeu de
données. De plus, les méthodes d'approximation de la variance sont démontrées, de même
que la stratification des variables. L'un des cas de figure possibles est que le jeu de données
présente des variables qualitatives. Dans ce cas, la variable var1 est déclarée avec le terme
factor(var 1).

Finalement, la Figure 3.5 résume les étapes qui seront appliquées au projet, et met
en relief que ce projet ne se veut pas une réponse absolue aux facteurs qui affectent la
fiabilité. Le projet permet plutôt de mettre en place une boucle d'amélioration des modèles
statistiques en application chez HQ et ouvre la discussion sur les variables d'influences.
En outre, ces modèles sont voués à évoluer; ils permettent de mettre à jour les
connaissances, mais surtout de soulever les informations à recueillir dans le futur.

M éth odo logie

Nettoyage et fOlmatage des

Analyse exploratoire
dOllllées
Revue de littérature
Nettoyage des données

Visualisation des donn~s

[- Transfonnotioo des données

Consultatioo d'expert
[ Extraction des variables d'intérêts

E3

Données prêtes à J'analyse

Sélection d'un algorithme

Il
Élaboration du modèle

Appication de l 'algorithme

huérence 1 Application des nouvell~s -

connai ssances Testetvalidatioo du mo&le

Ajustement

Figllre 3.5: Méthode d'application des modèles dejiabilités

 44

CHAPITRE 4

ANALYSE PRÉLIMINAIRE
Pour commencer, il est primordial d'analyser les données brutes, afin d'assurer la
qualité, la faisabilité et la validité des modèles qui seront appliqués. Pour ce projet,
l'approche de diagnostic est employée, plus précisément l'audit, le comptage, la fouille
exploratoire et l'analyse statistique des données. Par la suite, une approche corrective est
appliquée pour diminuer l'incertitude sur les données. L'élimination des doublons et un
nettoyage sont ensuite mis en œuvre. Étant donné le fonctionnement de l'IREQ par rapport
aux autres divisions d'Hydro-Québec, les champs d'action pour assurer la qualité des
données sont limités à ces deux approches. Toutefois, les analyses permettront de faire des
recommandations aux donneurs d'ordres, qui pourront initier la mise en place de mesures
préventives et/ou adaptatives.

4.0 Processus de saisie de données

Il est impératif de comprendre le processus de saisie de donnée de maintenance
chez Hydro-Québec. La Figure 4.1 illustre ce processus, ainsi que chaque étape menant à
la saisie de données. Celle-ci permet d'illustrer la fonction de chaque type de documents,
ainsi que la codification des types d' intervention. Dans un premier temps, il existe deux
types de documents utilisés pour la maintenance; les avis et les ordres de maintenance.

L'avis est émis par un opérateur/inspecteur et est transmis au chef de maintenance,

lors de la détection d'anomalie ou de défaillance. Le chef de maintenance doit alors décider
de la priorité de l'action à apporter. Le chef de maintenance émet alors un ordre qui est
transmis aux opérateurs, pour qu'une maintenance soit effectuée. Les ordres d'inspections
systématiques sont émis dans le but de détecter l'apparition des signes de dégradation des
équipements. Si l'appareil inspecté présente un problème, un avis est transmis au chef. Si
la dégradation dépasse les conditions d'opération préétablie, il émettra un ordre de
maintenance conditionnelle, et un opérateur effectuera les réparations. Lorsqu'un
événement de défaillance est confirmé, il y aura un avis de maintenance corrective, ainsi
qu'un ordre de maintenance corrective.
 45

Creation d'un Ordre

d' UlS!X'ctÎOfl sr~t"m3I iq'1"
T~po: nOJ

Détection

InspectIOn

et création d'un bon de travail

Action de maintenance et clôt

Légende

1 0 8
Cltilurc: J(' r nn.....('

1 0
8
Clôttlri;: d..: r ,IÙS

Figure 4./: Processus de maintenance el de saisies de f'ù?!ormatiol/

 46

Tableau 4.1: Récapitulatif du type de documents el de leur émission

DECLENCHE PROBLEME
TYPE ÉMIS PAR
PAR DÉTECTÉ
Détection
Problème constaté
AVIS Préventif Conditionnel d'anomalie Opérateur
sur un équipement
(sans ordre)
Problème constaté
Ordre sur un autre
AVIS Préventif Conditionnel d'inspection équipement que Inspecteur
systématique celui qui doit être
inspecté
Ordre
Problème sur
AVIS Préventif Systématique d'inspection Inspecteur
l'appareil inspecté
systématique
Détection
AVIS Correctif Correctif d'anomalie Défaillance Opérateur
(sans ordre)
Avis Problème constaté
conditionnel sur un équipement Chef de
ORDRE Préventif Conditionnel
ou Avis et validé par le chef maintenance
systématique de maintenance
Planification
ORDRE Préventif Systématique de Aucun Ordonnanceur
maintenance
Défaillance
constatée et validée Chef de
ORDRE Correctif Correctif A vis correctif
par le chef de maintenance
maintenance

D'un point de vue pratique, cela signifie qu'un événement de défaillance sera
signalé par un avis correctif, auxquels un ordre correctif est rattaché. En contrepartie, la
méthode n'a pas toujours été employée de cette manière, et la codification des activités de
maintenances a évolué au fil du temps. Ces facteurs influenceront la façon dont les données
seront analysées ultérieurement.

4.1 Structure des données

La section précédente a permis d'établir la façon dont fonctionne la saisie des
données d'opération qui alimentent les modèles de fiabilité. Cette section permet de décrire
comment ces processus se formalisent de façon informatique. Pour cette étude, HQ a fourni
un accès à une partie de la base de données (BD) de maintenance dans le but de produire
 47

les études de fiabilité. Une base de données relationnelle est dotée de plusieurs tables. Ces
tables contiennent des champs (variables/attributs), ainsi que l'information permettant de
faire la relation d'une table à l'autre (clés). Chaque ligne d'une table représente un
enregistrement d'information distinct. Pour traduire les informations récoltées lors des
tâches de maintenance, il y a trois tables qui sont principalement utilisées. La table des avis
de maintenance, la table des ordres, ainsi que la table des équipements.

Table des avis

La table des avis permet de lister toutes les anomalies qui ont été détectées sur un
équipement par les opérateurs et les exploitants. Chaque avis est unique; un identifiant lui
est assigné lors de son émission. L'opérateur y assigne aussi le type d 'avis, tel que décrit
précédemment. Qui plus est, chaque avis émis doit être relié à un équipement, par son
numéro d'identification. En plus de ces champs, un avis contient d'autres informations
comme le numéro d 'ordre associé, la date d'émission et la date de clôture de l'avis, ainsi
que des champs texte permettant d ' identifier les composantes impliquées ainsi que les
causes potentielles des anomalies.

Table des ordres

La table des ordres permet de lister toutes les actions de maintenance qui ont été
effectuées sur un équipement. Chaque ordre est unique; un identifiant unique lui est assigné
lors de son émission par le chef de maintenance. Celui-ci lui assigne le type d'ordre
respectif et, comme pour les avis, il doit être associé à un numéro d'identification
d'équipement. En plus de ces champs, un ordre contient d 'autres informations comme le
numéro d'ordre associé, les dates d 'actions planifiées et réalisées, ainsi que des champs
texte permettant d'identifier les opérations effectuées, la localisation de l'équipement, etc.

Tables des équipements

La table d'équipements, ou table d'inventaire permet de lister chaque équipement en
service à TransÉnergie. Chaque équipement possède un identifiant unique. La table
inventaire permet aussi d'associer l'équipement à une famille tel que les transformateurs
de puissance, les sectionneurs, les inductances, etc. On y retrouve diverses informations
comme:
• Date de mise en service
 48

• Date de remise à neuf

• Date de remplacement
• Fabricant
• Tension
• Localisation
• Année de fabrication
4.2 Analyse exploratoire des données
Premiers constats
L'analyse du processus de saisie ainsi que la structure des données permettent de
faire une première analyse. Dans une étude de fiabilité, l'événement d 'intérêt est la
défaillance. Dans le système informatique, ces défaillances sont enregistrées comme un
ordre de maintenance corrective. Comme ces ordres sont rattachés à un équipement, il est
possible de connaître l 'historique des défaillances des équipements, en plus de tous leurs
entretiens (ordre systématique et conditionnel). Les ordres sont aussi rattachés à un avis, il
est donc possible de retracer cet historique. Cependant, les données réelles démontrent que
les ordres ne sont pas toujours rattachés à des avis.

Qui plus est, il est important de considérer qu'il s'agit d'un jeu de données réelles
et que certaines données sont enregistrées par un opérateur (tables d'avis et d'ordre).
Certains champs sont remplis automatiquement, par exemple la date d'émission et
l' identifiant de l'avis/ordre. D'autres champs sont entrés manuellement, mais le risque
d'erreur de saisies est peu probable, par exemple, l'identifiant de l'équipement. Les experts
estiment qu'il peut y avoir plus d'incertitude sur le type d'avis émis ou le type d'ordre. De
plus, le processus peut engendrer des écarts de temps quant aux activités de maintenance.
La Figure 4.2 permet d'illustrer ces écarts:

• L'inspection ne se réalise pas nécessairement à la date prévue

o Il ya donc un retard d'inspection
• Il y a un délai entre la découverte d'une anomalie et la correction du problème
o Délai entre la découverte de l'anomalie et la création de l'avis
o Délai de traitement de l'avis par le chef de maintenance et la création de
l'ordre
o Délai entre la création de l'ordre et la tâche de maintenance
o Délai entre la tâche de maintenance et la clôture de l'ordre
De plus, cela ne prend pas en compte que l'anomalie est probablement arrivée avant la date
prévue de l'inspection.
 49

Date prevue Date redh~e

1
cn;allon) du
Correction
Ordre problème

-- ----- ----

Temp s de rea ction

Figure 4.2: Chronologie des activités de maintenance

4.3 Audit des données

Périmètre de l'audit et analyse des tables
Comme mentionné plus haut, les données qui serviront à l'analyse de fiabilité sont
les tables d 'avis, d ' inventaire et d'équipement.

Périmètre de l' audIt de données

Numéro d'équipe:mem

Numéro d'o rdre

D;lle d'émission de 1~1\' ls

Type d'mis

Dale de mise Cil scn icc

F:Hlll lle d'éc:luipement

Fabricant
Numéro d'cquipc mcnt
Locnl ls.1lioll
NUUlêro d'a' 1S

Dale d'éuussion de l'ordn:

T) pc d'ordre

Figure 4.3: Structure simplifiée des tables de la BD maintenance

Comme l'illustre la Figure 4.3, la clé primaire de chaque table est un numéro
d'identifiant unique, indiqué par la clé et les initiales PK (<< primary key »). Les numéros
 50

d'identifiant se retrouvent dans les autres tables à titre de clé étrangère, afin d'assurer la
relation . Effectivement, on retrouve le numéro d'équipement comme attribut de la table
des ordres, par exemple.

Contraintes sur les données

La première analyse portera sur la modélisation du taux de défaillance avec la
méthode NHPP. Les données doivent donc être mises en forme de façon à ce que chaque
entrée représente une défaillance unique. Il faut donc s'assurer que chaque ordre correctif
est unique et, dans la mesure du possible, éliminer les entrées qui ne sont pas réellement
des défaillances réparables. De plus, les dates de mises en service, de même que les dates
d ' interventions doivent être présentes et valides. La seconde partie porte sur l'analyse de
survie, afin de déterminer quelles covariables ont une influence sur le taux de défaillance
des équipements. Les contraintes du modèle NHPP pour la qualité des données
s'appliquent aussi à ces modèles. Par contre, pour qu'une variable soit intégrée au modèle,
il doit y avoir suffisamment d 'entrées (complétude). Effectivement, si une variable a trop
de données manquantes, cela diminuera de façon considérable le jeu de données et nuira
au résultat. Enfin, les dates consignées dans les tables devront respecter une chronologie
adéquate. Un équipement ne peut subir de défaillance avant sa mise en serVice, par
exemple.

Complétude des données

Il faut auditer les données, afin de déceler les entrées qui peuvent être nuisibles à
l'analyse. À cet effet, les données d'inventaires, d'ordre et d'avis de maintenance ont été
croisées, de façon à ce que chaque entrée corresponde à un événement de maintenance.
Chaque événement de maintenance correspond donc à une combinaison unique entre le
code d'équipement, le numéro d'ordre et le numéro d'avis (s'il yen a un). Pour chaque
champ, le nombre de valeurs nulles ou vides a été décompté à la Figure 4.4.
 51

120%

% données retirées • % champs remplis

100%

80%

60%

40%

20%

0%
o- -
0 ,~ ,~ 0 ,~
»->
QJ C V')
C
Q) Q) C
0
<Il
~
QJ C
~ 0 QJ
~
QJ QJ
~ E ...x QJ '-
QJ
u 0.. Z
a! «1
::J 0 ::J ::J LJ.J C 0 C
'" ::J
'" LJ.J W QJ
«
2LJ.J cr:
,_
QJI
'-
lU ",1
l ':;
lU
1
cr
,-
.~
lU ~ .r! ~ .~
~ É ro .~
2 lU
1 "'0
C
lU
0- '-
'~
lU
lU
"'0 (5
u
1 C
lU
lU
E
::J
lU
u
lU
u
lU
E
CiC ... 1 "'0
0
0-
0
0-
'"
1 ,C- cr: 1
g."E~~«~ C ,'" C C 0- 1 C
~ 1 'c ~
~ -
2
LJ.J 0 ïii c:; ~
U
QJ
:=
... ~I ~ ~ Ô lU
0
U QJ
1 QJ
0-
0
u
~
1 'i::::
0- QJ
"'0
1
...
QJ
x
0- C
1 0
QJ
"'0
0
QJ
1
...
QJ
1
lU
QJ
o
...
1
::J QJI-U
1 ~ tU :=1
o 0 QJ

'"QJ 1
"'0
0
0
1
QJ

'" 1
x
QJ
QJ
1
0 QJ
...x
QJ 'Vi
C 2
0-
>- 0
lU 0

...x
QJ ... --.J "'0 U
U C 1- 1-
...
'"o
0..
...
::J
lU
tî
~Bo
~ ct
"'0
0
QD
'Vi
QJ
QJ

QJ
1- 0
U
QJ
1-
QJ
1-
U 1-
0- 0
>-
1-
Figure 4.4: Pourcel1tage des champs remplis par caractéristiques

Cette figure démontre qu'il y a plusieurs champs qUI ne sont presque jamaIs
remplis. Comme les données à saisir n'ont pas toujours été les mêmes, ces observations ne
sont pas surprenantes. Cependant, les données qui permettent d' identifier les événements
de défaillances semblent généralement bien remplies, soit les numéros d'équipements,
d'ordres et d'avis, ainsi que les dates d'émission . Ce sont principalement ces données qui
serviront à modéliser le taux de défaillance. Comme mentionné précédemment, certains
équipements d'Hydro-Québec sont en service depuis plusieurs décennies. Cependant, les
politiques de maintenance ainsi que les systèmes d ' information ont pu changer au cours de
ces années. La Figure 4.5 présente l'évo lution du nombre d'ordres émis au fil des années.
 52

Nombre d'ordres par an

.--
1980 1985 1990 1995 2000 2005 2010 2015

~ Ordre conditionnel ~Ordre correctif ~ Ordre Inspection

Figure 4.5: Nombre d'ordre émis en/onction du temps

En observant la Figure 4.5, il semble que peu d'ordres aient été enregistrés avant
2010, ce qui soulève pl usieurs questions. En outre, les données débutent en 1982 et
s'échelonnent sur une période de plus de trente ans. Selon les experts de TransÉnergie,
plusieurs changements de système ont eu lieu; les plus récents en 2008 et en 2013. Cette
absence de données peut être expliquée par plusieurs hypothèses:

• Changement de codification des ordres et avis

o Et/ou changement du processus de saisie
• Augmentation des signalements à l'implantation d'un nouveau logiciel (formation)
• Perte de données dans les changements de systèmes
• Absence de documentation (1982-2000+)

À partir de tous ces facteurs, des règles d'exclusion ont été élaborées, afin de
pouvoir assurer la qualité des analyses subséquentes. Le Tableau 4.2 décrit les différentes
règles qui ont été appliquées pour contrôler la qualité des données.
 53

Tableall 4.2: Règles d'affàires des événements de maintenance

Table Règles d'affaires

Raison
(Règles de rejet)

Aucune règle
Tout avis/ordre doit être lié à un
Inventaire Avis sans numéro d'équipement
équipement
Equipement présent dans la table Si l'équipement n'est pas dans
Inventaire d'avis, mais qui n'est pas dans la l'inventaire, il ne peut être lié à son
table d'inventaire historique complet
Equipement sans date de mise en Impossible de connaître l'âge de
Inventaire
service l'équipement
Mise en service en 1901-01-01 Valeur automatique, donc pas une date
Inventaire
exclue réelle
Date de remise à neuf Date de remise à neuf avant la mise en
Inventaire
incohérente service
Date de remplacement Date de remplacement avant la mise en
Inventaire
incohérente service
Avis Date avis nulle Date avis nulle
Avis Date d'avis incohérente Date d'avis avant la mise en service
Tout avis doit être lié à un ordre;
Avis Avis sans ordre assume qu'aucune maintenance n'a eu
lieu
L'avis a été rejeté par le chef de
Avis Avis Rejeté
maintenance
Avis Avis Doublon Entrée en double

Ces règles permettront donc de ne conserver que les entrées qui sont réellement des
événements de maintenance. De plus, cela assure que les dates qui sont entrées dans le
système sont valides et suivent la chronologie des événements. À partir de l'outil
DataBricks, ces règles ont pu être écrites avec une syntaxe similaire à une requête SQL,
soit avec le module [Link]. L'Équation 4.1 permet d'illustrer la structure d'écriture de
chacune des règles :

Équation 4.1:

dataFrame = dataFrame. filter(col("Date_MES). isNotNullO)

 54

Ces règles permettent de créer un « DataFrame » qui pourra être utilisé pour les analyses
de fiabilités. Les résultats de l'application de ces filtres, pour tous les équipements de
TransÉnergie, sont présentés au tableau suivant.

Tableau 4.3: Résultats de l'application des règles d'exclusion

# % % d'avis % d'avis % d'avis

Règle d'affaires d'équipement conditionnel correctif inspection
restant restant restant restant
0 Tous équipements HQT
dans les tables
100.0% 100.0% 100.0% 100.0%
d'inventaire, d'avis et
d'ordre
1 A vis sans numéro
100.0% 91.0% 87.0% 98.4%
d'équipement
2 Equipement présent
dans la table d'avis, mais
69.0% 38.9% 36.0% 39.8%
qui n'est pas dans la
table d'inventaire
3 Equipement sans date de
. . 69.0% 38.9% 36.0% 39.8%
mise en service
4 Mise en service en
69.0% 38.9% 36.0% 39.8%
1901-01-01 exclue
5 Date de remise à neuf
69.0% 38.9% 36.0% 39.8%
incohérente
6 Date de remplacement
69.0% 38.9% 36.0% 39.8%
incohérente
7 Date avis nulle 69.0% 38.9% 36.0% 39.8%
8
Date d'avis incohérente 69.0% 38.3% 34.7% 39.8%

9 A vis sans ordre 69.0% 23.7% 33.4% 22.7%

10 Avis Rejeté 69.0% 23.7% 33.4% 22.7%
Il A vis Doublon 69.0% 23.7% 33.4% 22.7%

Ce tableau démontre l'importance d'appliquer des règles, afin de nettoyer les

données. Les deux premières règles permettent d'assurer que chaque avis est lié à un
équipement; pour conduire l'analyse de fiabilité, il est primordial que les défaillances
soient associées correctement à un équipement. De plus, ceux-ci doivent être disponibles
dans la table d'inventaire, afin d'avoir toutes les informations qui y sont reliées. Les règles
3, 5, 6, 7 et 8 permettent d'assurer que les avis ont des dates enregistrées, et que ces dates
 55

sont cohérentes avec la chronologie des événements. En plus d ' appliquer ces règles
génériques, il a été nécessaire d'appliquer des filtres, dans le but de réduire la population à
l'étude. La Figure 4.5 démontre le besoin de filtrer sur un intervalle de temps, pour que les
données de défaillances soient bien identifiées. Ainsi, la période de 2013 à 2018 sera
étudiée dans le but de produire les analyses de fiabilité.

Enfin, le jeu de données initial contient toutes les familles équipements, il faut donc
le filtrer pour n'avoir que les transformateurs de puissances. Ces règles et ces filtres sont
génériques. Les modèles qui seront présentés exigent de nouvelles mises en forme pour le
jeu de données, ainsi que différentes spécificités. Des filtres supplémentaires seront
employés en vue d'obtenir de meilleurs résultats. Ces filtres seront présentés dans les deux
prochains chapitres, qui concernent respectivement l'application de la modél isation du taux
de défaillance et des modèles de survie.
 56

CHAPITRE 5

MODÉLISATION DU TAUX DE DÉFAILLANCE

L'objectif de ce chapitre est de présenter la démarche détaillée, de même que les
résultats de l' analyse de fiabilité pour les transformateurs de puissances. À cet effet, les
étapes pour y arriver seront présentées dans les sections suivantes:
• Extraction et préparation des données pour l'étude;
• Présentation des résultats et analyse;
• Recommandations.
5.0 Données préliminaires
Exigences
Les données ont été filtrées dans l'intention de ne conserver que les entrées
correspondant à des ordres de types correctifs (défaillances fonctionnelles). De cette façon,
chaque ligne correspond à un événement de défaillance unique et est rattachée à un seul
équipement. Comme défini, la période observée s'étend de 2013 à 2018, puisque c'est dans
cet intervalle de temps que les données semblent les mieux consignées. Notez que le dernier
changement de système date de 2013, ce qui laisse aussi croire que les données précédentes
n' ont probablement pas toutes été transférées dans le système actuel.

Préparation
Ensuite, le chapitre 3 a permis de déterminer les exigences pour les données, en ce
qui a trait à l' application de la méthode de la MCF :

1. Ordonner chaque observation en ordre croissant selon l'âge lors de l'événement

2. Déterminer le nombre d'unités qui entrent l'échantillon à l'âge t i
3. Calculer le nombre d'équipements qui sont à risque à l'âge ti
4. Calculer l' incrément du nombre moyen de récurrences par unité à risque
5. Calculer la somme cumulative des incréments (MCF)
6. Tracer le graphique des Mt en fonction de l'âge ti
7. Tracer la courbe d'ajustement, afin de déterminer les paramètres d ' une loi de
pUissance
Le Tableau 5.1 présente un échantillon des données utilisées, afin de montrer comment la
méthode a été appliquée aujeu de donnée d'Hydro-Québec.
 57

Tableau 5. J: Échalltillon des données utilisées

1
1 176
1 177
0 0 1 177
0 0 1 177
0 0 1 177 0.0056 0.0554
0.3548 0 0 1 177 0.0056 0.0611
0.4167 0 0 1 174 0.0057 0.0668
0.4274 0 0 1 174 0.0057 0.0726
0.4866 0 0 1 175 0.0057 0.0783
0.5134 0 0 1 176 0.0057 0.0840
0.6183 0 0 1 173 0.0058 0.0955
 58

5.1 Résultats
Les données calculées à partir de la méthode MCF permettent de produire le
graphique de la Figure 5.1.

- - Courbe d'ajustement -MCF

12

10
' UJ
-'
::J
:?:
Cl 8
UJ
u
z
::5
-'
<i:
u...
6 paramètre À: 0,054
' UJ
o paramètre k: 1,339
UJ
o
UJ
cr::
co
4
:?:
o
z
2

o
o 10 20 30 40 50 60
ÂGE DE L'ÉQUIPEMENT (ANNÉES)

Figure 5./: Nombre attendu de défaillances cumulées enfonction de l'âge

Ce graphique illustre la fonction MCF qui représente le nombre de défaillances cumulées

en fonction de l'âge des équipements. Ce faisant, cela correspond à la fonction H(t),
lorsque les données suivent un processus de loi de puissance. L'ajustement de la courbe,
par la méthode des moindres carrés, permet d'obtenir les paramètres k et À des équations
de la fonction d'intensité h(t) et de la fonction cumulative H(t), telle que présentée au
Tableau 5.2. Pour ce faire, la fonction « [Link] » de la librairie « SciPy»
a été appliquée à l'Équation 5.5 ,
 59

Tableau 5.2: Rappel des équations de la loi de puissance

# Fonction Equation
Équation 5.1 [Ct) k;ttk-l e - Àt k
k
Équation 5.2 Set) e -Àt
Équation 5.3 Fet) 1 -e -u k

Équation 5.4 À(t) = [Ct) kÀt k - 1

SU)
Equation 5.5 Het) Àt k

Le taux de défaillance instantanée peut donc être obtenu par l'équation suivante:

Équation 5.6 Àet) = 1,338 * 0,054 * tO.33 9

0,3

0,25

LL
o 0,2
u
ocr:
c
o
:;:::;
~ 0,15
ro
0.
.~

<lJ
-0
X
~ 0,1
f-

0,05

o
o 10 20 30 40 50 60
Temps (année)

Figure 5.2: TaI/x de répara/ion enfonction de l'âge des équipemen/s

La Figure 5.2 illustre graphiquement le taux de réparation des équipements, en fonction

de leur âge. L' hypothèse d'un modèle HPP est que le taux de réparation est constant. En
observant ce graphique, il est évident qu ' une telle hypothèse mènerait à des estimations
 60

éloignées du nombre de défaillances que subira chaque équipement. Le modèle NHPP

propose un taux qui varie selon l'âge des équipements, ce qui semble approprié dans ce
cas-ci. Effectivement, il est évident que le taux de réparation augmente en fonction du
temps à la Figure 5.2. De plus, vers dix ans, la vitesse d'augmentation du taux semble varier
de façon linéaire. À la Figure 5.3, la courbe de la fonction cumulative est représenté avec
l'intervalle de confiance (lC), pour l'estimation à chaque pas de temps. Cet intervalle
représente la borne supérieur et inférieur de l'estimation à un niveau de confiance de 95%.
La figure illustre que les bornes de l'IC croissent avec le temps, ce qui indique que l'erreur
d'estimation est plus grande pour les équipements plus âgé. Par contre, les bornes restent
bien groupées autour de la fonction, ce qui indique que l'estimation est précise.

12

'W
.....l
~ 10
;E
~
U
W
U 8
Z
«
.....l

-~
.....l
6

'W
0
W 4
Cl
W
~
o::l
;E 2
0
Z

0
OMN~OMO~~~NOMM~MM~~NOO~~M~~~~M~
àN~~~~àNM~~ooà~NM~~~~~oooom~NM~~~OO
rlHNNNNNNMMMMMMMMmmmm~~qqqqq

Figure 5.3: Nombre de déjàillances cumulées en/onction de l'âge avec Je

5.2 Discussions et Recommandations

À partir des résultats obtenus, les responsables de la gestion des actifs seront en
mesure d'obtenir des estimations plus précises du taux de défaillance de leurs équipements.
Effectivement, les équations permettent de déterminer rapidement un taux de défaillance
en fonction de l'âge des équipements, ce qui n'était pas le cas auparavant. De plus, cette
 61

approche tient compte des censures, ce qui est une avancée importante compte tenu de la
structure des données présentées par la Figure 4.5. Cela permettra de prendre des décisions
plus appropriées, en tenant compte du nombre d'équipements en service pour chaque
tranche d'âge, plutôt que de considérer un taux constant. De plus, les valeurs obtenues
permettront de réaliser des simulations, afin de déterminer des politiques d'entretien qui
maximisent les objectifs d' entreprise.
 62

CHAPITRE 6

ANALYSE DE SURVIE

L'objectif de ce chapitre est de présenter la démarche détaillée, ainsi que les

résultats de l'analyse de survie des transformateurs de puissances. À cet effet, les étapes
pour y arriver sont présentées dans les sections suivantes:
• Préparation des données pour l'étude
• Analyse préliminaire
• Résultats et analyse des modèles
• Recommandations

6.1 Préparation des données

Les données qui seront utilisées seront essentiellement les mêmes que celles
appliquées au modèle NHPP. Effectivement, les mêmes filtres et règles ont été employés,
mais le format des données est différent. Encore une fois, chaque ligne correspond à un
événement de défaillance unique et est rattachée à un seul équipement. La période
observée s'étend également de 2013 à 2018. Comme présenté au chapitre 3, les données
pour les modèles PWP-TT et AG doivent être exprimées sous la forme d' un processus de
comptage. Ensuite, il a été nécessaire de sélectionner les variables à analyser pour les
modèles de survie, et les transformer pour qu'elles soient traitables par l'algorithme. Les
Tableau 6.1 au Tableau 6.6 résument les variables considérées.

Tableau 6. J: Description des variables de base du modèle

Type de % bonne
Variables Description
variable donnée
Temps du début de l'intervalle
tstart Modèle 100
d'observation
status = 1 si l'événement est récurrent
status Modèle 100
et 0 s'il est censuré
Temps de fin de l'intervalle
tstop Modèle 100
d'observation
Equip ID Identifiant de l'équipement Modèle 100
numEveneme
le k- ième événement Modèle 100
nt
 63

Tableau 6.1 présente les variables de base du modèle, tel que présenté dans la
méthodologie.
Tableau 6.2: Descriptions des variables d'indicateur d'état

Variables anonymes Description Type de variable % bonne donnée

Cote 1 Cote 100
Cote 2 Cote 100
Cote 3 Cote 100
Cote 4 Indicateurs de l'état de Cote 100
Cote 5 l'équipement Cote 100
Cote 6 Cote 100
Cote 7 Cote 100
Cote 8 Cote 100

Le Tableau 6.2 présente les variables indiquant l'état des équipements selon une
cote. Ces champs permettent aux opérateurs terrain de mettre une cote de « santé» de
l'équipement, selon l'état qui est constaté lors d'une maintenance. Ces variables sont
ordinales, c'est-à-dire qu'elles sont qualitatives, mais qu'il existe une échelle de valeurs
qui permet de les ordonner.

Quant au Tableau 6.3, il présente les variables qui sont relatives aux
caractéristiques de l'équipement. Les variables CPC_Bin, CARACT_TENSION, Classe
d'actif et Fabricant, sont des variables qualitatives et devront donc être traitées telles que
décrites dans la méthodologie. Aussi, certaines variables comportent des données
manquantes (94% de complétude). Cependant, l'information que ces variables pourraient
apporter au modèle fait en sorte qu 'elles seront tout de même incluses, et donc une partie
des entrées seront rejetées.
 64

Tableau 6.3: Description des variables d'équipements

Type de % bonne
Variables Description
variable donnée
Nom du fabricant de
Fabricant Équipement 100
l'équipement
CPC Bin Présence d'un CPC = 1 E~u~ement 100
Tension maximum de
CARACT TENSION Équipement 100
l'équipement
Si l'équipement a une
Classe d'actif Équipement 100
inductance shunt
Nombre de phases Triphasé ou Monophasé Eilu~ement 100
Latitude Latitude Equipement 94.13
Longitude Longitude Equipement 94.13
EQUI_AnneeConstru Année de fabrication de
Équipement 98.94
ction l'équipement

Tableau 6.4: Description des variables d'avis

Variables Description Type de variable % bonne donnée

Nombre Avis Nombre total d'avis Avis 100
Nombre total d'avis
Nombre- Avis- Conditionnels Avis 100
conditionnels
Nombre total d'avis
Nombre- Avis- Correctifs Avis 100
correctif
Nombre total d'avis
Nombre_Avis_Inspection Avis 100
systématique

Tableau 6.5: Description des variables d'ordre

Variables Description T~e de variable % bonne donnée

Nombre total d'avis
Nombre- Ordre Correctif Ordre 100
correctif
Nombre total
Nombre_Ordre_Inspection d'ordres Ordre 100
conditionnels
Nombre total
!Nombre_Ordre_Conditionnels Ordre 100
d'ordres correctif

Les Tableau 6.4 et Tableau 6.5 présentent les variables sur les ordres et les avis. Il
s'agit en fait du décompte de nombre d'ordre et d'avis émis par type.
 65

Tableau 6.6: Description des variables hybrides

Variables Description Type de variable % bonne donnée

Rapport du nombre
d'ordres systématiques par
Ratio- Ordre- A vis Hybride 100
rapport au nombre total
d'avis
Nombre d'avis
Nombre_Inspec_IC Hybride 100
d'inspection conditionnel
Nombre d'avis
Nombre_Inspec_IP Hybride 100
d'inspection préventive
Ratio du nombre d'ordres
Ratio- 1 correctif par rapport au Hybride 100
nombre d'avis correctif
Ratio du nombre d'ordres
conditionnels par rapport
Ratio- 2 au nombre d'avis Hybride 100
systématique et
conditionnel
Retard d'inspection
Retard_inspect moy_mensu Hybride 100
moyen (en mois)
Fréquence inspection Fréquence d'inspection Hybride 100
Rapport entre le nombre
Coefficien- realisation d'inspections et l'âge de Hybride 100
l'équipement

L'un des objectifs de ce projet est de déterminer l'impact des politiques de

maintenances sur le nombre de défaillances des équipements. Pour ce faire, des variables
hybrides ont été développées afin de représenter ces processus de maintenance. La Figure
6.1 illustre la variable Ratio Ordre Avis. L'idée derrière la création de cette variable est
de voir si les inspections effectuées permettent réellement de détecter des problèmes et si
cela influence la fiabilité. Par exemple, un équipement qui a plusieurs ordres d'inspection
et peu d'avis aura un ratio élevé. Si cette variable a une influence sur le taux de défaillance,
et qu'un équipement a un ratio élevé, cela indique que les méthodes de détections sont
peut-être inadéquates. À l'inverse, un ratio bas peut indiquer que la périodicité des
inspections peuvent être à revoir.
 66

Cri::lnoad'ua.:lVU
œmco!
1'yp<1l

Figure 6.1: Illustration de la variable Ratio_Ordre_Avis

De la même façon, les variables Ratio_ 1 et Ratio 2 illustrent l'efficacité du

processus d'inspection et d'ordonnancement.

Création d'un avIS

correcuf
TypeU

Aucune action Creation d'un ordre

correcuf
l)'pe Zl02

Figure 6.2: Illustration de la variable Ratio_ l

 67

Création d' un avis

TypeI3
Création d'un avis
conditionnelle
Type Il

ation d'un bon de travail

Décision du
> - - - -{)rdre rejeté - - - r - --ordre
Planificateur

Création d' un ordre Aucune action

conditionnel
TypeZIOI

Figure 6.3: Illustration de la variable Ratio 2

6.2 Analyse Préliminaire

Dans l'intention d'obtenir un modèle satisfaisant, toutes les variables seront
injectées dans le modèle, afin d'obtenir une analyse préliminaire. Cette première analyse
servira à analyser l'impact de certaines variables, tandis que d'autres variables pourront
être modifiées ou retirées. Les variables hybrides, par exemple, sont des constructions
faites à partir des variables d'avis et d'ordre. Inclure ces deux types de variables n'ajoute
pas de valeur au modèle final, puisqu'elles sont dépendantes l'une de l'autre. Le Tableau
6.7 présente les résultats obtenus pour le modèle préliminaire. Les variables sont
présentées avec la valeur exponentielle de son coefficient et sa « p-value » (Pr(>Z)). La
« p-value» permet d'évaluer si la variable a un effet significatif sur le taux de défaillance.
Dans ce cas-ci, l'effet de la variable est significatif lorsque la valeur est inférieure à un
seuil de 5%.
 68

Tableall 6.7: Sortie du modèle préliminaire PWP- TT

# Variable anonymisée Exp(coeff) Pr(>z)

1 Nombre Ordre Conditionnels 1.0173 0.1480
2 Nombre Ordre Inspection 0.6821 0.0519
3 Nombre Avis Conditionnels 1.0371 0.0188
4 Nombre Inspec lC 1.7388 0.0102
5 Nombre Inspec IP 1.6538 0.0163
6 Retard inspect moy_ mensu 1.0085 0.3227
7 Frequence inspection 0.9787 0.1349
8 Coefficien realisation 0.5452 0.2238
9 AnneeConstruction 0.9999 0.7316
10 CPC 0.6236 0.0005
Il Latitude 1.0275 0.0956
12 Longitude 1.0180 0.0952
13 Cote 1 1.0059 0.3024
14 Cote 2 1.6576 0.0000
15 Cote 3 0.9387 0.3335
16 Cote 4 0.7281 0.0327
17 Cote 5 1.0221 0.7938
18 Cote 6 1.1923 0.2578
19 Cote 7 0.9138 0.3144
20 Cote 8 1.8009 0.0000
21 Classe d'actif 1 NA NA
22 Classe d'actif 2 NA NA
23 Tension 1 2.8267 0.0452
24 Tension 2 0.2363 0.0022
25 Tension 3 3.0184 0.0070
26 Tension 4 0.9918 0.9839
27 Tension 5 1.2834 0.4729
28 Tension 6 1.0397 0.8654
29 Tension 7 1.2263 0.2391
30 Fabricant 1 0.7313 0.1225
31 Fabricant 2 1.1451 0.7811
32 Fabricant 1 (nom 2) 1.0 Il 0 0.9272
33 Fabricant 1 (nom 3) 0.5509 0.2977
34 Fabricant 3 0.8585 0.8534
 69

Tableau 6.8: Sortie du modèle préliminaire PWP-TT (suite)

# Variable anonymisée Exp(coeff) Pr(>z)

35 Fabricant 4 0.0014 0.0000
36 Fabricant 5 0.5319 0.4177
37 Fabricant 6 0.6276 0.1146
38 Fabricant 7 0.0002 0.0000
39 Fabricant 7 (nom 2) 1.2785 0.1489
40 Fabricant 8 0.0002 0.0000
41 Fabricant 8 (nom 2) 0.8989 0.4729
42 Fabricant 9 0.7259 0.5620
43 Fabricant 10 1.0898 0.8487
44 Fabricant Il 1.7494 0.2783
45 Fabricant 12 1.2268 0.5236
46 Fabricant 13 0.4117 0.3059
47 Fabricant 14 0.8113 0.4873
48 Fabricant 15 0.9465 0.8057
49 Fabricant 16 NA NA
50 Monophasé 0.6951 0.0631
51 Triphasé NA NA

Pour commencer, la sortie du modèle permet de faire plusieurs constatations :

1. Les variables hybrides n'ont pas d'impact, comparativement aux variables d'ordre
et d'avis (à un seuil de signification de 5%)
2. Le modèle n'a pas réussi à calculer de coefficient pour la variable classe d'actif et
sur le nombre de phases.
3. Plusieurs fabricants similaires sont entrés sous des noms différents
a. De ce fait, certaines des variables tendent à l'infini

La Figure 6.4 illustre les courbes d'intensité en fonction du temps pour chaque
strate. Chaque strate correspond au nombre d'événements cumulés, tel que présenté au
CHAPITRE 2. Cela permet de mettre en évidence un nombre important de courbes (16),
ce qui est anormal compte tenu de la fiabilité élevée des transformateurs de puissance. En
effet, la présence de 16 courbes signifierait que certains transformateurs ont subi jusqu'à
16 défaillances pour la période observée.
 70

Fonction de risque cumulative par nombre d'événement

~
:::J q
E
:::J
u
QI
:::J
CT
en
iï

l{)
a

o 10 20 30 40

Temps depuis le dernier evenement

Figure 6.4: Graphique de lafonction de risque cumulative

Une analyse plus approfondie a permis de déterminer les causes de ces anomalies,
notamment en retraçant certains champs texte. Comme démontré par le Tableau 6.9,
plusieurs des événements qui ont été enregistrés comme des ordres correctifs ne
correspondent pas à une défaillance. Comme défini, une défaillance cause l'arrêt des
fonctions du système. Plusieurs de ces champs ont une référence « à vérifier », ce qui ne
correspond vraisemblablement pas à une perte de fonction. De plus, les champs du
Correctif 14 sont intéressants. Le champ 1 désigne que l'action effectuée est l'achat d ' un
composant de rechange supplémentaire, tandis que le champ 2 fait état d'un bris majeur à
comger. L ' interprétation de ces deux champs est donc contradictoire. Bien que ces
données sont peu nombreuses, elles peuvent avoir un impact important sur la
modélisation.
 71

Tableall 6.9: Extraction de champs textes pour les Ordres de défaillances anormales

Type ordre Champs texte 1 Champs texte 2

Correctif 1 Changer câble relais de gas Transfo de puissance a verifier
Correctif 2 TRANSPU/Sys. refroidissement
radiateur t16 bouche chauffe a corriger
Correctif 3 Changer tuyau et dessicateur Transfo de puissance a verifier
Correctif 4 traverse T7 brisee TransPU-Transfo avec CPC a verifier
Correctif 5 T26 Incendie Panne TRANSPUlProbl. non identifie,
condensateur a corriger
Correctif 6 t9 ventilateur defectueux TRANSPU/Sys. refroidissement
deuxieme a corriger
Correctif 7 84078635 T13 silicagel a
changer TRANSPUlDessicateur a corriger
Correctif 8 Verification relais de gas Transfo de puissance a verifier
Correctif 9 inspection tete de câble T13 Transfo de puissance a verifier
Correctif 10 tete de câble T6 Transfo de puissance a verifier
Correctif Il panne syst. inc. t7 TRANSPUlMalt CC a corriger
Correctif 12 T2: Alarme cond. anorm.
refroidissement Transfo de puissance a verifier
Correctif 13 T2: Alarme de refroidissement TRANSPUlProbl. non identifie,
anormal a corriger
Correctif 14 Achat relais de gas pour futur TRANSPUlBris majeur a corriger

6.3 Résultats
Préparation des données
Les résultats préliminaires permettent de faire une première itération pour déceler
les problèmes relatifs aux données et aux variables qui n'auraient pas été détectées avant.
Ainsi, quelques règles peuvent être ajoutées pour produire un modèle plus robuste et plus
représentatif de la réalité. Les modifications suivantes ont été appliquées au jeu de
données:

1. Retrait des variables hybrides

2. Retrait de la variable classe d' actif
3. Retrait des variables Nombre_lnspec_IC et Nombre_ Inspec_lP
a. Redondance avec Nombre_Ordre_Inspection
4. Uniformisation des noms de fabricant
5. Limite de 7 défaillances par équipements pour la période étudiée
 72

Plutôt que d'exclure les équipements qui semblaient problématiques, il a été décidé de
limiter le nombre de défaillances à 7. De cette façon, les valeurs aberrantes sont exclues,
sans toutefois éliminer certaines valeurs des variables.

Modèle Andersen-Gill
Le modèle Anderson-Gill a été appliqué sur le nouveau jeu de données des
défaillances des transformateurs de puissance de HQT. Le Tableau 6.10 présente les
résultats obtenus par l'application du modèle AG.

Tableau 6.10: Résultats de l'application du modèle Andersen-Gill

Variable exp(Coefficient) Pr(>z)

Nombre Ordre Conditionnels 1.06 0.000
Nombre Ordre Inspection 1.09 0.041
Nombre A vis Conditionnels 1.04 0.090
CPC Bin 0.53 0.000
Cote A 1.87 0.000
Cote B 0.76 0.101
Cote C 2.32 0.000
Tension 1 2.14 0.200
Tension 2 0.11 0.000
Tension 3 4.31 0.002
Tension 4 1.40 0.479
Tension 5 1.56 0.263
Tension 6 1.30 0.309
Tension 7 1.49 0.079
Fabricant 1 1.24 0.752
Fabricant 2 0.61 0.513
Fabricant 3 0.87 0.886
Fabricant 4 0.43 0.028
Fabricant 5 l.49 0.048
Fabricant 6 l.06 0.753
Fabricant 7 0.61 0.330
Fabricant 8 1.25 0.719
Fabricant 9 3.73 0.044
Fabricant 10 1.22 0.590
Fabricant Il 0.26 0.128
Fabricant 12 0.64 0.173
Fabricant 13 1.15 0.616
Fabricant 14 1.22 0.204
 73

Tableau 6. Il: Résumé de l'impact des variables significatives pOlir la période terminant en 2018

Variable exp(Coefficient) Pr(>z) Analyse

Plus il ya d'ordre de maintenance
Nombre- Ordre
1.06 0.000 préventive sur un appareil, plus le taux de
Conditionnels
défaillance est élevé
Plus il y a d'ordre d'inspection sur un
Nombre Ordre
1.09 0.041 appareil, plus le taux de défaillance est
Inspection
élevé
Le taux de défaillance est plus élevé pour
CPC- Bin 0.53 0.000
les appareils munis d'un CPC
Cote A 1.87 0.000 Les cotes A et C ont un impact sur le
taux de défaillance: plus la cote est
Cote C 2.32 0.000 élevée, plus le taux de défaillance est
élevé
Les Transformateurs ayant une Tension 2
Tension 2 0.11 0.000
ont un plus bas taux de défaillance
Les Transformateurs ayant une Tension 3
Tension 3 4.31 0.002
ont un plus haut taux de défaillance
Les équipements du Fabricant 4 sont plus
Fabricant 4 0.43 0.028
fiables que ceux du fabricant a
Les équipements du Fabricant 5 sont
Fabricant 5 1.49 0.048
moins fiables que ceux du fabricant a
Les équipements du Fabricant 9 sont
Fabricant 9 3.73 0.044
moins fiables que ceux du fabricant a

Le

Tableau 6.11 permet de résumer l'impact de chaque variable sur la fonction de

base du taux de défaillance. La colonne exp(Coefficient) correspond au facteur exponentiel
de [J, qui a un effet multiplicatif sur le taux de défaillance À,i(t) . La colonne Pr>Z permet
de donner la signification statistique pour chaque variable [J. Lorsque la valeur est
inférieure à 5%, le coefficient de la variable est statistiquement différent de O.
 74

Tableau 6.12: Résumé des coefficient et intervalle de confiance pour le modèle AG

factor. Intervalle de confiance

id Variable Borne Borne Pr(>z)
exp(Coefficient)
Inférieur Supérieur
Nombre- Ordre- Condi
1 1.04 1.06 1.09 0.000
tionnels ZIO 1
Nombre_Ordre_ Inspe
2 1.03 1.09 1.16 0.041
ction ZI03
4 CPC Bin 0.43 0.53 0.64 0.000
5 Cote A 1.55 1.87 2.27 0.000
7 Cote C 1.97 2.32 2.73 0.000
9 Tension 2 0.04 0.11 0.33 0.000
10 Tension 3 1.64 4.31 11.35 0.002
18 Fabricant 4 0.25 0.43 0.74 0.028
19 Fabricant 5 1.14 1.49 1.96 0.048
23 Fabricant 9 1.62 3.73 8.54 0.044

Le Tableau 6.12 présente les coefficients pour chacune des variables, ainsi que l'intervalle
de confiance à un niveau de 95%. Bien que ces variables soient significatives (<< p-
value »), l' intervalle de confiance est assez grand, en particulier pour les variables
catégorielles. Pour les variables continues, l 'IC semble assez près du coefficient, ce qui
suggère que le modèle performe mieux dans l'estimation de ce type de paramètres.

Les variables concernant les nombres d'ordres soulèvent plusieurs questionnements

intéressants. Effectivement, il semble que plus il y ait de maintenance préventive et
d'inspection, plus le nombre de défaillances observé est élevé. Normalement, un
équipement entretenu plus fréquemment devrait être plus fiable. Le nombre de
défaillances que subit un transformateur chaque année est très bas, et sa durée de vie
s'étend sur des décennies. Qui plus est, l'effet de la maintenance n'est pas direct sur le
taux de défaillance, mais plutôt diffère au fil du temps, en retardant l'usure globale du
système. En conséquence, il est difficile de croire que les politiques de quatre années
permettent de conclure à une augmentation ou même à une diminution du taux de
 75

défaillance. La plupart des équipements observés sont en phase de vieillissement, ce qui

fait en sorte qu 'i ls ont nécessairement plus de défaillance. De plus, les équipements
vieillissants sont ceux qui nécessitent le plus d'activités de maintenance. Ainsi, plus la
fréquence des défaillances augmente, plus la périodicité des entretiens augmente. Il en a
de même pour la fréquence d'inspection, qui est plus élevée pour les équipements en phase
de vieillissement.
Aussi, on remarque que les cotes d'impact ont un fort effet sur le taux de
défaillance. Le jeu de donnée utilisé ne représente que la dernière cote attribuée, plutôt
que l'évolution de ces cotes au fil du temps. Cela laisse donc croire que l'effet sur le taux
de défaillance est faussement induit. Une évolution des cotes au fil du temps serait donc
nécessaire pour observer si celles-ci influencent véritablement la fiabilité des
équipements. Le seul constat possible actuellement, c'est que les transformateurs ayant
une cote élevée en 2018 ont un taux de défaillance plus élevé dans la période d'étude.
C'est un résultat qui est attendu; plus un équipement est vieillissant, plus ces cotes d'états
devraient être élevées avec le temps. Les résultats du modèle démontrent que les
transformateurs munis d'un CPC ont un taux de défaillance plus élevé que ceux qui n'en
possèdent pas. Finalement, la fiabilité varie significativement pour certains niveaux de
tension ainsi que certains fabricants. Pour interpréter les variables catégoriques, comme
la tension et le fabricant par exemple, le modèle de Cox produit une estimation des
paramètres, pour chaque niveau d'une variable. L'estimation se fait en comparaison du
premier niveau de la variable. Ainsi, ce modèle démontre que les équipements du fabricant
5 sont moins fiables que ceux du fabricant 0 par exemple.

La Figure 6.5 résume les tests statistiques effectués pour valider le modèle. Il s'agit
de tests permettant de vérifier la signification statistique globale du modèle. Chacun de
ceux-ci évalue l' hypothèse nulle que toutes les covariables fJ sont égales à o. Chacun des
« p-value » est inférieur à 5%; l' hypothèse nulle est rejetée et permet de conclure que le
modèle est significatif.
 76

concordance= 0. 724 ( se = 0. 013 )

l i keli hood rat i o t est= 534.5 on 30 df, p=<2e-16
wald test = 310 . 1 on 30 df, p=<2 e-16
Score ( l ogrank) t est = 605 . 2 on 30 df, p=<2 e-16, Robust = 110 p=5 e-11
(Note: the lik el ihood r atio and scor e tests assume independence of
observat i ons wi thi n a cl uster, the wald and robust scor e t ests do not) .
Figure 6.5: Test statistique du modèle AG

Ensuite, la Figure 6.6 présente la courbe du risque cumulatif en fonction du temps.

Lorsque le taux de défaillance des équipements est constant, la fonction de risque
cumulatif est représentée graphiquement par une droite. Dans ce cas-ci, la courbe
augmente légèrement au fil du temps, ce qui démontre que le risque de défaillance
augmente, plus le temps à la dernière défaillance est grand. De plus, cela vient appuyer
que le taux de défaillance ne soit pas constant, comme démontré par le modèle NHPP. La
figure illustre aussi l' intervalle de confiance liée à l' estimation de la fonction de risque.

0.5-

,"
,

"-
:;::::;
-s 0.3-
E
::J
U
ID
::J
g- 0.2 -
cr "

0.1 -
."

,
.
"
,0
0.0 -

o 10 20 30 40 50
Temps depuis le dernier evenement
Figure 6.6: Graphique du risque cUl1lulatifpour le modèle AG
 77

Modèle Prentice-Williams-Peterson
De la même façon que le modèle AG, le modèle PWP a été appliqué sur le nouveau
jeu de données. Le Tableau 6.13 présente les résultats obtenus et le Tableau 6.14 présente
une comparaison des résultats des deux modèles:

Tableau 6. 13: Résumé de l'impact des variables significatives pour le modèle PWP

Variable
Variable exp( Coefficient) Pr(>z)
ID
~2 Nombre Ordre Inspection ZI03 1.0922 0.0020
~3 Nombre A vis Conditionnels Il 1.0418 0.0020
~4 CPC Bin 0.6539 0.0001
~5 Cote A 1.6573 0.0000
~7 Cote C 1.8181 0.0000
~9 Tension 2 0.1610 0.0001
~10 Tension 3 3.9280 0.0005
~14 Tension 7 1.3662 0.0454
~19 Fabricant 5 1.3749 0.0223
~23 Fabricant 9 2.3609 0.0482

Tableau 6./4: Comparaison entre les deu.\' modèles

AG PWP
Variable
Variable
ID ex p( Coeffi c ien t) Pr(>z) exp(Coefficient) Pr(>z)
Nombre Ordre
~1 1.06 0.000
Conditionnel 1.0176 0.1209
Nombre Ordre
~2 1.09 0.041
Inspection 1.0922 0.0020
Nombre Avis
~3 1.04 0.090
Conditionnels 1.0418 0.0020
~4 CPC Bin 0.53 0.000 0.6539 0.0001
~5 Cote A 1.87 0.000 1.6573 0.0000
~7 Cote C 2.32 0.000 1.8181 0.0000
B9 Tension 2 0.11 0.000 0.1610 0.0001
BIO Tension 3 4.31 0.002 3.9280 0.0005
B14 Tension 7 1.49 0.079 1.3662 0.0454
~18 Fabricant 4 0.43 0.028 0.5678 0.0572
~19 Fabricant 5 1.49 0.048 1.3749 0.0223
~23 Fabricant 9 3.73 0.044 2.3609 0.0482
 78

Le modèle PWP permet d'obtenir des résultats très près de ceux du modèle PWP.
Effectivement, mis à part pour les variables du nombre d' avis et d'ordre conditionnel et
pour un fabricant particulier, les mêmes covariables sont significatives à un seuil de 5%.
En addition, les « p-value » des variables fJ3 et fJI 4 du modèle AG et fJ I8 de PWP sont
respectivement de 0.09, 0.079 et 0.0572, ce qui est près du seuil de signification. En outre,
les coefficients de chacun des modèles sont assez similaires.

Tout comme le modèle AG , chacun des « p-value» est inférieur à 5% ce qui

permet de conclure que le modèle est significatif, tel que démontré par la Figure 6.7.

concordance= 0.673 (se = 0. 013 )

Likelihood rat i o t est= 224 . 3 on 30 df , p=<2e-16
wald test = 274 . 6 on 30 df, p=<2 e-16
Score (logrank) test = 230 . 6 on 30 df, p=<2e-16, Robust = 151 . 5 p=<2e-16
(Note: the li ke l ihood rat i o and scor e tests assume i ndepend ence of
observat i ons wi thin a cl ust er, the wal d and robust score tests do not) .

Figure 6. 7: Test statistique du modèle PWP

Tableau 6.15: Résumé des coefficient et intervalle de confiance pour le modèle PWP

Intervalle de confiance
factor.
Variable Borne Borne Pr(>z)
id exp(Coefficient)
Inférieur Supérieur
Nombre- Ordre- Ins
~2 pection ZI03 1.0286 1.0922 1.1598 0.0020
Nombre- A vis- Con
~3 ditionnels Il 1.0100 1.0418 1.0746 0.0020
~4 CPC Bin 0.5346 0.6539 0.7997 0.0001
~5 Cote A 1.3675 1.6573 2.0084 0.0000
~7 Cote C 1.5388 1.8181 2.1483 0.0000
~9 Tension 2 0.0534 0.1610 0.4848 0.0001
~10 Tension 3 1.4895 3.9280 10.3588 0.0005
~14 Tension 7 0.9919 1.3662 1.8819 0.0454
~19 Fabricant 5 1.0409 1.3749 1.8159 0.0223
~23 Fabricant 9 1.0440 2.3609 5.3391 0.0482

Le Tableau 6.15 présente les coefficients pour chacune des variables, ainsi que l' intervalle
de confiance à un niveau de 95 %. Tout comme pour le modèle AG, même lorsque la « p-
 79

value» démontre que l'effet de la variable est significatif, l'intervalle de confiance est
assez grand pour les variables catégorielles. Par contre, l' estimation semble meilleure
qu'avec le modèle AG, puisque cet écart semble moins important. Pour ce qui est des
variables continues, l'le semble aussi être assez près de du coefficient.

o
N
numEvenemenl

4.56.7

=ro
:;
E
a 0

'g"
:J

li:

on .-._-.;---- --,;
o · ·..:1!~ !=-:,;,;,l-'-'';

-,--;(~~-j ,--)
o
o

o 10 20 30 40

Temps depuIs le dernier evenement

Figure 6.8: Graphiqlle de la/onction de risque CL/Illula/ive pOlir le modèle PWP

Le graphique du risque cumulatif pour le modèle PWP illustre les courbes de

risque pour chaque strate. Les courbes montrent entre autres que le temps avant le premier
événement (en rouge) est généralement plus long que les événements subséquents.

En outre, les résultats démontrent que les modèles de survie sont appropriés pour
déterminer des covariables affectant la fiabilité des transformateurs. Les caractéristiques
d'équipements permettent notamment d' ajouter de l'information importante qui permettra
de prendre des décisions adaptées. De plus, le coefficient des covariables peut être
directement appliqué à la fonction d' intensité calculée par le modèle NHPP (voir Tableau
2.3). De cette façon, le taux de défaillance prend en compte l'âge des équipements et
l'ensemble des covariables significatives. Le Tableau 6.16 montre les paramètres d'une
telle fonction d' intensité pour le modèle AG :
 80

Tableau 6./6: Paramètre de la fonction d'intensité

Paramètre Variable Valeur

,,-(t) Fonction d'intensité 1.338*0.054*tI\0.339
~l Nombre Ordre Conditionnels ZIO 1 1.06
~2 Nombre Ordre Inspection Z103 1.09
~4 CPC Bin 0.53
~5 Cote A 1.87
~7 Cote C 2.32
~9 Tension 2 0.11
~10 Tension 3 4.31
~18 Fabricant 4 0.43
~19 Fabricant 5 1.49
~23 Fabricant 9 3.73
 81

CONCLUSION

Ce projet de recherche avait pour objectif d'appliquer de nouvelles méthodes

statistiques, afin d'améliorer la compréhension des facteurs qui influencent la fiabilité des
transformateurs de puissance. L'étude de cas fourni par Hydro-Québec a permis de
modéliser la fiabilité des équipements de transport d'électricité à partir de données réelles,
comportant des biais et des incertitudes.

La première étape du projet a été d'analyser le jeu de données, dans l'intention

d'effectuer un nettoyage de ces dernières. Ensuite, des modèles spécifiques aux systèmes
réparables ont été appliqués . Le modèle NHPP a permis de déterminer un taux de
défaillance, avec l'utilisation de la méthode de la « Mean Cumulative Function ». Les
modèles Andersen-Gill et Prentice-Williams-Peterson ont été testés, afin de déterminer
les cofacteurs qui affectent le taux de défaillance.

Le nettoyage des données a permis de diminuer les incertitudes relatives à leur

qualité. Le modèle NHPP a, quant à lui, permis d'obtenir rapidement les équations de
fiabilité prenant en compte les spécificités des systèmes réparables. De plus la méthode
de la MCF traite les censures, inhérente au jeu de données d'HQ. L'application de ces
méthodes permettra d'avoir une estimation plus précise de la fonction d'intensité, et ainsi
améliorer la gestion des actifs. De plus, l'application de modèle de survie a donné de
l'information supplémentaire; les modèles ont démontré que certaines caractéristiques
d' équipement avaient un effet significatif sur le taux de défaillance. Ces résultats
démontrent l'applicabilité de ces méthodes et permettront de mettre en place des politiques
de GDA plus ciblé.
 82

RECOMMANDATIONS
À partir des modèles, il est possible de formuler plusieurs recommandations, que
ce soit par rapport à la qualité des données, aux variables, aux résultats ou à l'applicabilité
même des modèles.

Qualité des données

Comme le démontre l'analyse préliminaire, la qualité des données est intrinsèque
à la qualité du modèle. La duplication du nom de fabricant, par exemple, mène à des
erreurs d'évaluation des coefficients, ce qui engendre une fausse interprétation. Afin de
faciliter l'utilisation de ces modèles par l'équipe PGA, il serait important d'appliquer les
recommandations suivantes:

• Appliquer les règles et les filtres en amont du traitement des données

o Les données doivent être bien identifiées selon le type d'ordre et d'avis
o Les caractéristiques d'équipements doivent être uniformisées

Il est important d'effectuer ces actions en amont; il faut que tous les analystes aient accès
aux bonnes données (et aux mêmes données), pour s'assurer que les résultats sont valides
et reproductibles. Ensuite, afin d'éliminer les problèmes à la source, il importe d'adopter
des mesures préventives en augmentant la formation et la sensibilisation des intervenants
qui crée ces données. Effectivement, comme le montre le Tableau 6.9, la codification des
types d'ordres ne semble pas tout à fait maîtrisée.

Variables et modèles
En ce qui concerne les variables, il serait intéressant de recueillir les données sur
les cotes de santé et sur leur évolution au fil du temps. Cela permettrait d'identifier une
possible adéquation entre l'évolution de ces indicateurs et la fiabilité des équipements.
Qui plus est, cette étude ne considère que les données de 2014 à 2018. Il serait donc
avantageux de récupérer les données des systèmes antérieurs, dans le but d'obtenir un
historique plus complet des politiques de maintenance. Les données actuelles permettent
donc difficilement de déterminer l'effet de la maintenance sur la fiabilité, puisque l'impact
 83

d'une politique de maintenance a un effet différé sur la fiabilité des équipements. Pour ce
qui est du modèle NHPP, la période d ' étude permet tout de même d'arriver à de bons
résultats et que le modèle réussit à bien gérer les censures. Les modèles de survie offrent
de bons résultats pour identifier les variables relatives aux caractéristiques d'équipement.
Par contre, les variables qui portent sur l'effet des politiques de maintenance ainsi que les
variables d'état ne permettent pas d' obtenir des résultats cohérents. Effectivement, le
changement d'une politique de maintenance a un effet différé sur la fiabilité des
équipements. Une période aussi courte (relativement à la vie de l'équipement), ne permet
pas aux modèles de déceler ces changements. Pour que ces modèles perçoivent ces
changements de façon cohérente, il serait important d'étendre la période d' étude, afin d'en
tirer les bonnes conclusions.

Prochaines étapes
Tel que présenté à la Figure 3.5, l'application de ces méthodes statistiques
nécessite plusieurs itérations, afin d'obtenir de bons résultats à long terme. Ce projet a
présenté les premières itérations et mis en évidence les prochaines étapes à mettre en
œuvre. Dans un premier temps, l' organisation devrait mettre les efforts pour améliorer la
qualité des données. L'étude réalise par Berti-Équille (2018) offre une méthodologie
complète, qui gagnerait à être appliquée. La qualité doit être améliorée et uniformisée en
amont du processus de traitement. De plus, il est indispensable que les données soient bien
étiquetées; il faut bien distinguer chaque activité de maintenance, afin d'inférer
correctement l'effet qu'elles ont sur la fiabilité. Qui plus est, il faut récupérer un
maximum d'information en retraçant les données d'ancien système, pour avoir
l'historique le plus complet possible. Enfin, il faut considérer les données comme un actif
de haute importance. Après tout, la qualité des données est garante d'une prise de décision
éclairée. Une fois que ces activités seront en place, l' application des modèles apportera
encore plus d'information pour éclairer la prise de décision.
 84

LISTE DE RÉFÉRENCES

Amadi-Echendu, J. E., Brown, K., Willett, R., & Mathew, J. (2011). Definitions, Concepts
and Scope of Engineering Asset Management. London: Springer-Verlag London.

Amadi-Echendu, J. E., & Mafutsana, J. M. (2016). A bibliographic review of trends in

design and management of electrical power transmission transformers.
Proceedings of the International Conference on Industrial Engineering &
Operations Management, 2010-2018.

Amorim, L. D., & Cai, J. (2014). Modelling recurrent events: a tutorial for analysis in
epidemiology. International Journal of Epidemiology, 44(1), 324-333.
[Link] je/dyu222

Berti-Équille, L. (2018). Qualité des données. Techniques de l'ingénieur Bases de

données, base documentaire: TIB309DUO(ref. article: h3700).

Carneiro, J. C. (2013,13-17 May 2013). Substationpower transformer risk management:

Predictive methodology based on reliability centered maintenance data.
Communication présentée 4th International Conference on Power Engineering,
Energy and Electrical Drives.

Davis, J. (2007). What is as set management and where do you start? Journal: American
Water Works Association, 99(10),26-34.

Gamiz, M. L., Kulasekera, K. B., Limnios, N., & Lindqvist, B. H. (2011). Applied
Nonparametric Statistics in Reliability. London: Springer London, London.

Gorjian, N., Ma, L., Mittinty, M., Yarlagadda, P., & Sun, Y. (2010). A review on
reliability models with covariates Engineering Asset Lifecycle Management (pp.
385-397): Springer.

Ho, M., Hodkiewicz, M. R., Pun, C. F., Petchey, J., & Li, Z. (2015). Asset Data Quality-
A Case Study on Mobile Mining Assets. Communication présentée, Cham.

Hydro-Québec. (2019a). Appareils de mesure: pour la qualité et la sécurité. Comprendre

l'électricité. Page consultée à Appareils de mesure: pour la qualité et la sécurité
 85

Hydro-Québec. (2019b). En route vers la transformation. Comprendre l'électricité. Page

consultée à [Link]
poste/pop up poste3 .htm I#puissance

Hydro-Québec. (20 19c). Transport de l'électricité: Le transport de l'électricité au Québec.

Comprendre l'électricité. Page consultée à
http: //[Link]/comprendre/transport/[Link]

Hydro-Québec. (2019d). Transport de

l'électricité:Fonctionnement d'un poste.
Comprendre l'électricité. Page consultée à
http: //[Link]/comprendre/transport/construction-poste/

IAM. (2015). Asset Management - an anatomy. Institute of Asset Management, V3.

International Organisation for Standardization. (2015). ISO 55000, 55001 and 55002
Asset Management Standards. BSI Standards.

internationale, C. é. (2002). Transformateurs de mesure Partie 1: Transformateurs de

courant (Vol. 2.1.2). Genève,Suisse: CEL

internationale, C. é. (2003). Transformateurs de mesure Partie 2: Transformateurs

inductifs de tension (Vol. 2.1.1). Genève,Suisse: CEL

internationale, C. é. (2011). Transformateurs de puissance Partie 1 : Généralités (Vol.

3.1.1). Genève,Suisse: CEL

King, J. P., & Jewett, W. S. (2010). Robustness development and reliability growth: Value
adding strategies for new products and processes: Pearson Education.

Lazzaroni, M., Cristaldi, L., Peretto, L., Rinaldi, P., & Catelani, M. (2011). Reliability
Engineering: Basic Concepts and Applications in lCT. Berlin, Heidelberg: Berlin,
Heidelberg: Springer Berlin Heidelberg.

Leemis, L. M. (2009). Reliability: Probabilistic Models and Statistical Methods (2 éd.):

Lawrence M . Leemis.
 86

Levitt, J. (2011). 11.1 What is Predictive Maintenance? Complete Guide to Preventive

and Predictive Maintenance (2nd Edition): Industrial Press.

Lewis, E. E. (1996). Introduction to reliability engineering (2nd ed. éd.). New York, N.Y.:
J. Wiley and Sons.

Murphy, G. D. (2009). Improving the quality of manually acquired data: Applying the
theory of planned behaviour to data quality. Reliability Engineering & System
Safety, 94(12), 1881-1886.
[Link] [Link]/[Link] [Link]/ 10.1 0 16/ [Link].2009.05.008

Myung, 1. J. (2003). Tutorial on maximum likelihood estimation. Journal ofmathematical

Psychology, 47(1),90-100.

Nelson, W. B. (2003). Recurrent events data analysis for product repairs, disease
recurrences, and other applications (Vol. 10): SIAM.

O'Connor, P. D. T. , & Kleyner, A. (2011). Practical Reliability Engineering. Chichester,

UK: Chichester, UK: John Wiley & Sons, Ltd.

Percy, D. F., & Alkali, B. M. (2006). Generalized proportional intensities models for
repairable systems. IMA Journal of Management Mathematics, 17(2), 171-185 .
[Link] /imaman/dp i034

Prasad, K. H., Faruquie, T. A., Joshi, S., Chaturvedi, S., Subramaniam, L. V., & Mohania,
M. (2011, 29 March-2 April 2011). Data Cleansing Techniques for Large
Enterprise Datasets. Communication présentée 20 Il Annual SRII Global
Conference.

Rausand, M., & H0yland, A. (2003). System reliability theory: models, statistical
methods, and applications (Vol. 396): John Wiley & Sons.

Reliability, o. o. E. D. a. E. (2012). Large Power Transformers And The U.S .Electric

Grid. Page consultée à
[Link] ites/prod/fi les/Large%20Power%20Transformer%20St
udy%20-%20June%202012 [Link]
 87

Rexhepi, V. (2017). An Analysis of Power Transformer Outages and Reliability

Monitoring. Energy Procedia, 141, 418-422.
http ://[Link]/https: //doi.orgIl0.1016/ [Link].2017.11.053

Shwu-Tzy, J., Landers, T L., & Rhoads, T R. (2006). Assessment of repairable-system

reliability using proportional intensity models: a review. IEEE Transactions on
Reliability, 55(2),328-336. [Link]

Singh, A. K. , Sinha, A., & Joshi, D. (2016). Asset Management Strategy to Improve
Substation Performance. Journal of Pure & Applied Science & Technology, 6(2),
7-13.

Technology, N. 1. o. S. A. (2003). NIST/SEMATECH e-Handbook ofStatistical Methods

Engineering statistics handbook. National Institute of Standards and Technology.
Repéré à [Link]

Therneau, T, & Grambsch, P. (2000). Modeling Survival Data: Extending The Cox Model
(Vol. 48). New York: Springer.

Velasquez-Contreras,1. L., Sanz-Bobi, M. A., & Galceran Arellano, S. (2011). General

asset management model in the context of an electric utility: Application to power
transformers. Electric Power Systems Research, 81(11), 2015-2037.
http: //dx .doi .org/[Link] 0 16/ [Link].20 11 .06.007

Wi1di, T., & Sybille, G. (2005). Électrotechnique (4e éd. éd.). Sainte-Foy: Presses de
l'Université Laval.