Durée de vie d’un système mécanique

Modélisation de chargements aléatoires

par Raed KOUTA
Docteur
Maître de conférences à l’université technologique de Belfort-Montbéliard
et Daniel PLAY
Ingénieur-Docteur
Professeur d’université à l’Institut national des sciences appliquées de Lyon

1. Modélisation probabiliste de l’histogramme d’une sollicitation

aléatoire...................................................................................................... BM 5 031 — 2
1.1 Indicateurs de formes d’une sollicitation aléatoire .................................. — 2
1.2 Démarche de Pearson pour l’obtention de la densité de probabilité...... — 3
1.2.1 Présentation des solutions du système de Pearson ........................ — 4
1.2.2 Synthèse et conclusion sur le système de Pearson......................... — 4
1.3 Démarche de Gram-Charlier-Edgeworth pour l’obtention de la densité
de probabilité ............................................................................................... — 4
2. Modélisation théorique des événements locaux ............................ — 5
3. Modélisation probabiliste du dépassement de niveau .................. — 5
4. Modélisation de l’enveloppe d’une sollicitation aléatoire.......... — 7
5. Méthodes matricielles de comptage .................................................. — 7
6. Conclusion ................................................................................................. — 7
7. Annexes ...................................................................................................... — 8
7.1 Annexe A : principales solutions du système de Pearson et lois
de remplacement......................................................................................... — 8
7.1.1 Présentation de la loi Bêta 1 .............................................................. — 8
7.1.2 Présentation de la loi Bêta 2 .............................................................. — 8
7.1.3 Présentation de la loi Gamma ........................................................... — 10
7.2 Annexe B : méthode d’estimation des paramètres de la loi de Weibull
autour des quatre types d’événements locaux ......................................... — 10
7.3 Annexe C : spectre de réponse extrême pour une sollicitation aléatoire — 12
7.4 Annexe D : modélisation théorique du dépassement de niveau dans
le cas d’une sollicitation gaussienne ......................................................... — 13
7.5 Annexe E : modélisation de l’enveloppe dans le cas d’une sollicitation
gaussienne ................................................................................................... — 14
Références bibliographiques ......................................................................... — 15

’objectif final de la série de 3 dossiers proposés dans cette base documen-

L taire est le calcul prévisionnel de la durée de vie des composants
mécaniques. Dans un premier dossier [BM 5 030], une analyse statistique et une
analyse fréquentielle ont permis d’avoir une représentation des sollicitations
appliquées à un système ou à un composant mécanique. Ce deuxième dossier
va permettre de passer de ces représentations à des modèles avec, comme
objectif ultérieur, de calculer la durée de vie. Deux types de modélisations seront
abordés dans cet exposé. Le premier est basé sur des approches statistiques et
probabilistes, le second intègre une interaction entre l’analyse statistique et
l’analyse fréquentielle.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie

est strictement interdite. — © Editions T.I. BM 5 031 −1

Dossier délivré pour

DOCUMENTATION
04/10/2008
DURÉE DE VIE D’UN SYSTÈME MÉCANIQUE _________________________________________________________________________________________________

1. Modélisation probabiliste L’ensemble de ces valeurs constitue la sollicitation étudiée. La

moyenne considérée est la moyenne arithmétique :
de l’histogramme n
1
d’une sollicitation aléatoire x = µ 1 = ---
n
∑ xi (2)
i=1

Le passage de l’analyse statistique d’une sollicitation aléatoire à Il s’agit du centre de gravité des valeurs digitalisées. L’écart-type
une modélisation probabiliste avec une analyse mathématique est considéré est l’écart quadratique moyen :
toujours délicat. En effet, l’objet de la modélisation des chargements
n
aléatoires est de déterminer une probabilité théorique d’apparition
d’événements, à partir de l’observation d’une série de valeurs (xi)N sx = µ2 =
1
--- ∑ ( xi – x ) 2 (3)
d’une variable aléatoire (X). Si la statistique descriptive cherche à n i=1
porter un jugement sur la variable aléatoire par rapport à des
valeurs présélectionnées, la statistique mathématique cherche à Il s’agit d’un calcul d’inertie de la dispersion de la sollicitation étu-
porter un jugement sur la probabilité d’apparition de différentes diée autour de la tendance centrale ou de son centre de gravité.
valeurs. L’histogramme (figure 1 a) devient un « estimateur de L’asymétrie et l’aplatissement sont définis par rapport à la loi de
densité » et le diagramme des cumuls est « estimateur de Gauss. Le facteur d’asymétrie pour la loi de Gauss est nul, son fac-
probabilité » (fonction de répartition). Quelle que soit la méthode de teur d’aplatissement est égal à 3. La figure 1 c présente une distri-
synthèse d’une sollicitation aléatoire, les informations collectées bution gaussienne ainsi que les conséquences d’une asymétrie non
peuvent faire l’objet d’une modélisation probabiliste [1]. Dans la nulle. Dans le cas où la distribution statistique d’une sollicitation
suite de ce paragraphe, la modélisation de l’histogramme classique aléatoire ne suit pas une loi de Gauss, le facteur d’asymétrie indique
est présentée. Cette démarche peut aussi s’appliquer à toutes les l’étalement à droite ou à gauche de la moyenne de la distribution. Le
méthodes de comptage numérique unidimensionnelles. Les modé- facteur d’aplatissement indique l’écrasement de la distribution ou
lisations bidimensionnelles ne seront pas traitées dans ce dossier. sa concentration autour d’une amplitude donnée (figure 1 d). Le
Ainsi, pour une sollicitation étudiée, la probabilité de dépassement tableau 1 donne les expressions de l’asymétrie et de l’aplatissement
d’un niveau quelconque est obtenue. De même, après la modélisa- [7].
tion de la densité de probabilité f(x) et de la fonction de répartition
(0)

F(x), toutes les techniques de la statistique fondamentale peuvent

être appliquées (lois du minimum et du maximum notamment) : Tableau 1 – Expressions de l’asymétrie
et de l’aplatissement
x
+∞

Probabilité ( X < x ) = F x ( x ) = ∫ f x ( u ) du avec ∫ –∞

f x ( x ) dx = 1 (1)
Paramètre Asymétrie

µ 32
Aplatissement

–∞ µ
Littérature anglaise β 1 = ------ β 2 = -----4-
En pratique, la loi de X est continue, la densité fx(x) est obtenue à µ 23 µ 22
partir de la série observée x1, ...., xN. Appelons fN la fonction qui
associe, à x réel, le nombre fN (x) (= fi) égal à la hauteur du rectangle µ3
qui est relatif à la classe contenant x (figure 1 b). L’objectif de la Littérature française - = ( β1 ) 1 / 2
G 1 = ---------- G2 = β2 − 3
µ 23 / 2
modélisation consiste à affirmer que, pour tout x, les deux valeurs
fN (x) et fx(x) sont « proches ». Des tests d’ajustement sont utilisés
avec les précautions nécessaires à l’interprétation d’un test statisti- Le moment centré d’ordre r, µr, s’obtient différemment si l’évalua-
que (tests du χ2, de Kolmogorov) [2]. Face à la variété des histo- tion s’effectue à partir d’une sollicitation aléatoire ou d’une loi de
grammes rencontrés au cours du traitement des sollicitations probabilité. Le tableau 2 présente les deux méthodes de calcul.
aléatoires, deux démarches de modélisation peuvent être (0)

entreprises : une modélisation selon le modèle de K. Pearson [3] [4]

ou une modélisation selon le modèle d’expansion de Gram-Charlier Tableau 2 – Calcul du moment centré d’ordre r
et Edgeworth [5] [6]. Les données de départ pour ces deux
démarches sont les indicateurs de formes de la sollicitation étudiée. À partir d’une À partir d’une loi de
Ces indicateurs sont le minimum, le maximum, la moyenne, l’écart- Paramètre probabilité fx(x)
sollicitation aléatoire
type, l’asymétrie et l’aplatissement de la sollicitation étudiée
(figure 1 c et 1 d).
∫
N
Moment centré
d’ordre r (µr)
1
µ r = ---- ∑ ( xi – x ) r µr = ( x – E ( X ) ) r f x ( x ) dx (1)
N 1
1.1 Indicateurs de formes
d’une sollicitation aléatoire
(1) E ( X ) = ∫ xf x ( x ) dx représente l’espérance de la variable aléatoire X
(ou moyenne x). Notons que ces intégrations s’effectuent sur le domaine
La figure 1 a schématise une sollicitation aléatoire. Les minimum de définition de x.
xmin et maximum xmax sont tout simplement les minimum et maxi-
mum globaux des valeurs enregistrées :
Dans le cas d’une sollicitation aléatoire, un nouveau facteur de
xi = x(ti) forme est défini ; il est appelé facteur d’irrégularité I. Ce facteur est
égal au rapport du nombre de passages à zéro N0 du signal centré et
l’amplitude xi est mesurée au temps ti sachant que : du nombre d’extrémums Ne contenus dans la sollicitation étudiée :
ti+1 = ti + ∆t = ti + 1/fe I = N0/Ne I compris entre 0 et 1
avec ∆t pas de temps, Plus I s’approche de 1, plus la régularité de la sollicitation est
fe = 1/∆t fréquence d’échantillonnage. importante. Ainsi, presque chaque extrémum est systématiquement

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie

BM 5 031 −2 est strictement interdite. — © Editions T.I.

Dossier délivré pour

DOCUMENTATION
04/10/2008
 _________________________________________________________________________________________________ DURÉE DE VIE D’UN SYSTÈME MÉCANIQUE

S (t )
Fonction densité
x max de probabilité

Sx
µ Temps

Sx

x min

Fréquence =
nombre de valeurs dans
la classe/nombre total de points
a exemple de sollicitation

F (x) 1

f (a) f (x)

F (a)
F (a)
0
a x a x
Histogramme : fonction densité de probabilité Loi de cumul
b définitions

Asymétrie < 0 Asymétrie > 0 Aplatissement < 3

Loi de Gauss asymétrie = 0 Aplatissement > 3 Loi de Gauss aplatissement = 3

µ1 µ1
c asymétrie d aplatissement

Figure 1 – Présentation de la sollicitation de référence

suivi par un passage à zéro (figure 2 a). Dans cette situation, la fonction « génératrice ». Pearson [4] [7] propose une équation diffé-
mesure étudiée est qualifiée de « sollicitation à bande étroite ». rentielle qui regroupe, dans ses solutions, un ensemble de courbes
Lorsque I s’approche de 0, la régularité de la sollicitation devient de de densité de probabilité :
plus en plus faible. Ainsi, entre deux passages par le niveau zéro, le
signal passe par de nombreux extrémums relatifs de même signe
(figure 2 b). Dans cette situation, la mesure étudiée est qualifiée de 1 df x ( x ) x + a0
« sollicitation à bande large ». Le facteur d’irrégularité donne une ------------- ----------------- = ------------------------------------------ (4)
indication importante sur l’évolution temporelle d’une sollicitation, f x ( x ) dx b0 + b1 x + b2 x 2
ce que les autres facteurs de forme ignorent totalement. Dans le
paragraphe 3 et en annexe D de ce dossier, des facteurs d’irrégula-
avec fx(x) fonction de densité de probabilité (notée
rité seront définis. Ils auront un rôle de liaison entre les modélisa-
aussi f.d.p.),
tions statistiques et l’analyse fréquentielle d’une sollicitation
aléatoire.
a0, b0, b1 et b2 paramètres à estimer et dépendant des
indicateurs de forme de la sollicitation étu-
diée (moyenne, écart-type, asymétrie et
1.2 Démarche de Pearson aplatissement).
pour l’obtention de la densité Différentes valeurs de ces paramètres donnent une série de
de probabilité « types » de solutions [8] qui permettent de générer un ensemble de
courbes de distribution. Plusieurs solutions de l’équation (4) corres-
pondent à des courbes classiques de distribution avec des valeurs
Dans l’étude des formes de distributions les plus fréquemment particulières de β1 et β2. D’autres solutions prennent en compte une
observées, la distribution normale, ou de Gauss, occupe la place de famille de valeurs de β1 et β2.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie

est strictement interdite. — © Editions T.I. BM 5 031 −3

Dossier délivré pour

DOCUMENTATION
04/10/2008
DURÉE DE VIE D’UN SYSTÈME MÉCANIQUE _________________________________________________________________________________________________

S (t)
Asymétrie (β1)
0 0,2 0,4 0,6 0,8 1 1,2 1,4 1,6 1,8
1

Aplatisement (β2)
1,8 D5
0
Temps 2,6 D1
N 3
3,4
D6
4,2
5
D2
5,8
a sollicitation avec un facteur d’irrégularité I ≈ 1 D3
6,6
7,4
D4
S (t) 8,2

Figure 3 – Abaque de Pearson

0
Temps
aléatoires issues du même environnement d’usage doivent être
étudiées, il est plus facile d’avoir à proposer un seul modèle de den-
sité de probabilité. Ainsi, d’autres moyens de modélisation sont
développés avec une représentation des courbes de distribution par
la technique du développement en série. Gram, Charlier et
b sollicitation avec un facteur d’irrégularité I ≈ 0
Edgeworth [4] [7] ont développé une méthode d’expansion qui per-
Figure 2 – Caractérisation des sollicitations en fonction du facteur met d’obtenir des fonctions de distributions arbitraires en
d’irrégularité I s’appuyant sur la technique du développement en série, autour
d’une distribution continue et connue appelée fonction génératrice.
L’expansion de la loi normale utilise un développement en série de
type série de Taylor.
1.2.1 Présentation des solutions du système
de Pearson

Si une variable aléatoire X possède une moyenne mX et un écart- 1.3 Démarche de Gram-Charlier-
type sX, Y = (X − mX)/sX est la variable aléatoire centrée réduite asso- Edgeworth pour l’obtention
ciée à X. La moyenne de Y est nulle, l’écart-type de Y est égal à 1. de la densité de probabilité
Pour une variable aléatoire centrée réduite, le système de Pearson
conduit à sept types de solutions théoriques. Ces solutions sont
définies en fonction de l’asymétrie et de l’aplatissement. La figure 3 Rappelons que si f(x) est une fonction de densité de probabilité,
présente l’abaque des solutions du système de Pearson. Les droites une fonction série (équation (5)) définit une densité de probabilité si
D1 et D4 donnent les limites des solutions obtenues. Chaque zone elle justifie les deux conditions nécessaires :
limitée entre deux droites correspond à un modèle de densité de
probabilité. Les droites D2, D3, D5 et D6 correspondent à des lois de +∞
probabilités particulières. Pour β1 = 0 et β2 = 3, on retrouve la loi de
Gauss (ou loi normale). Les solutions obtenues sur les droites D2,
D3, D5, D6 ou en un point particulier N, constituent des cas de figu-
g(x)
0 et ∫
–∞
g ( x ) dx = 1

res très difficiles à obtenir dans la réalité. En effet, il est quasi impos-
sible de trouver des valeurs numériques de β1 et de β2 qui vont Dans ce cas, g(x) possède des cumulants k1, k2... [4] :
correspondre exactement aux équations des droites. Pour cette rai-
son et dans la pratique, les solutions du système de Pearson se ∞
réduisent à trois solutions caractéristiques : la loi Bêta 1, la loi Bêta 2
et la loi Gamma. g ( x ) = exp ∑ ( – 1 )j
ε j --------------- D j f ( x ) (5)
j=1 j!
La loi Bêta 1 correspond à la zone située entre les droites D1 et D2.
La loi Bêta 2 correspond à la zone située entre les droites D3 et D4.
La loi Gamma correspond à la zone intermédiaire entre les zones En pratique, la représentation de la fonction série est prise sous la
considérées avec les lois Bêta 1 et Bêta 2. forme d’une série avec peu de termes. Alors, le modèle adopté est le
suivant :
L’annexe A présente les principales solutions du système de Pear-
son ainsi que des lois de probabilités de remplacement qui sont plus
k k k2
faciles à manipuler et dont l’estimation de leurs paramètres est plus g ( x ) ≈ α ( x ) ⎛ 1 + ----3- H 3 ( x ) + -----4- H 4 ( x ) + -----3- H 6 ( x ) + ...⎞
⎝ 6 24 72 ⎠
facile. x

∫
(6)
k k k2
G(x) = g ( t ) dt = Φ ( x ) – ----3- H 2 ( x ) + -----4- H 3 ( x ) + -----3- H 5 ( x ) + ... α ( x )
1.2.2 Synthèse et conclusion sur le système –∞
6 24 72
de Pearson
avec x compris entre − ∞ et + ∞
Le système de Pearson a pour avantage de préciser le fait qu’une
k3 = (β1)1/2
sollicitation aléatoire peut être modélisée par une des trois lois
présentées précédemment. Dans le cas où plusieurs sollicitations k4 = β2 − 3

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie

BM 5 031 −4 est strictement interdite. — © Editions T.I.

Dossier délivré pour

DOCUMENTATION
04/10/2008
 _________________________________________________________________________________________________ DURÉE DE VIE D’UN SYSTÈME MÉCANIQUE

succession de ces changements entre creux et pics dans l’évolution

Densité de probabilité

des sollicitations est une autre approche pour décrire la sévérité des
sollicitations excitatrices des systèmes et composants étudiés.
Ainsi, la modélisation se porte sur les événements locaux les plus
représentatifs. Ce sont les quatre familles d’événements (pics posi-
β1 = – 0,2 β1 = 0,2 tifs, creux positifs, pics négatifs et creux négatifs) présentés au
β2 = 4 β2 = 4 paragraphe 2.3.2 de [BM 5 030]. Pour des sollicitations aléatoires
observées dans des conditions d’usage, chaque type d’événements
β1 = 0 locaux forme un échantillon homogène.
β2 = 3 Les amplitudes de ces quatre types d’événements sont définies à
partir de la valeur zéro de la sollicitation. Ainsi, la modélisation pro-
babiliste de la distribution statistique de ces quatre types d’événe-
ments doit tenir compte des caractéristiques suivantes :
— le modèle théorique doit être défini à partir de zéro ;
— la borne supérieure de variation peut être considérée comme
infinie car les amplitudes maximales atteintes sont largement supé-
rieures à zéro.
Amplitude de la sollicitation
Le modèle de distribution statistique de Weibull [9] est employé
Figure 4 – Résultats obtenus avec le modèle pour ce type de phénomène, étant donné que les événements repré-
de Gram-Charlier-Edgeworth sentent des extrémums. L’annexe B présente la technique d’estima-
tion des paramètres de la loi de Weibull pour chaque type
d’événements locaux. Des tests statistiques doivent être effectués
x pour assurer l’adéquation des lois proposées avec les histogram-

∫α
mes observés. Ainsi, quatre modèles de densité de probabilité pour
1 x2
α ( x ) = ----------- exp ⎛⎝ – ------⎞⎠ et Φ ( x ) = (u) du les quatre types d’événements locaux sont obtenus. La figure 5 de
2π 2 –∞ [BM 5 030] illustre ces quatre lois de probabilité.
Les modélisations développées par la suite ont pour objet de faire
H2 = x2 − 1 ; H3 = x3 − 3x ; H4 = x4 − 6x2 + 3 ; le lien entre l’analyse statistique et l’analyse fréquentielle. Cette
H5 = x5 − 10x3 + 15x et H6 = x6 − 15x4 + 45x2 − 15 liaison est particulièrement illustrée par la construction du spectre
de réponse extrême (annexe C).
Ce modèle doit vérifier les conditions suivantes :

+∞ +∞

∫ g ( x ) dx = 1 sachant que ∫ α ( x )H j ( x ) dx = 0 et g(x) → 0 si x → ± ∞ 3. Modélisation probabiliste

–∞ –∞ du dépassement de niveau
La fonction f(x) prise en compte est celle de la loi de Gauss α(x).
Hr(x) sont les polynômes d’Hermite. Soit x(t) = α un niveau d’amplitude donné, Nα le nombre de fois
Les coefficients kj dépendent de l’asymétrie et de l’aplatissement où ce niveau a été dépassé pour une petite unité de temps dt [10].
qui s’expriment en fonction des différents moments µr. Lorsque Nα · dt est interprété comme étant la probabilité que α soit dépassé
r > 4, ceux-ci sont connus pour leur caractère instable. Pour cette rai- en un temps dt, sachant que α peut être dépassé si :
son, en pratique, l’ordre du développement ne dépasse pas le terme
en H6, et ne tient compte que des termes en µ3 et µ4. α – x′ ( t ) dt < x ( t ) < α x′ ( t ) > 0
L’inconvénient de cette modélisation réside dans le fait que le ou
modèle est toujours défini entre − ∞ et + ∞. (7)
α < x ( t ) < α + x′ dt x′ ( t ) < 0
Pour une variable aléatoire (Y) qui est définie avec une moyenne
(mY) et un écart-type (sY) quelconques, X est obtenu par un centrage
et une réduction tels que : Soit

X = (Y − mY)/sY g xx′ ( u, v ) la densité de probabilité à deux variables aléatoires x(t)

et x′ ( t ) avec des réalisations u et v
Ainsi mX = 0 et sX = 1. et g xx′ ( u, v ) du dv = Prob [ ( x ( t ) ∈ u; u + du ) ∩ ( x′ ( t ) ∈ v; v + dv ) ] .
La figure 4 montre différentes densités de probabilité obtenues
La probabilité de dépassement de α est alors :
selon le développement de Gram, Charlier et Edgeworth.

0 α + v dt ∞ α

2. Modélisation théorique N α dt = ∫ dv ∫ g xx′ ( u, v ) dv + ∫ dv ∫ g xx′ ( u, v ) du (8)

–∞ α 0 α – v dt
des événements locaux
Après intégration sur u et considérant dt infinitésimal, alors :

Les modélisations statistiques présentées dans le paragraphe +∞

précédent ignorent les évolutions intermédiaires de la sollicitation
aléatoire étudiée. Aussi, pour en tenir compte, une sollicitation va
être représentée comme une suite de montées et de descentes. La
Nα = ∫
–∞
v g xx′ ( α, v ) dv (9)

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie

est strictement interdite. — © Editions T.I. BM 5 031 −5

Dossier délivré pour

DOCUMENTATION
04/10/2008
DURÉE DE VIE D’UN SYSTÈME MÉCANIQUE _________________________________________________________________________________________________

Si nous écrivons : Ainsi, une modélisation plus globale est définie. Elle permet une
amélioration du comptage du nombre de dépassements soit d’un
g x′x ( u, v ) = g x′ ⁄ x ( v ⁄ x = u ) × g x ( u ) niveau, soit des valeurs extrêmes ou bien du nombre de
dépassement du niveau 0 :
avec g x′ ⁄ x ( v ⁄ x = u ) la probabilité conditionnelle de x′ ( t ) , sachant
x(t) = u et gx(u) la densité de probabilité de x(t) :
⎧ ∆c ∆c ⎫
N α ( c k ) = g x ( α ) ⋅ E ⎨ x′ /x ∈ α – ------- ; α + ------- ⎬ (16)
+∞
⎩ 2 2 ⎭
Nα = gx ( α ) ∫
–∞
v g x′ ⁄ x ( v ⁄ x = α ) dv = g x ( α ) ⋅ E { x′ ⁄ x = α } (10)

⎧ ∆c ∆c ⎫
N 0 ( c k * ) = g x ( 0 ) ⋅ E ⎨ x′ /x ∈ – ------- ; ------- ⎬ (17)
Dans l’expression E { x′ ⁄ x = α } , les pentes ( x′ ( t ) ) prises en ⎩ 2 2 ⎭
compte sont celles du niveau x(t) = α. Dans le cas où cette espérance
mathématique est calculée pour α = 0, le nombre N0 de
dépassements du niveau 0 est obtenu : ⎧ ∆c ∆c ⎫
N e ( c k ) = g x′ ( 0 ) ⋅ E ⎨ x″ /x′ = 0 ; x ∈ α – ------- ; α + ------- ⎬ (18)
N 0 = g x ( 0 ) ⋅ E { x′ ⁄ x = 0 } (11) ⎩ 2 2 ⎭

De même, le nombre des valeurs extrêmes Ne peut être modélisé, avec ck classe k,
mais sa détermination nécessite l’étude des courbures ( x″ ( t ) ) et
des pentes nulles. ck* classe du centre contenant l’amplitude 0,
Soit g x′x″ ( v, w ) , la densité de probabilité à deux variables aléatoi-
res x′ ( t ) et ( x″ ( t ) ) . De la même manière que dans les ∆c largeur de classe.
équations (10) et (11), on peut écrire :
L’annexe D, paragraphe 7.4, présente la modélisation théorique du
+∞ dépassement de niveau dans le cas d’une sollicitation gaussienne.
Ne = ∫
–∞
w g x′x″ ( 0, w ) = g x′ ( 0 ) ⋅ E { x″ ⁄ x′ = 0 } (12)
Les relations (16), (17) et (18) sont obtenues à partir des densités de
probabilité théorique (gx ou g x′ ) et des informations observées
dans la sollicitation aléatoire étudiée (moyenne des pentes ou des
courbures par classe d’amplitude). La figure 5 (pour la sollicitation
Pour un processus stationnaire dérivable (de même que pour un
présentée dans la figure 10, en [BM 5 030]) montre la différence
processus gaussien dérivable), la fonction d’intercorrélation entre
entre les résultats du comptage de dépassement de niveaux numé-
deux dérivées successives d’une variable aléatoire x(k)(t) et x(k+1)(t)
riques et les résultats obtenus avec la relation (16). Dans les classes
est nulle. Cela a été vérifié en pratique pour la majorité des signaux
étudiés [11] : des amplitudes les plus négatives, il y a peu de valeurs numériques
à compter. Cependant, ces amplitudes traduisent l’intensité du choc
lors du passage sur les bosses en béton de ce cas particulier. Du
⎧ dk dk + 1 ⎫ ⎧d 1 ⎫
E { x ( k ) ( t )x ( k + 1 ) ( t ) } = E ⎨ -------- x ( t ) ⋅ ---------------- x ( t ) ⎬ = E ⎨ ------ --- [ x ( k ) ( t ) ] 2 ⎬ point de vue de la fatigue des composants mécaniques, ces amplitu-
k k+1 dt 2
⎩ dt dt ⎭ ⎩ ⎭ des ont une importance non négligeable. Le produit de l’effectif de
d 1 d ces amplitudes par la moyenne de leurs pentes permet de prendre
= ------ --- E { [ x ( k ) ( t ) ] 2 } = ------ ( constante ) = 0 en compte l’effet de ces amplitudes.
dt 2 dt

Ainsi les équations (10), (11) et (12) prennent une forme simple :

N α = g x ( α ) ⋅ E { x′ } (13)
Comptage amélioré
par la moyenne des pentes
par classe (équation 16)
N 0 = g x ( 0 ) ⋅ E { x′ } (14)
Comptage numérique
classique par dépassement
N e = g x′ ( 0 ) ⋅ E { x″ } (15) de niveau (paragrahe 2.3.1.2 [BM 5 030]
Amplitude de la sollicitation S (t)

Ces trois relations donnent des évaluations théoriques du nombre

de dépassement d’un niveau α donné (Nα), du nombre de
dépassements du niveau 0 (N0) et du nombre des valeurs extrêmes
(Ne). Cette évaluation dépend du modèle de densité de probabilité
adopté pour la sollicitation étudiée concernant Nα et N0 et de celui
de la dérivée première pour Ne. Ces densités de probabilité sont
pondérées par la moyenne des pentes E { x′ } pour Nα et N0 et par
la moyenne des courbures E { x″ } pour Ne.
Le modèle de Pearson (§ 1.2), ou ses lois de remplacement, ainsi
que le modèle de Gram-Charlier-Edgeworth (§ 1.3) s’adaptent assez
bien pour modéliser les densités de probabilité de x et de x′ (gx(x),
gx(0), g x′ ( 0 ) ). E { x′ } et E { x″ } sont des estimations globales
obtenues d’une manière théorique et pour une sollicitation unique- Milieu de classe d’amplitude de la sollicitation
ment gaussienne. Pour rendre l’évaluation de ces éléments plus
proche de la spécificité de chaque sollicitation étudiée [11], il faut
effectuer le calcul de la moyenne des pentes et des courbures pour Figure 5 – Comparaison des résultats de comptage obtenus
chaque classe d’amplitudes de l’histogramme étudié. avec différentes méthodes

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie

BM 5 031 −6 est strictement interdite. — © Editions T.I.

Dossier délivré pour

DOCUMENTATION
04/10/2008
 _________________________________________________________________________________________________ DURÉE DE VIE D’UN SYSTÈME MÉCANIQUE

4. Modélisation des étendues dans la sollicitation étudiée. Par exemple dans le cas
où la sollicitation étudiée est une contrainte, l’évolution de la con-
de l’enveloppe trainte moyenne influe d’une manière importante sur la durée de
vie. Les matrices présentées ici sont :
d’une sollicitation aléatoire — la matrice étendues-pentes. Elle donne l’effectif d’une étendue
donnée pour une pente donnée ;
Le modèle de distribution des valeurs extrêmes définit la statisti-
que de chaque groupe d’extrêmes sans prendre en compte leurs — la matrice extrêmes-courbures. Elle donne l’effectif d’un extré-
liaisons avec le reste du signal. L’objectif de ce paragraphe est de mum pour une courbure.
définir la probabilité de dépassement des extrêmes d’un niveau
quelconque, en tenant compte de leur distribution statistique et de Ces matrices sont construites à partir d’un signal épuré (après
leur apport à la dynamique du signal par la prise en compte des pen- regroupement en classes de la sollicitation). La matrice étendues-
tes et courbures, dans le même esprit que celui adopté pour le déve- pentes consiste à regrouper les différentes pentes selon lesquelles
loppement du modèle de dépassement de niveau (§ 3). une transition est apparue entre deux extrémums. Une fréquence
peut être associée à chaque terme de la matrice. Ainsi cette matrice
Soit fM(α)dα la probabilité d’apparition d’un maximum à l’instant
indique la répartition fréquentielle selon le type de transition. La
t avec α < x(t) < α + dα ; cette probabilité dépend de la distribution
matrice reliant les extrémums aux dérivées secondes consiste à
triple g xx′x″ ( u, v, w ) reliant la sollicitation (x), sa dérivée première
regrouper les différentes amplitudes extrêmes selon la dérivée
( x′ ) et sa dérivée seconde ( x″ ) :
seconde ou la courbure. Les figures 6 a et 6 b montrent les schémas
de construction de ces deux matrices. Pour la matrice étendues-pen-
0 w dt α + d α
tes, les cases du haut à droite et celles du bas à gauche sont vides
f M ( α ) d α ⋅ N M dt = ∫ ∫ ∫ g xx′x″ ( α, v, w ) du dv dw (19)
car aucune transition négative ne peut avoir une pente positive de
même qu’une transition positive ne peut avoir une pente négative.
–∞ 0 α Le quart haut à gauche de la matrice étendues-pentes (figure 6 a)
indique, en partant de la gauche, la répartition des pentes négatives
avec NM nombre de valeurs maximales. de la plus importante observée vers la plus faible. Le quart du bas à
droite indique, en partant toujours de la gauche, la répartition des
Cette formulation concerne les extrêmes positifs. D’une manière
pentes positives de la plus faible à la plus importante. Ainsi, la partie
similaire, la probabilité d’apparition d’un minimum (extrême néga-
qui se trouve à l’extrême gauche du quart du haut à gauche et celle
tif) entre α et α + dα pendant dt est fm(α) { =fM(− α)} ; un extrême
apparaît dans les conditions suivantes : qui se trouve à l’extrême droite du quart en bas à droite expliquent
en grande partie la sévérité d’une sollicitation. La figure 7 a pré-
sente la matrice étendues-pentes pour la sollicitation de la figure 10
α < x(t) < α + dα, 0 < x′ ( t ) < x″ ( t ) dt et x″ ( t ) < 0 (pics) [BM 5 030]. La matrice des extrémums-dérivées secondes
(figure 7 b) donne des indications concernant la régularité ou l’irré-
Alors :
gularité de la sollicitation étudiée. En effet, plus les effectifs du quart
haut à gauche et ceux du bas à droite sont importants plus la sollici-
0
tation est irrégulière et plus elle contient des transitions avec des
fM ( α ) = NM ∫
–∞
w g xx′x″ ( α, 0, w )dw et moyennes non nulles. Une sollicitation possède une régularité
importante dans le cas où les quarts haut à droite et bas à gauche
ont des effectifs importants. À noter que la régularité d’une sollicita-
∞ tion est synonyme de sévérité. Une sollicitation est régulière quand

fm ( α ) = Nm ∫
0
w g xx′x″ ( α, 0, w )dw (20)
elle ne possède pas ou peu de fluctuations entre deux extrémums
successifs et de signes opposés. Sur la figure 7 b qui présente la
matrice extrémums-dérivées secondes pour la sollicitation de la
figure 10 du [BM 5 030], le chiffre 5, en haut à droite de la matrice,
L’annexe E, paragraphe 7.5, présente la modélisation de l’enve- traduit les 5 chocs importants reçus par le véhicule lors de son pas-
loppe pour une sollicitation gaussienne. sage sur 5 bosses en béton.

5. Méthodes matricielles 6. Conclusion

de comptage
La modélisation de chargements aléatoires est basée sur les
Ces méthodes intègrent les informations sur les pentes et les approches statistiques et leurs interactions avec le comportement
courbures observées dans une sollicitation aléatoire [10]. dynamique des sollicitations étudiées. Les approches statistiques
Le comptage amélioré de dépassement de niveau par la prise en regroupent l’approche globale et l’approche locale. La modélisation
compte des pentes apporte une lecture globale de la nature des statistique globale conduit à une loi de probabilité qui permet d’éva-
sévérités que le composant mécanique étudié subit pendant son luer le risque d’atteindre (ou de dépasser) une amplitude donnée. La
usage. Le spectre de réponse extrême (ou robustesse) présente les modélisation statistique locale s’intéresse aux événements extrê-
niveaux énergétiques en fonction des fréquences qui constituent la mes de la sollicitation étudiée. L’assimilation d’une sollicitation aléa-
sollicitation étudiée. La combinaison de ces deux types d’analyses toire à une trajectoire aléatoire conduit à des modélisations
s’effectue grâce aux représentations bidimensionnelles des matri- probabilistes qui intègrent des informations de l’analyse fréquen-
ces de transition (Markov, étendues-pentes, extrêmes-courbures). tielle et, plus particulièrement, des données concernant la vitesse et
Ces dernières montrent les liens qui existent entre les comporte- l’accélération de la sollicitation étudiée. Maintenant, les modèles
ments locaux et globaux. La matrice de transition (ou de Markov) probabilistes vont permettre d’aborder les calculs de dimensionne-
présentée au paragraphe 2.3.2.5 en [BM 5 030] est une de ces repré- ment en fatigue de même que la définition de conditions d’essais de
sentations. Cette représentation indique l’évolution de la moyenne laboratoire, en fonction de conditions réelles d’usage [BM 5 032].

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie

est strictement interdite. — © Editions T.I. BM 5 031 −7

Dossier délivré pour

DOCUMENTATION
04/10/2008
DURÉE DE VIE D’UN SYSTÈME MÉCANIQUE _________________________________________________________________________________________________

Classes des dérivées premières Pentes

–– + –– +

3
Classes des étendues

1
Rien 6 1
1 4 1 1
6 1

Étendues
1 4
83
77 19
4 3
1 1 1
2
1 1 2
Rien 2
1

1 4
+ +

a matrice des étendues-pentes a matrice des étendues-pentes (sollicitation fig. 10, [BM 5 030])

Classes des dérivées secondes Courbures

–– + –– +
Classes des extrêmes

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

Extrêmes
2 5 2 2 2
1 1 3 5 3
1 1 1 2 1
1 1 14 11 2 1
2 15 8 1 1
1 27 18 1
1 1 1 2 9 7
1 3 22 9
0 0 1 1 1 5
2 1 1
1 1 1 1 1
+ + 1 1

b matrice des extrêmes-courbures b matrice des extrêmes-courbures (sollicitation fig. 10, [BM 5 030])

Figure 6 – Schéma de construction des matrices étendues-pentes Figure 7 – Exemple de matrices étendues-pentes et extrêmes-
et extrêmes-courbures courbures

p et q sont les paramètres de forme de la loi de probabilité. Ils

7. Annexes s’expriment en fonction de la moyenne (mx) et de l’écart-type (sx) de
la variable aléatoire x :

1–m mx – 1 ⎛ m x – 1⎞
p = – m x + ----------------x- et q = ----------------- ⋅ ⎜ m x + ----------------
-⎟ (22)
7.1 Annexe A : principales solutions v x2 mx ⎝ v x2 ⎠
du système de Pearson et lois avec vx = sx /mx coefficient de variation.
de remplacement Pour une variable aléatoire qui est définie entre deux bornes quel-
conques (a et b), x est obtenu par le changement de variable
suivant :
7.1.1 Présentation de la loi Bêta 1
x = (y − a)/(b − a)
Ainsi mx = (my − a)/(b − a) et sx = sy /(b − a).
Cette loi prend en compte toutes les asymétries possibles entre 0 et
1,8. Au niveau de l’aplatissement, elle prend en compte les aplatisse- La figure 8 présente différentes formes de cette loi de probabilité
ments compris entre 1 et au plus 5,8. Cela signifie physiquement que en fonction de p et de q. Ce type de loi de probabilité est utilisable
cette loi est limitée dans son extension horizontale. En effet, cette loi pour des sollicitations aléatoires qui sont physiquement définies
est théoriquement définie dans un intervalle. La forme normalisée de entre deux bornes. Ces deux bornes doivent être du même ordre de
cette loi de probabilité s’exprime de la manière suivante : grandeur.

γ(p + q) 7.1.2 Présentation de la loi Bêta 2

f x ( x ) = ----------------------- x p – 1 ( 1 – x ) q – 1 (21)
γ(p)γ(q)
Cette loi de probabilité prend en compte des aplatissements
moyen et élevé. Elle prend aussi en compte toutes les asymétries
∞
possibles entre 0 et 1,8. Pour ces raisons, la loi Bêta 2 favorise l’apla-
avec x compris entre 0 et 1, γ ( t ) = ∫0
e –u u t – 1 du
tissement à l’asymétrie. Elle est théoriquement définie entre un
seuil à gauche δ (nommé décalage) et l’infini. Il est plus aisé de
travailler avec « la forme normalisée » de cette loi. « La forme

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie

BM 5 031 −8 est strictement interdite. — © Editions T.I.

Dossier délivré pour

DOCUMENTATION
04/10/2008
 _________________________________________________________________________________________________ DURÉE DE VIE D’UN SYSTÈME MÉCANIQUE

5
fx (x)
4,5

p = 10 et q = 10
3,5
p = 2 et q = 8 p = 8 et q = 2
3

2,5

2
p = 0,5 et q = 1 p = 1 et q = 0,5
1,5 p = 0,5 et q = 0,5 p = 1,5 et q = 1,5
p = 1 et q = 1
1

0,5

0
Figure 8 – Fonction densité de probabilité fx(x)
0,01 0,06 0,11 0,16 0,21 0,26 0,31 0,36 0,41 0,46 0,51 0,56 0,61 0,66 0,71 0,76 0,81 0,86 0,91 0,96 x
de la loi Bêta 1 en fonction de ses paramètres

1,6
fx (x) p = 3 et q = 6
1,4
p = 3 et q = 5
1,2

p = 3 et q = 4
1

0,8 p = 3 et q = 3

0,6 p = 3 et q = 2
p = 3 et q = 1
0,4

0,2

0
Figure 9 – Fonction densité de probabilité fx(x)
0 0,25 0,5 0,75 1 1,25 1,5 1,75 2 2,25 2,5 2,75 3 3,25 3,5 3,75 4 4,25 4,5 4,75 5 x
de la loi Bêta 2 en fonction de ses paramètres

normalisée » pour une loi de probabilité dont la variable varie entre La figure 9 présente différentes formes de cette loi de probabilité
un seuil et l’infini s’obtient par un changement de variable qui con- en fonction de p et de q. Pour ce graphique, p est fixé à 3 et q varie
duit à travailler avec une fonction de densité de probabilité dont la entre 1 et 6. La variation de p conduit uniquement à des homothé-
variable varie entre 0 (au lieu de δ) et l’infini. La forme normalisée de ties sur les courbes de densité de probabilité. Ce type de loi de pro-
cette loi de probabilité s’exprime de la manière suivante : babilité est utilisable pour des sollicitations aléatoires dont on
observe (ou on pense) que physiquement les phénomènes de dis-
γ(p + q) xp – 1
f x ( x ) = ----------------------- ---------------------------- (23) persion ou d’aplatissement sont plus prépondérants que les phéno-
γ ( p ) γ ( q ) ( x + 1 )p + q mènes d’asymétrie.
avec x compris entre 0 et ∞.
Dans le cas où des difficultés se présentent pour manipuler cette
p et q sont les paramètres de forme de la loi de probabilité. Ils loi de probabilité, elle peut alors être remplacée par une loi Log-Nor-
s’expriment en fonction de la moyenne (mx) et de l’écart-type (sx) de male qui est plus facile à exploiter. La forme normalisée de cette loi
la variable aléatoire x : de probabilité s’exprime de la manière suivante :
mx + 1 mx + 1
p = m x + -----------------
- et q = 2 + ------------------
- (24) 2
v x2 m x ⋅ v x2 1 1 1 ln ( x ) – m
f x ( x ) = --------------- --- ⋅ exp ⎛ – --- ⎛ ---------------------------⎞ ⎞ (25)
⎝ 2 ⎝ σ ⎠ ⎠
avec vx = sx /mx. σ 2π x

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie

est strictement interdite. — © Editions T.I. BM 5 031 −9

Dossier délivré pour

DOCUMENTATION
04/10/2008
DURÉE DE VIE D’UN SYSTÈME MÉCANIQUE _________________________________________________________________________________________________

2,5

fx (x)
LN (p = 3 et q = 8)
2 Bêta 2 (p = 3 et q = 8)

1,5
LN (p = 3 et q = 5)
Bêta 2 (p = 3 et q = 5)

1 LN (p = 3 et q = 3)

Bêta 2 (p = 3 et q = 3)

0,5

0
Figure 10 – Comparaison entre les lois Bêta 2
0,05 0,45 0,85 1,25 1,65 2,05 2,45 2,85 3,25 3,65 4,05 4,45 4,85 x
et Log-Normale (LN)

avec x compris entre 0 et ∞. De même que pour la loi Bêta 2, la loi Gamma peut être rempla-
cée par une autre loi plus facile à manipuler et bien connue qui est
⎛ mx ⎞ la loi de Weibull. La forme normalisée de cette loi s’exprime de la
m = ln ⎜ --------------------⎟ et σ = ln ( 1 + v x2 ) (26) manière suivante :
⎝ 1 + v 2⎠
x
β–1 β
Pour une variable aléatoire qui est définie entre δ et l’infini, x est β ⎛ --x-⎞ ⎧ ⎛ --x-⎞ ⎫
f x ( x ) = --- exp ⎨ –
⎝ η⎠ ⎬
(29)
obtenu par le changement de variable suivant : x = (y − δ). Ainsi mx η ⎝ η⎠
⎩ ⎭
= (my − δ) et sx = sy. La figure 10 montre la bonne approximation de
la loi Bêta 2 par une loi Log-Normale. avec x compris entre 0 et ∞,
et avec l’espérance (ou la moyenne) et l’écart-type qui s’expriment
7.1.3 Présentation de la loi Gamma de la manière suivante :

1 2
E { x } = m x = ηγ ⎛ 1 + ---⎞ et s x = η γ ⎛ 1 + ---⎞ – ⎛ γ ⎛ 1 + ---⎞ ⎞
Selon l’abaque de Pearson, cette loi de probabilité est définie 1 2
(30)
dans la zone intermédiaire entre la loi Bêta 1 et la loi Bêta 2. De ce ⎝ β⎠ ⎝ β⎠ ⎝ ⎝ β⎠ ⎠
fait, son apport est situé principalement au niveau de la prise en
compte de l’asymétrie et moins de l’aplatissement. Pour cette rai- Le facteur β est souvent appelé facteur de forme et η le facteur
son, la loi Gamma favorise l’asymétrie à l’aplatissement. Cette loi d’échelle. Pour une variable aléatoire qui est définie entre δ et
est théoriquement définie entre un seuil δ et l’infini. La forme nor- l’infini, x est obtenu par le changement de variable suivant : x = (y −
malisée de cette loi de probabilité s’exprime de la manière δ). Ainsi mx = (my − δ) et sx = sy.
suivante : La figure 12 montre la bonne approximation de la loi Gamma par
une loi de Weibull. Ainsi, la loi de Weibull est le modèle le plus adé-
ap
f x ( x ) = ----------- x p – 1 ⋅ exp ( – ax ) (27) quat pour la modélisation de la dispersion aléatoire des sollicita-
γ(p) tions mécaniques qui sont définies à partir d’un seuil donné et dont
leurs asymétrie et aplatissement les placent dans la zone intermé-
avec x compris entre 0 et ∞. diaire entre celle de la loi Bêta 1 et celle de la loi Bêta 2. De plus, la
p et q sont les paramètres de forme de la loi de probabilité. Ils loi de Weibull est facile à manipuler et les méthodes d’estimation de
s’expriment en fonction de la moyenne (mx) et de l’écart-type (sx) de ses paramètres sont maintenant bien connues.
la variable aléatoire x.

1 1
p = ------ et a = ------------------- (28)
v x2 m x ⋅ v x2 7.2 Annexe B : méthode d’estimation des
paramètres de la loi de Weibull autour
avec vx = sx /mx. des quatre types d’événements locaux
La figure 11 présente différentes formes de cette loi de probabilité
en fonction de a et de p. Pour ce graphique, a est fixé à 1 et p varie
entre 0,5 et 5. La variation de a conduit uniquement à des homo- La séparation des quatre types d’événements locaux en quatre
théties sur les courbes de densité de probabilité. Ce type de loi de échantillons permet de calculer, pour chaque échantillon, les indica-
probabilité est utilisable pour des sollicitations aléatoires dont on teurs de forme : la moyenne = x , l’écart-type = sx, l’asymétrie = G1
observe (ou on pense) que, physiquement, les phénomènes (ou β1) et l’aplatissement = G2 ou (β2). Pour x, une variable aléatoire
importants de déplacement de la moyenne ou d’asymétrie sont plus de Weibull W(β ; η ; δ = 0), la formulation de la fonction de densité de
prépondérants que les phénomènes d’aplatissement. probabilité de x, son espérance (ou sa moyenne) et son écart-type

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie

BM 5 031 − 10 est strictement interdite. — © Editions T.I.

Dossier délivré pour

DOCUMENTATION
04/10/2008
 _________________________________________________________________________________________________ DURÉE DE VIE D’UN SYSTÈME MÉCANIQUE

1,2

fx (x)

1
a = 1 et p = 0,5

0,8

0,6
a = 1 et p = 1

a = 1 et p = 2
0,4
a = 1 et p = 3
a = 1 et p = 4
a = 1 et p = 5
0,2

Figure 11 – Fonction densité de probabilité

0 fx(x) de la loi Gamma en fonction
0 1 1,9 2,8 3,7 4,6 5,5 6,4 7,3 8,2 9,1 10 x de ses paramètres

1,2
Weibull (a = 1 ; p = 0,5)
fx (x)

Gamma (a = 1 ; p = 0,5)
0,8

0,6

Gamma (a = 1 ; p = 2)
0,4 Weibull (a = 1 ; p = 2)
Gamma (a = 1 ; p = 3)

Weibull (a = 1 ; p = 3)
0,2 Weibull (a = 1 ; p = 5)
Gamma (a = 1 ; p = 5)

0 Figure 12 – Comparaison entre les lois Gamma

0 1 1,9 2,8 3,7 4,6 5,5 6,4 7,3 8,2 9,1 10 x et Weibull

sont donnés par les relations (30) du paragraphe 7.1.3. Les expres-
sions théoriques du coefficient de dispersion (vx), de l’asymétrie G1 1,2
et de l’aplatissement G2 de la loi de Weibull s’expriment exclusive- 1
ment en fonction du facteur de forme de la distribution (β) :
0,8
0,6
sx ( γ2 – ( γ1 ) 2 ) 1 / 2 γ3 – 3 γ2 γ1 + 2 ( γ1 ) 3 G2
v x = -------
- = ------------------------------------ G 1 = ------------------------------------------------ 0,4
mx (γ ) 1 ( γ2 – ( γ1 ) 2 ) 3 / 2 vx
(31) 0,2
γ 4 – 3 γ 3 γ 1 – 3 ( γ 2 ) 2 + 12 γ 2 ( γ 1 ) 2 – 6 ( γ 1 ) 4 0
G 2 = ------------------------------------------------------------------------------------------------------
- 2 2,4 2,8 4,8
6 6,8 8 8,8 10 10,8 12 12,8 14 14,8 16
( γ2 – ( γ1 ) 2 ) 2 – 0,2
β
– 0,4
G1
avec γ r = γ ⎛ 1 + ---⎞
r – 0,6
⎝ β⎠
– 0,8
Ainsi, le facteur de forme β peut être obtenu par l’inversion de –1
l’une des trois fonctions vx, G1 ou G2. La figure 13 montre l’évolu-
tion théorique de vx, G1 et G2 en fonction de β, d’où les expressions Figure 13 – Évolution des paramètres vx, G1 et G2 de la loi de Weibull
vx = F1(β), G1 = F2(β) et G2 = F3(β). en fonction du facteur de forme β

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie

est strictement interdite. — © Editions T.I. BM 5 031 − 11

Dossier délivré pour

DOCUMENTATION
04/10/2008
DURÉE DE VIE D’UN SYSTÈME MÉCANIQUE _________________________________________________________________________________________________

Amplitude

Figure 14 – Visualisation du couple appliqué

à la barre stabilisatrice avant d’un véhicule
Temps automobile

15,96
Les pics < 0 Les creux > 0
10,53

10,04

8,97
Les creux < 0
9,42

8
5,78
6,56

Les pics > 0

3,93

3,5

2,08
0,67

0,96

0,35
0,09
0,4

Figure 15 – Histogrammes des pics > 0

et des creux < 0 et lois de probabilités
– 300 – 240 – 180 – 120 – 60 0 60 120 180 240 300
des quatre événements locaux

Étant donné la forme de ces trois dernières fonctions, la voie la Le pic le plus grand pendant la durée T (en moyenne) correspond
plus simple consiste à inverser (par une méthode numérique) la approximativement au niveau u0 qui n’est dépassé qu’une seule
fonction G1. La figure 14 montre une sollicitation aléatoire qui fois ; d’où :
représente le couple dans une barre stabilisatrice de véhicule indus-
triel lors du passage sur une route mal entretenue. La durée de FM(u0) = 1/(NeT) (33)
l’enregistrement est égale à 5 min.
Le niveau u0 est déterminé par itérations successives. La fonction
Le tableau 3 donne les valeurs obtenues concernant les différents de répartition FM(u) est une fonction décroissante de u. On consi-
paramètres des lois de Weibull pour les quatre types d’événements dère deux valeurs de u, telles que :
locaux. La figure 15 montre l’adéquation des lois proposées en rela-
FM(u1) < FM(u0) < FM(u2) (34)
tion avec histogrammes observés expérimentalement.
(0)
et, à chaque itération, on réduit l’intervalle (u1, u2) jusqu’à ce que,
par exemple :
Tableau 3 – Paramètres des lois de Weibull
FM ( u1 ) – FM ( u2 )
Paramètre G1 β - < 10 –2
-------------------------------------------- (35)
FM ( u0 )
Pics > 0 1,25 1,36
Creux < 0 0,812 1,76 D’où, par extrapolation :
Pics < 0 0,925 1,63
⎧ FM ( u1 ) – FM ( u2 ) ⎫
Creux > 0 1,686 1,12 Z M ≈ Z 0 = ( V ( x ) ) 1 / 2 ⎨ [ u 2 – u 1 ] --------------------------------------------- + u 1 ⎬
⎩ FM ( u0 ) ⎭ (36)
et RE = ( 2πf 0 ) 2 Z M

7.3 Annexe C : spectre de réponse Avec les mêmes hypothèses, le nombre moyen de dépassements
extrême pour une sollicitation d’un seuil de la réponse z = α avec pente positive pendant une durée
d’enregistrement T, pour une sollicitation gaussienne, est donné par
aléatoire la relation :

α 2 V ( x′ )
N α+ = TN α = TN 0 exp ⎛ – --------------------⎞
1
La réponse extrême RE est calculée à partir de la réponse maxi- et N 0 = --- -------------- (37)
⎝ ⎠ π V(x)
male rencontrée une seule fois pendant le temps d’excitation. Pour 2 V(x)
une durée d’enregistrement T, le nombre total des pics supérieurs à
z0 est donné par : En considérant que le seuil α n’est dépassé qu’une seule fois, on
obtient, en faisant N α+ = 1 :
N = NeTFM(u0) (32)
α = 2V ( x ) ln ( N 0 T ) d’où RE = 4π 2 f 02 2V ( x ) ln ( N 0 T ) (38)
avec FM(u) fonction de probabilité cumulée donnée au
paragraphe 7.5, équation (61),
Dans le cas d’une sollicitation aléatoire dont la DSP est représen-
Ne nombre des valeurs extrêmes. tée par plusieurs paliers (G i = Φ xxi cf. [BM 5 030]) dont chacun est

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie

BM 5 031 − 12 est strictement interdite. — © Editions T.I.

Dossier délivré pour

DOCUMENTATION
04/10/2008
 _________________________________________________________________________________________________ DURÉE DE VIE D’UN SYSTÈME MÉCANIQUE

défini entre deux fréquences fi et fi +1, les différentes composantes 7.4 Annexe D : modélisation théorique
de RE s’obtiennent de la manière suivante :
du dépassement de niveau dans le cas
∞
d’une sollicitation gaussienne
V(x) = ∫ 1 π
G ( f ) df = --------------------- ------
( 2π ) 4 f 03 4 ξ
∑
i
Gi [ I0 ( hi + 1 ) – I0 ( hi ) ] (39)
0 Dans le cas gaussien, x(t), x′ ( t ) et x″ ( t ) sont trois variables aléa-
toires gaussiennes avec comme densités de probabilités
∞
successives :
V ( ẋ ) = ( 2π ) 2 ∫
0
( 2π
1
) 2f 4ξ
0
π
f 2 G ( f ) df = ------------------- ------ ∑
i
G i [ I 2 ( h i + 1 ) – I 2 ( h i ) ] (40)
1 ⎧ u2 ⎫
g x ( u ) = ------------------------ exp ⎨ – ---------------- ⎬ (49)
2πV ( x ) ⎩ 2 V (x) ⎭
∞

V ( ẋ˙) = ( 2π ) 4 ∫ 4
π
f 4 G ( f ) df = f 0 ------
ξ
∑
i
Gi [ I4 ( hi + 1 ) – I4 ( hi ) ] (41) 1 ⎧ v2 ⎫
g x′ ( v ) = -------------------------- exp ⎨ – ------------------ ⎬ (50)
0
2πV ( x′ ) ⎩ 2 V (x′) ⎭
avec G ( f ) = H ( f ) G ˙( f ) , 2 hi = fi /f0 et hi +1 = fi +1/f0.
ẋ

ξ h2 + α h + 1 1 2h + α 2h – α 1 ⎧ w2 ⎫
I 0 = ------- ln ⎛ ------------------------------⎞ + --- arctan ⎛ -----------------⎞ + arctan ⎛ -----------------⎞ (42) g x″ ( w ) = --------------------------- exp ⎨ – ------------------- ⎬ (51)
π α ⎝ h 2 – α h + 1⎠ π ⎝ 2ξ ⎠ ⎝ 2ξ ⎠ 2πV ( x″ ) ⎩ 2V(x″) ⎭

Ainsi nous avons :

ξ h2 + α h + 1 1 2h + α 2h – α
I 2 = – ------- ln ⎛ ------------------------------⎞ + --- arctan ⎛ -----------------⎞ + arctan ⎛ -----------------⎞ (43)
π α ⎝ h 2 – α h + 1⎠ π ⎝ 2ξ ⎠ ⎝ 2ξ ⎠ +∞

4ξ
E { x′ } = ∫
–∞
v g x′ ( v ) dv =
2
--- V ( x′ )
π
(52)
I 4 = ------ h + β I 2 – I 0 (44)
π
+∞
α = 2 1 – ξ 2 ; β = 2(1 − 2ξ2) ; Q = 1/(2ξ)

avec ξ facteur d’amortissement.

(45)
E { x″ } = ∫
–∞
w g x″ ( w ) dw =
2
--- V ( x″ )
π
(53)

Ainsi : Ainsi, dans le cas d’un processus gaussien, les équations (13) (14)
et (15), s’écrivent :
1 V ( x″ ) 1 V ( x′ )
N e = --- --------------- , N 0 = --- -------------- et I = N 0 ⁄ N e (46)
π V ( x′ ) π V(x) 1 V ( x′ ) ⎧ 1 α2 ⎫
N α = --- -------------- exp ⎨ – --- ------------ ⎬ (54)
π V(x) ⎩ 2 V(x) ⎭
Dans le cas où la distribution statistique des pics (respectivement
creux) est modélisée par une loi de Weibull W (β, η, δ) avec β facteur
de forme, η paramètre d’échelle et δ décalage (souvent proche de 1 V ( x′ )
zéro), on cherche la probabilité πM(u0) pour qu’un maximum u N 0 = --- -------------- (55)
π V(x)
dépasse un niveau quelconque u0 de l’amplitude de la réponse.
πM(u0) = 1 − FM(u0) avec :
1 V ( x″ )
N e = --- --------------- (56)
u0 π V ( x′ )

FM ( u0 ) = ∫
–∞
p ( u ) du D’où l’expression du facteur d’irrégularité gaussien :

N V ( x′ )
et, sur une durée d’observation T, le nombre moyen de pics supé- I g = ------0- = -------------------------------- (57)
rieurs à u0 est toujours N = n p+ T π ( u 0 ) . Ne V ( x )V ( x″ )
Lorsque N = 1, le niveau correspondant est défini par
À partir de ce facteur, on définit le facteur ε comme étant la lar-
β
u0 geur de bande du processus étudié. Ce dernier (comme I et Ig) est
π ( u0 ) = 1 ⁄ ( n p+ T ) . Avec π ( u 0 ) = exp ⎛ – ⎛ ------⎞ ⎞ et connaissant la compris entre 0 et 1).
⎝ ⎝ η⎠ ⎠
La largeur de bande s’exprime en fonction du nombre de passa-
valeur de n p+ , il vient : ges à zéro par valeurs croissantes N0 et en fonction du nombre de
maximums locaux Ne (positifs ou négatifs) sur le temps d’observa-
tion. On pose :
1/β
⎛ Ż˙eff T ⎞
u 0 = η ln ⎜ ----------------⎟ (47) ε = 1 – I g2 (58)
⎝ 2πŻ eff⎠
Remarques :
Alors la réponse extrême devient :
a) La relation (58) est une définition et correspond simplement au
1/β fait que, lorsque l’on a un processus à bande étroite, N0 = Ne (voir
⎛ Ż˙eff T ⎞ figure 11 a en [BM 5 030]) et, par conséquent, ε = 0 ; et lorsque l’on a
RE = ( 2π ⋅ f 0 )2 η ln ⎜ ----------------⎟ (48) un processus à bande large (figure 11 b en [BM 5 030]) Ne > N0 et,
⎝ 2πŻ eff⎠
lorsque Ne >> N0, ε → 1.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie

est strictement interdite. — © Editions T.I. BM 5 031 − 13

Dossier délivré pour

DOCUMENTATION
04/10/2008
DURÉE DE VIE D’UN SYSTÈME MÉCANIQUE _________________________________________________________________________________________________

b) Lorsque ε = 0, dans le cas d’une trajectoire à bande étroite, la autour des amplitudes du milieu de la trajectoire. Ainsi, les distribu-
notion de cycle a un sens précis, puisque N0 = Ne. tions des extrêmes positifs et des extrêmes négatifs s’écartent l’une
c) Lorsque ε = 1, la notion de cycle est susceptible d’interpréta- de l’autre suivant la croissance du facteur d’irrégularité ou la
tions diverses ; la définition du « nombre de cycles » dépend de la variance de la dérivée seconde. Une dispersion importante de la
méthode de comptage. variance des courbures ou de la dérivée seconde ( V ( x″ ) ) indique
une apparition d’une importante variété de formes pour les pics et
les crêtes sur la trajectoire aléatoire. Cette dispersion intervient dans
toutes les classes d’amplitude, d’où une irrégularité importante (Ig
7.5 Annexe E : modélisation diminue). Ig est inversement proportionnel à V ( x″ ) .
de l’enveloppe dans le cas
d’une sollicitation gaussienne

Pour une trajectoire gaussienne, le coefficient de corrélation entre 0,4

le signal x(t) et sa dérivée première x′ ( t ) est nul. Ainsi : fm (x) fM (x)
0,3
g xx′x″ ( u, v, w ) = g x′ ( v ) ⋅ g xx″ ( u, w )
0,2
La distribution double g xx″ ( u, w ) reliant le signal et sa dérivée
seconde s’exprime selon une loi bi-normale :
0,1

1 1
g xx″ ( u, w ) = -------------- exp – ------ { V ( x″ )u 2 + 2V ( x′ )uw + V ( x )w 2 } (59) 0
2π k 2k –5 –4 –3 –2 –1 0 1 2 3 4 5

avec k = V ( x )V ( x″ ) – [ V ( x′ ) ] 2 V ( x ) = 1 ; V ( x ’) = 9 ; Hypothèse V ( x ’’) = 104 ; Ig = 0,09

La densité de probabilité des pics (équation (20)) s’écrit alors : ou
V ( x ) = 1 ; Hypothèse V ( x ’) = 1 ; V ( x ’’) = 123 ; Ig = 0,09

f M ( α ) = Prob ( α < Max  α + d α )

1 – I g2 ⎛ u 2 ⎞ Ig u u2 ⎛ Ig u ⎞ (60)
= ------------------ exp ⎜ – -----------------------⎟ + --------- exp ⎛ – ------⎞ 1 + erf ⎜ ---------------------------⎟
⎝ ⎠ ⎝ 2⎠ ⎝ 0,4
2 ( 1 – I 2 )⎠
2π 2 ( 1 – Ig ) 2 2
g fm (x) fM (x)
0,3
Et la fonction de probabilité cumulée est :
0,2
F M ( α ) = Prob ( Max  α )

1 ⎧ ⎛ u ⎞ ⎫ Ig u2 ⎧ ⎛ Ig u ⎞ ⎫ (61) 0,1
= --- ⎨ 1 – erf ⎜ ---------------------------⎟ ⎬ + ---- exp ⎛ – ------⎞ ⎨ 1 + erf ⎜ ---------------------------⎟ ⎬
2 ⎩ ⎝ 2 ( 1 – I 2 )⎠ ⎭ 2 ⎝ 2⎠ ⎝ 2 ( 1 – I 2 )⎠ ⎭
⎩
g g 0
–5 –4 –3 –2 –1 0 1 2 3 4 5
V ( x′ )
avec I g = -------------------------------- facteur d’irrégularité gaussien,
V ( x )V ( x″ ) V ( x ) = 1 ; V ( x ’) = 36 ; Hypothèse V ( x ’’) = 104 ; Ig = 0,36
x ou

∫
V ( x ) = 1 ; Hypothèse V ( x ’) = 1 ; V ( x ’’) = 7,716 ; Ig = 0,36
α 2
erf ( x ) = ------- e –λ ⁄2 dλ
2
u = ---------------- et
V(x) π 0

Pour Ig ≈ 1 (ε = 0, sollicitation à bande étroite), la densité de proba-

0,5
bilité devient fM(α ; Ig) ≈ u exp(− u2/2). Cette approximation corres-
pond à la distribution de Rayleigh. Ainsi, nous retrouvons le fait que, fm (x) fM (x)
0,4
pour une sollicitation aléatoire à bande étroite, la distribution des
valeurs maximales suit une loi de Weibull avec des facteurs de 0,3
forme particuliers β = 2 ; η = 2V ( x ) ; δ
0 .
L’influence des trois variances principales V(x), V ( x′ ) et V ( x″ ) est 0,2
étudiée sur la distribution des valeurs extrêmes. Cette influence est
observée à travers le facteur d’irrégularité Ig. La difficulté de cette 0,1
étude réside dans le fait que les évolutions de x, x′ et x″ sont inter-
0
dépendantes pour une trajectoire aléatoire. Pour simplifier la pré-
–5 –4 –3 –2 –1 0 1 2 3 4 5
sentation, prenons l’hypothèse d’une variance V(x) = 1. La figure 16
montre l’évolution de la distribution des valeurs extrêmes en fonc-
tion du facteur d’irrégularité Ig. Ce dernier est directement propor- V ( x ) = 1 ; V ( x ’) = 91 ; Hypothèse V ( x ’’) = 104 ; Ig = 0,91
ou
tionnel à V ( x′ ) . L’augmentation de cette variance s’explique par V ( x ) = 1 ; Hypothèse V ( x ’) = 1 ; V ( x ’’) = 1,2076 ; Ig = 0,91
l’apparition d’une variété de pentes de plus en plus importantes
dans la sollicitation. Il en résulte une plus grande probabilité
d’observer des valeurs extrêmes à des niveaux d’amplitude supé- Figure 16 – Influence de la variance des dérivées première
rieurs et inversement une probabilité plus faible de fluctuations et seconde sur la modélisation de l’enveloppe

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie

BM 5 031 − 14 est strictement interdite. — © Editions T.I.

Dossier délivré pour

DOCUMENTATION
04/10/2008
 _________________________________________________________________________________________________ DURÉE DE VIE D’UN SYSTÈME MÉCANIQUE

Références bibliographiques

[1] SAPORTA (G.). – Probabilités. Analyse des [5] EDGEWORTH (F.Y.). – On the mathematical [8] JEFFREYS (H.). – Theory of probability.
données et statistiques. Éd. Technip, 495 p. representation of statistical data. Journal of 3e édition, Clarendon Press, Oxford (1961).
(1990). the Royal Statistical Society vol. A, 79,
[9] KOUTA (R.) et PLAY (D.). – Correlation proce-
Section I, p. 457-482 ; section II, p. 482-500
[2] FAUCHON (J.). – Probabilités et statistiques. dures for fatigue determination. Trans.
(1916). Vol. A, 80 ; section III, p. 65-83 ;
INSA-Lyon, cours polycopiés, 319 p. ASME, J. Mech. Des., 121, p. 289-296 (juin
section IV, p. 266-288 ; section V, p. 411-437
1999).
(1917).
[3] GULDBERG (S.). – Applications des polynô- [10] RICE (S.O.). – Mathematical analysis of ran-
[6] CHARLIER (C.V.L.). – Contributions to the
mes d’Hermite à un problème de statistique. dom noise. Bell System Tech. J. vol. 23,
mathematical theory of statistics. Arkio für
Proc. of the Inter. Congress of mathemati- p. 282-332 (1944) et vol. 24, p. 46-156 (1945).
Matematik (Astronomi och Fysik), Bd 9,
cians, Strasbourg, p. 552-560 (1920).
no 25, p. 1-18 (1914). [11] KOUTA (R.). – Méthodes de corrélation par
[4] KENDALL (M.G.) et STUART (A.). – The [7] JOHNSON (N.L.) et KOTZ (S.). – Distributions les sollicitations pour pistes d’essais de véhi-
advanced theory of statistics. London, Char- in statistics : Continuous unvaried distribu- cules. Thèse de doctorat, Institut national des
les Griffin and Company Limited, vol. 1, tions-1. Houg. Mifflin Company, Boston, sciences appliquées de Lyon, no 94ISAL0096
439 p. (1969). 300 p. (1969). (nov. 1994).

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie

est strictement interdite. — © Editions T.I. BM 5 031 − 15

Dossier délivré pour

DOCUMENTATION
04/10/2008