ICD-LM2S, UMR STMR, LSI, IUT-Saida, EDST

CNRS Université Libanaise

Université de technologie Liban
de Troyes, France

Optimisation de la maintenance préventive des systèmes compte-

tenu de leur performance et dégradation

Imane Maatouk

FIMA – 14 mars 2013

Sous la direction de Pr. Eric CHATELET et Pr. Nazir CHEBBO

1
Plan de l’exposé

1. Présentation synthétique des travaux de thèse

2. Modélisation et étude de la disponibilité d’un Système Multi-Etats

(SME)

3. Optimisation de la maintenance préventive des SME

4. Conclusions et perspectives

2
Présentation synthétique des travaux de thèse

Plan de l’exposé

1. Présentation synthétique des travaux de thèse

• Contexte et problématique
• Objectifs de la recherche
• Travaux réalisés

2. Modélisation et étude de la disponibilité des SME

3. Optimisation de la maintenance préventive des SME

4. Conclusions et perspectives

3
Présentation synthétique des travaux de thèse Contexte problématique

Contexte et problématique

Opérations de la maintenance
• Prévenir, éviter, et corriger les dysfonctionnements d’un système.
• Limitation par les moyens techniques et financiers

Nécessité de modélisation et évaluation de la disponibilité des SME

• Modélisation des systèmes  Calcul de leur disponibilité  Evaluation de la
performance d’une politique de maintenance
• Modèles permettant d’intégrer la dépendance dans le processus d’évaluation
de la disponibilité

Problématique : Construction d’une politique de maintenance préventive optimale

• Évaluer la performance d’une politique de maintenance
• Trouver une politique optimale vérifiant les contraintes imposées

4
Présentation synthétique des travaux de thèse Démarche de l’étude

Objectifs de la recherche

• Construire un modèle d’évaluation de la disponibilité

– Dans un SME, Multi-composants, dépendance stochastique

• Améliorer la disponibilité d’un SME

– Par distribution de charge uniforme entre les composants

• Analyser les caractéristiques fiabilistes des composants d’un SME

– Effet de la dépendance sur ces caractéristiques

• Optimiser une politique de maintenance préventive

– Minimisant le coût de la maintenance, sous contraintes de disponibilité exigée

• Améliorer l’optimisation

5
Présentation synthétique des travaux de thèse Démarche de l’étude

Pistes de recherche exploitées

SME, composants multi-états

• Hybridation Markov et Fonction Génératrice Universelle (FGU )(Lisnianski
2004, Lisnianski & Levitin 2003)
– Dépendance stochastique

• Optimisation de la distribution de charge (Levitin, G., & Amari, S. 2009)

– Propagation d’échec à effet sélectif

• Facteur d’importance de Birnbaum (Levitin, G., & Lisnianski, A. 1999)

– Effet de la dépendance

SME, composants binaires

• Optimisation de la maintenance préventive périodique (Bris, R., Châtelet, E.,
& Yalaoui, F. 2003)
– Hybridation algorithme génétique et recherche locale 6
 Présentation synthétique des travaux de thèse Travaux réalisés

Travaux réalisés-Modélisation
Système multi-états-Multi-
composants

Configuration simple Configuration complexe

Série, parallèle, Structure de

combinaison pont

Modèles de dégradation Evaluation de la

Dépendance
d’un composant performance du système

Processus Structu Econo Stocha

Exponenti Méthodes
Simulation relle mique stique
elle stochastiq FGU booléenn
Monte Carlo
ues es PE Charge Autres
Weibull
PE
sélectif Uniforme
Gamma, Markov
etc PE
Global Locale
Semi-
Markov Croissante
7
 Résumé des travaux de thèse Travaux réalisés

Travaux réalisés-Optimisation

Amélioration de la performance d’un

SME
Redondance Surveillance
Gestion de la
Maintenance active et/ou et/ou
dépendance
passive diagnostic

Maintenance Maintenance Distribution

corrective préventive de charge

Multi- Mono- Charge

Charge statique dynamique
composants composant

Uniforme Monotone
Locale
Prévisionnelle Conditionnelle Périodique Croissante

Optimisation Optimisation de la
de la distribution de charge
maintenance

8
Modélisation et étude de la disponibilité des SME

Plan de l’exposé

1. Résumé des travaux de thèse

2. Modélisation et étude de la disponibilité des SME

• Motivations et objectifs
• Processus stochastique et fonction génératrice universelle (FGU)
• Distribution de charge optimale dans un SME
• Importance des composants dans un SME
• Discussions

3. Optimisation de la maintenance préventive des SME

4. Conclusions et perspectives
9
Modélisation et étude de la disponibilité des SME Motivations et objectifs

Motivations et objectifs

Distribution de Performance (DP) dans un SME

• Passé : systèmes simples, composants indépendants
• Actuellement : systèmes complexes, composants dépendants (système de production
électrique, ordinateurs, etc.)

Fonction de structure
DP des composants DP du système entier
du système
• Modèle de représentation du comportement des composants
• Méthode d’évaluation de la DP du système entier

Intégration de la dépendance stochastique dans le modèle du système

• Propagation d’échec à effet sélectif et distribution de charge statique uniforme
• Gestion de la dépendance
• Effet de la dépendance

10
Modélisation et étude de la disponibilité des SME Processus stochastique et FGU

Hypothèses et modélisation

Hypothèses et modèles de base

• Evolution dynamique, système dégradé, taux de transitions constants
• État futur du système dépend seulement de son état présent
 Processus de Markov Homogène (PM)

• Evolution statique, système multi-états série-parallèle

• Nombre des états du système augmente rapidement avec celui de ses composants
 Fonction Génératrice Universelle (FGU)

Hypothèses et modèle choisi

• Evolution dynamique, dépendance stochastique, structure série-parallèle
 Hybridation PM et FGU
Grandeurs évaluées
• Disponibilité, performance moyenne, facteur d’importance, …

11
Modélisation et étude de la disponibilité des SME Processus stochastique et FGU

Processus de Markov et FGU

Processus de Markov
• Résolution de l’équation de Chapman-Kolmogorov
mj mj
dPij / dt   Pij (t )   ja ( k ) (t )   Pik (t ) bi ( k ) j (t )
i
k 1 k 1

FGU i
 12
n1
ai
2 n1 n2 n 2 wbj(ai ,b j )
U1( (zz) )(U1 (i Z )) 2(
z ),Ui, 2 ( z U z)  i j Zj Z
i 1  21 i 1 j 1j 1
1
i
 31
Hybridation
• Markov et FGU
Composants i 1 et 2 connectés :
 13 3 chaque instant
• PM  DP -deSérie
chaque
 composant
w( ai , b j )à  min(ai , b j )
• FGU  DP- Parallèle
du système entier
ai , bà jchaque
w(Markov ai instant
) pour
Graphe de unb jélément i
• Evolution dynamique d’un système série-parallèle ou parallèle-série.

12
Modélisation et étude de la disponibilité des SME Processus stochastique et FGU

Intégration de la dépendance
Distribution de charge uniforme constante
• Entre les composants parallèles dans un système série-parallèle
• Défaillance d’un composant  distribution de charge entre les composants
survivants
gi
 Taux de défaillance  i   i . g (.) i  i.
• gr
Reprise du processus de Markov

Propagation d’échec effet sélectif (PE)

• D’un composant vers les composants d’un sous-système
• 2 m Combinaisons possibles des composants causant PE
ngi ngi
• Chaque combinaison x u~i ( z )   Pihi Z Gihi u~ ( z )   Pihi Z Gihi
U (Z )  z i
– Evaluation de l’UGF de chaque hi 2 composant hi2 1  Pi1
– DP dynamique
Affecté conditionnelle
Ne cause du système entier
par PE pas de PE Intact par PE
• Loi de probabilité totale  DP dynamique non conditionnelle du système entier.

13
Modélisation et étude de la disponibilité des SME Processus stochastique et FGU

Application numérique
Module de production industrielle (Levitin & Xing, 2010)

Evolution de
Evolution de la
la disponibilité
DP du système du pour une entier
système demandepourde
Disponibilité du système pour une demande de 3t/h
1 3 t/h de demande
différentes valeurs
11 Propagation d'échec 1t/hp1
0.15 Propagation d'échec et distribution
Pi=probabilité de 2t/h
charge
p2
0.9
0.95 1 : Propagation que le système 3t/h p3
3 : Performance
0.9 Pompe 1 2 : Echec
entier soit à 4t/hp4
local
0.8
0.1
Réacteur 3,4 1 : Echec local l'état i2 : Performance
d’échec
5t/hp5
6t/hp6
normale normale
p7
1 : 0.9 1 : Echec d’échec
Propagation
0.7
0.8 0.05
local --- --- ---0.0138/h 0.1068/h
2 : Performance
0.6 2 : normale
Echec local 0.000345/h
--- --- --- 0.1068/h
0
0 62.5 125 187.5
0.85
3 :0.7
Performance normale
0.5 0.01068/h 0.01602/h ---
Validé par (Levitin &
0.4
Réacteur 5 1 : Echec local 2 : Performance normale
0.8
0.6 Xing, 2010)
1 : Propagation 3 : Performance
0.3
Pompe 2 2 : Echec local
1 : Echec local ---
d’échec 0.0138/h normale
0.5
0.75
0.2

1 : Propagation d’échec --- --- 0.05/h

2 :0.1Performance normale 0.00153/h ---
0.4 2 : Echec local ---312.5 ---500 0.05/h
0.7
0
0 62.5 125 187.5 250 375 437.5
0 0 62.5
62.5 125
125 187.5187.5 250250 312.5
312.5 375 375 437.5 500 500
437.5
3 : Performance normale Temps0.005/h
Temps en heure
en heures
Temps en heures 0.0075/h ---
14
Modélisation et étude de la disponibilité des SME Distribution de charge optimale dans un
SME

Distribution de charge optimale dans un SME

réparation
• Coût d’exploitation = coût de perte de productivité + coût de
Système
• Multi-états multi-composants, série-parallèle

• Charge d’un composant Li min ≤ Li ≤ Li max

Composants • Immédiatement et parfaitement réparables
• Indépendants ou dépendants, non identiques

Défaillance
• λ et μ constants et indépendants

Objectif
• Distribution de charge optimale
• Optimisation de la disponibilité sous contrainte de performance demandée
• Intégration de la propagation d’échec

15
 Modélisation et étude de la disponibilité des SME Distribution de charge optimale dans un
SME

Distribution de charge optimale dans un SME

• Taux de défaillance d’un composant i : i ( Li )  i ( Li 0 )( L i / Li 0 )i

• Disponibilité asymptotique : i
Ai ( Li ) 
i ( Li )  i FGU

Distribution de Distribution de
L  {L1 , L2 ,..., L N } performance pour performance du
chaque composant système entier

Algorithme Disponibilité,
Génétique Optimisation de
performance et coût
la disponibilité
d’exploitation

• N
Coût d’exploitation de système :
C ( L )  (1  A  ) w    i ( L i )t i
k i 1
• PM
E (L)   ph g h
h 1
16
Modélisation et étude de la disponibilité des SME Distribution de charge optimale dans un
SME

Algorithme d’optimisation - Algorithme Génétique (AG)

• Algorithme d’optimisation dans le domaine de SDF des systèmes

• Large espace de solutions, informations insuffisantes
• Méthode itérative

• Inspiré du génie biologique, et basé sur le principe de recherche

évolutionnaire
• Paramétrage simple, Nécessite un codage
• Une distribution de charge est représentée par une chaîne de N entiers x i

0  x i  100
xi
L i  L i min  ( L i max  L i min )
100

17
 Modélisation et étude de la disponibilité des SME Distribution de charge optimale dans un
SME

Algorithme GENITOR-Whitley 1989

1. Population initiale aléatoire de taille Ns

2. Croisement des deux solutions aléatoirement sélectionnées
3. Mutation de la solution avec une probabilité Pm
4. Décoder la chaîne et évaluer la de
Point solution (valeur de la fonction objectif)
croisement
5. Comparaison. La meilleure solution rejoint la population, et l'autre sera
P1 P2
éliminée
Croisement
6. Répétez les étapes 2 à 5 Nr fois
7. Nouvelle population
N g1 et nouveau
gi cycle de l’algorithme
gngénétique
8. Répétez la procédure globale Nc Mutation
fois.

N’ g1 g'i gn

18
 Modélisation et étude de la disponibilité des SME Distribution de charge optimale dans un
SME

Application numérique

Centrale électrique (Levitin & Amari, 2009)

• Paramètres de AG
Ns=100, Nr=2000, pm=0.8, Nc=30
Demande Séquence optimale (xi) Disponibilité Performance Coût
(t/h) Numéro de (A)Performance
Demande (t/h)
composant
Séquence
ki optimale
αi (xi) ti(h)
Disponibilité
Limin(t/h) LimaxMoyenne (C)
(t/h) Coût (C)
(A) Moyenne (PM) (PM)
303 980,5 3922 1 40
1,90 813 58
58 5427 1 9 5,0 110.962430,00.9530 56.346 60,0
58.056 6.500
7.489
2 50 2 12
1,3 1,7 4,0 30,0 70,0
59 17 19 5 1 5 11
5533 3 5 2 71,3 22 48 56 594,0 220.963230,0 0.9468 55.974 59.176 6.543
8.523
9 85 59 1,8 60,0
4 24 14 8 4 1,4 3 16 10,0
60 5627 16 8 211,0 22 38 35 86 750.962940,0 0.9375 56.930100,0
60.307 6.294
9.693
5 47 6 4
1,0 1,4 10,0 40,0 100,0
52 4 6 7 7 23
61 5746 619 10 302,0 28 62 1,8 36 584,0 750.958220,0 0.925157.3424 61.030 6.963
50,0 11.149
27 54 6
7 2,0 1,8 4,0 20,0 50,0
62 51 38 24 40 40 54 46 29 22 0.9109 62.005 12.497
8 2,5 1,7 6,0 25,0 40,0
62.5 52 949 29 452,5 45 1,7 48
51 486,0 45 25,0
0.8993 40,0
62.500 13.957
19
Modélisation et étude de la disponibilité des SME Distribution de charge optimale dans un
SME

Intégration de la PE

• Des composants du système peuvent causer une PE

• Plusieurs combinaisons possibles
• Plus ou moins des composants critiques et/ou redondants
• Différentes valeurs de demande exigée

Séquences quasi-optimales, demande 55 t/h

Disponibilité
Cas Combinaison Séquences quasi optimales (xi) PM
(A)
1 14 0 2 0 11 1 18 23 39 28 0,9547 55,1449
1 2 4 0 13 33 17 7
2 15 0,9543 55,0945
34
3 14 et 5 0 11 2 22 4 38 49 28 26 0,8921 55,0066
6 24 et 5 20 0 2 11 17 40 42 12 8 0,8879 55.0006
25 28 22 4 2 13 29 37 20
8 98 0,9553 55,0237
Modélisation et étude de la disponibilité des SME Importance des éléments dans un SME

Facteur d’importance fiabiliste dans un SME

• Quantifier la contribution des éléments du système à sa performance

• SME multi-composants

• A( p)
Facteur d’importance de Birnbaum (Birnbaum, Z. W. (1968)) I B(i ) 
Pi

• Composant i multi-états  facteur d’importance pour chaque état j I B(ij )  A( p)

Pij
ki
• Théorème de probabilités totales I B(i )   I B(ij ) .Pij
j 2
• Système simple  Calcul analytique (fonction dérivée)
• Système complexe : dérivée  taux de variation A A' A
I B(i )  
Pi ' Pi Pi ' Pi
• FGU  Calcul de la disponibilité des composants et du système entier
• Extension dans le cas de présence de PE.

21
Modélisation et étude de la disponibilité des SME Importance des éléments dans un SME

Application numérique-Composants indépendants et binaires

Caractéristiques
des composants BIM
N Echec Fonction Performance (t/h) N BIM BIM en %
1 0,257 0,743 45 1 0.0861 9.6%
2 0,286 0,7133 50 2 0.0771 8.6%
3 0,3297 0,6703 45 3 0.0571 6.37%
4 0,2769 0,7231 70 4 0.2665 29.73%
5 0,2769 0,7231 70 5 0.2665 29.73%
6 0,3249 0,6751 35 6 0.0375 4.18%
7 0,3249 0,6751 35 7 0.0375 4.18%
8 0,358 0,6421 32,5 8 0.0341 3.8%
9 0,358 0,6421 32,5 9 0.0341 3.8%

22
 Modélisation et étude de la disponibilité des SME Importance des éléments dans un SME

Application numérique-Composants dépendants PE

BIM en % en présence de propagation d’échec

Cas PE I1 I2 I3 I4 I5 I6 I7 I8 I9
1 14 14,0706 9,1681 7,9714 22,805 32,590 3,513 3,513 3,185 3,185

3 1  4 et 5 32,8750 6,2198 6,3200 21,510 21,510 3,033 3,033 2,750 2,750

6 2  4 et 5 6,9280 32,6709 5,4007 21,446 21,446 3,027 3,027 3,027 3,027

8 98 8,7010 7,7981 6,7823 26,955 26,955 7,819 7,819 2,965 4,207
1 4 et 5,
11 26,1840 26,0927 4,2797 17,127 17,127 2,405 2,405 2,190 2,190
2  4 et 5
12 Pas de PE 9.6 8.6 6.37 29.73 29.73 4.18 4.18 3.8 3.8

Facteur d’importance d’un composant dépend de :

• Sa position dans la structure du système
• Sa distribution de performance
• La combinaison des composants concernés par la propagation échec
23
Modélisation et étude de la disponibilité des SME Discussions

Discussions

Apport du modèle hybride Markov et FGU

– Évaluer la DP dynamique d’un système série-parallèle
– Intégrer la dépendance et étudier son effet

Intérêt d’étudier la distribution de charge

– Optimisation de la disponibilité d’un SME, composants dépendants
– Evaluation de probabilité d’insatisfaction à une demande exigée

Efficacité de la méthode de calcul de mesure d’importance fiabiliste

– Facteur d’importance des composants d’un SME, effet de la dépendance

Proposer et évaluer une politique de maintenance préventive optimale

– En se basant sur le modèle d’évaluation de la disponibilité d’un SME
– En intégrant le facteur d’importance fiabiliste.
24
Optimisation de la maintenance préventive des SME

Plan de l’exposé

1. Résumé des travaux de thèse

2. Modélisation et étude de la disponibilité des SME

3. Optimisation de la maintenance préventive des SME

• Motivations et objectifs
• Modèle de maintenance préventive pour un système série-parallèle
• Nouvelle technique d’optimisation du coût de la maintenance dans un
SME
• Discussions

4. Conclusions et perspectives
25
Optimisation de la maintenance préventive des SME Motivations et objectifs

Motivations et objectifs

• Gestion de la maintenance corrective et préventive

 optimiser le coût de la maintenance
• Type de la maintenance et répartition des actions
 politique de maintenance
• Minimiser un coût global d’indisponibilité et de maintenance
 optimisation de la maintenance

Politiques de la maintenance
Proposer une politique de maintenance préventive périodique optimale
(minimisant le coût d’indisponibilité et de maintenance sous contraintes de
disponibilité exigée) dans un SME

26
Optimisation de la maintenance préventive Modèle de maintenance préventive pour un système série parallèle

Maintenance préventive périodique

• Inspections périodiques à des temps fixes KT (K=1,2,…)

• Optimiser pour chaque composant du système, la politique de maintenance:

– Périodes optimales de maintenance préventive pour chaque composant
– Dates des premières inspections
– En minimisant une fonction coût de maintenance
– Sous contrainte de disponibilité exigée
– Pendant une durée déterminée ( TM: Temps de Mission).

• Système multi-états série-parallèle

• Facteur d’importance  dates de premières inspections
• FGU  Disponibilité du système
• Algorithme génétique  optimisation du coût de maintenance du système

27
Optimisation de la maintenance préventive Modèle de maintenance préventive pour un système série parallèle

Modèle de maintenance pour les composants

• Les composants d’un système série-parallèle sont soumis à des inspections

périodiques

• Le système est toujours disponible pendant les actions de la maintenance

• Les actions de maintenance préventive rendent le composant neuf

T0  [T01, T02 ,...,T0 N ]

T p  [T p1 , T p 2 ,...,T pN ]
Modèle de maintenance préventive pour les composants
maintenus périodiquement
• Coût total de la maintenance fonction :
– du coût de chaque inspection
– de l’intervalle de la maintenance
– de la date de la première inspection

28
Optimisation de la maintenance préventive Modèle de maintenance préventive pour un système série parallèle

Modèle du coût du système (Bris, Châtelet, & Yalaoui, 2003)

• Structure série-parallèle
1,1 1,k 1,K

i,1 i,k i,K

E1,1 Ek,k EK,K

K Ek  e ( i , k )
C PM    cl (e(i, k ))
k 1i 1 l 1
• Coût de l’inspection d’un composant au cours du temps de mission est constant
e (i , k )
C PM (e(i, k ))   cl (e(i, k ))  e(i,k ) .c(e(i, k ))
• Le nombre d’inspections pour unl composant
1
est :

 TM (e(i, k ))  T0 (e(i, k )) 
 e (i , k )  1   
 T p (e(i, k )) 
29
Optimisation de la maintenance préventive Nouvelle technique d’optimisation du coût de la maintenance

Formulation du problème

C PM  Min
A(t )  A0
t  TM

Calcul de la disponibilité du système

• Composants binaires, système entier : système multi-états
• Distribution de défaillance d’un composant j suit la loi exponentielle
• Disponibilité du composant j à la date de maintenance T ( j )
p
T p ( j)
A j (t )  exp( )
MTTF ( j )
Gj
u j ( z )  (1  A j ) z 0  A j z

• FGU DP du système entier  Disponibilité du système entier

30
Optimisation de la maintenance préventive Nouvelle technique d’optimisation du coût de la maintenance

Vecteur des premiers temps d’inspections

• Premières inspections : efficaces du point de vue coût de la maintenance et de la

disponibilité du composant c( j )
R j (t )  , j  1,2,..., N  Min
IFB j (t )
• Pour chaque composant j R j (t )  Min  IFB j (t )  Max

Facteur d’importance
• vecteur de M temps de génération de maintenance t m  t m (1), t m (2),...,t m ( M )

• E E2 j  E1 j
Facteur d’importance pour chaque composant IFB j (t m (i ))  
Pj P2 j  P1 j
• Pour chaque composant j on calcule [ IFB j (t m (1),..., IFB j (t m ( M )]

• Date de la première inspection T ( j ) du composant j : IFB (t (i) maximal

0 j m

T0  [T0 (1), T0 (2),...,T0 ( N )]

31
Optimisation de la maintenance préventive Nouvelle technique d’optimisation du coût de la maintenance

Technique d’optimisation du coût

Initialisation des chromosomes de la population (taille fixe)

Codage direct
Créations des nouveaux chromosomes : croisement et mutation

Chaque chromosome  N sous-chromosomes

Evaluation
Gènes de cesdes nouveaux chromosomes
chromosomes  périodes de la maintenance préventive des composants
Nombres réels sélectionnés aléatoirement dans l’intervalle [BI BS], distribution uniforme

Enlever 
Solution les politique
chromosomes non sélectionnées
de maintenance préventive Coût de la maintenance préventive et
disponibilité du système

La procédure
Meilleure de génération
solution : vérifiant est répétée Nrde
la contrainte fois
disponibilité et fonction objectif minimale

32
Optimisation de la maintenance préventive Nouvelle technique d’optimisation du coût de la maintenance

Algorithme génétique hybride

Hybridation AG et Recherche locale

• Rendre un AG plus efficace
• Ajout d’une recherche locale en plus de la mutation
• Multiples façons pour concevoir une hybridation AG et recherche locale

Proposition d’un algorithme hybride

Le croisement est associé à une petite diversification des solutions par la recherche
locale

 Une action de maintenance préventive  saut de coût de maintenance optimal

Modification du gène du premier né  T p ( j

Comparaison 11   (solution
) Meilleure j)  4
 
TM  T0 ( j )   40
 e (i , k )  1     1   T p ( j )  1  12   ( j )  4
Modification  duTgène
p ( j )du deuxième
  Tné
p (
j ) Comparaison  Meilleure solution.
T p ( j )  1  10   ( j )  5

33
Optimisation de la maintenance préventive Nouvelle technique d’optimisation du coût de la maintenance

Application numérique

Vecteur des premiers temps d’inspections

T0  [12 13 13 9 9 15 15 14 14]
TM  50 ans Ns  100 N r  2000
Numéro du composant 0 ( j ) c( j )
1 0,0692 6,92
2 0,1005 8,04
3 0,1229 9,83
4 0,0383 7,66
5 0,0383 7,66
6 0,1203 9,63
7 0,1203 9,63
8 0,0929 11,15
9 0,0929 11,15 34
 Optimisation de la maintenance préventive Nouvelle technique d’optimisation du coût de la maintenance

Application numérique

Plan de maintenance optimal-AG A0  0.9

T p  [2.1329 8.0785 7.8538 3.1010 5.5556 2.6764 1.4262 15.9099 23.0259]

pm  0.02 C PM  813.75
Hybridation AG-Recherche locale

T p  [3.953 4.8774 4.7992 4.2542 5.1262 5.1912 5.9838 7.9376 3.5357]

pm  0.05 C PM  653.63

A0 0,9 0,85 0,8 0,75 0,7 0,6

C PM 653,63 556,34 487,41 443,88 409,57 340,59
35
Modélisation et étude de la disponibilité des SME Discussions

Discussions
Intérêt de la politique proposée
– Système série-parallèle multi-états multi-composants
– Intégration de facteur d’importance fiabiliste
– Evaluation de la disponibilité : méthode exacte : FGU

Apport du modèle hybride AG et Recherche locale

– Amélioration du plan de maintenance optimal (coût diminue)
– Equilibrage de la périodicité de maintenance des composants

Extension de la méthode d’optimisation

– Maintenance plus réaliste (maintenance imparfaite)
– Système complexe, composants dépendants

Proposer d’autres méthodes d’obtention de politique de maintenance

préventive quasi-optimale
– Systèmes de colonies de fourmis 36
Conclusions et perspectives

Plan de l’exposé

1. Résumé des travaux de thèse

2. Modélisation et étude de la disponibilité des SME

3. Optimisation de la maintenance préventive des SME

4. Conclusions et perspectives

37
Conclusions et perspectives

Conclusions

Problème de l’étude : Construction d’une politique de maintenance

préventive optimale
– Représentation du comportement du système et évaluation de sa disponibilité
– Modèle de coût de maintenance

Représentation du comportement du système

– Evolution dynamique
– SME multi-composants, dépendance stochastique
– Optimisation de la distribution de charge entre les composants d’un SME

Politique de maintenance préventive

– Maintenance préventive périodique, SME, multi-composants
– Date des premières inspections
– Période de maintenance des composants

38
Conclusions et perspectives

Conclusions

Approches utilisées
– Approche purement analytique, méthode exacte : FGU, Markov
– Méthodes approximatives : Algorithme évolutionnaire : méthodes
métaheuristiques, algorithmes génétiques, Recherche locale.

Apport de l’hybridation Markov et FGU

– SME multi-composants
– Dépendance stochastique

Apport de l’hybridation AG et Recherche locale

– Gain de important par rapport au coût de la maintenance préventive des
solutions obtenu dans le cas non hybride ( presque 20 % pour le cas étudié )
– Regroupement des actions de maintenance

39
Conclusions et perspectives

Perspectives

Au niveau de modélisation des systèmes

– Evolution de la disponibilité- demande variable au cours du temps
– Effet de dépendance plus complexe (taux de défaillance variable au cours du
temps)
– Systèmes multi-états plus complexes

Au niveau de l’optimisation de la maintenance

– Tenir compte des dépendances
– Maintenances plus réalistes (maintenance imparfaite)
– Système de colonies de fourmis
– Paramétrage des algorithmes génétiques (plan d’expérience, contrôleurs flous,
etc.)

40
 Liste des publications
Revues internationales

1. Maatouk, I., Châtelet, E., & Chebbo, N. (2013). Birnbaum Importance in Multi-States System with
Dependent Components by Using Universal Generating Function Method. Journal of Reliabiltiy
and Risk , 1-12 (en revision)
2. Maatouk, I., Châtelet, E., & Chebbo, N. (2013). Availability maximization in Multi-States-System
with propagation failure. IEEE Transactions on Reliability , 1-15 (soumis)

Conférences internationales

3. Maatouk, I., Châtelet, E., & Chebbo, N. (2011). Reliability of multi-states system with load sharing
and propagation failure dependence. IEEE explore , ICQRMS, 42-46, Xian, Chine
4.  Maatouk, I., Châtelet, E., & Chebbo, N. (2012). Cost minimizaton of maintained multi-state system
using optimal load distribution. IEEE explore , ICQRMS, 1005-1009, Chengdu, Chine
5.  Maatouk, I., Châtelet, E., & Chebbo, N. (2013). Availability maximization and cost study in multi-
states system. RAMS, Orlando, Florida, Amérique.
41
MERCI POUR VOTRE
ATTENTION
QUESTIONS??

42