Professional Documents
Culture Documents
net/publication/309376708
CITATIONS READS
0 2,105
1 author:
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Moungnutou MFETOUM Inoussah on 23 October 2016.
Résumé
Dans cet article nous étudions la fiabilité d’un équipement industriel, plus précisément celle l’entailleuse-perceuse mécanique de ballasts
de chemin de fer. La loi de Weibull à trois paramètres est utilisée pour modéliser cette fiabilité. La méthode de maximum de vraisemblance
et la méthode des moindres carrés non linéaires sont utilisées pour l’identification de ces paramètres. Les résultats obtenus par ces deux
méthodes sont relativement proches avec un léger avantage de la méthode des moindres carrées non linéaires. De ce modèle de Weibull,
il ressort que cet équipement ne résiste qu’environs 9 jours (ߛ ൌ ͷǡ݄݁ ݏ݁ݎݑs) avant que les premières défaillances ne surviennent et
qu’il fonctionne en moyenne 50 jours sans pannes ( ܨܤܶܯൎ ͶͲͲ݄݁ )ݏ݁ݎݑcorrespondant à une fiabilité de 36,98%, d’où la
recommandation d’une politique de maintenance prédictive.
ISSN 1029–2225 - e - ISSN 2313 – 6278 ©2016. Sciences, Technologies et Développement
Mots cles : Fiabilité, entailleuse-perceuse, maximum de vraisemblance, moindre carrés non linéaires, MTBF, maintenance
prédictive
Abstract
In this paper, we study the reliability of industrial equipment more precisely that the notching-drilling mechanics railway ballasts. The three
parameters Weibull law is used to model the reliability. The method of maximum likelihood and the nonlinear least squares method are used
to identify these three parameters. The results obtained by these two methods are relatively close with a slight advantage of the non-linear
least square method. As a Weibull model, it appears that this equipment resists that around nine days (ߛ ൌ ͷǤ݄ )ݏݎݑbefore the first
failures occur and working an average of 50 days without failure ( ܨܤܶܯൎ ͶͲͲ݄ )ݏݎݑcorresponding to a 36.98% reliability, hence the
recommendation of a predictive maintenance policy.
ISSN 1029–2225 - e - ISSN 2313 – 6278 ©2016. Sciences, Technologies et Développement
Keywords: Reliability, notching-drill, maximum likelihood, nonlinear least squares, MTBF, predictive maintenance
La fonction de répartition de la probabilité associée à ces méthode est implémentée dans notre étude à l’aide du
données est calculée à l’aide des relations empiriques solveur XLSTAT du tableur EXEL ;
selon la taille des données (Aupied, 1994; Thomas, 2012):
· Rang moyen pour les échantillons de grande taille N 2.2.2. La méthode des moindres carrées non linéaires
( ͵Ͳ) ; C’est une méthode itérative d’ordre 2 (Trigassou,) qui
୧ utilise l’algorithme de Newton. Ici on suppose que l’on
· ୧ ൌ (2)
ାଵ
dispose de N couples ሺ ୧ ǡ ୧ ሻ de points expérimentaux.
· Rang médian pour les échantillons de taille N faible
On connait la forme explicite de la fonction non-linéaire
( ൏ ͵Ͳ);
୧ିǡଷ
(loi de Weibull) liant ces points dans laquelle figurent les
· ୧ ൌ (3) trois paramètres Ⱦǡ ɀɄ inconnus à déterminer :
ାǡସ
୲ ିஓ ஒ
2.2. Méthodes ሺ ୧ ሻ ൌ െ ቀ ቁ ൨ (5)
L’estimation a pour but de trouver les valeurs possibles La méthode est basée sur la minimisation de la somme
des paramètres Ⱦǡ ɀɄ telles que la fonction de Weibull des écarts quadratiques permettant ainsi de déterminer
s’ajuste le mieux aux données disponibles (calculées de les paramètres du modèle (Montgomery et Douglas C,
façon empirique). Il existe plusieurs méthodes 1991). Nous utilisons le logiciel MATLAB pour
d’estimation et nous avons pour notre cas d’étude, nous implémentée cette méthode dans notre étude.
avons appliqué deux de ces méthodes, la méthode du
maximum de vraisemblance et la méthode des moindres 3. Etude de cas : Fiabilité de l’entailleuse-perceuse
carrés non linéaires mécanique de CAMRAIL
3.1. Description et fonctionnement de l’entailleuse-
2.2.1. La méthode du maximum de vraisemblance perceuse mécanique de CAMRAIL
La fonction vraisemblance associée est exprimée en L’entailleuse-perceuse mécanique de type « GEISMAR »
fonction de la fonction densité de probabilité par: de CAMRAIL est destinée à l’usinage des ballasts de
ୢୖሺ୲ ǡஒǡஓǡሻ
ሺȾǡ ɀǡ Ʉሻ ൌ ς୬୧ୀଵ ሺ ୧ ǡ Ⱦǡ ɀǡ Ʉሻ ൌ ς୬୧ୀଵ (4) chemins de fer, pour des voies compris entre 1000 et
ୢ୲
L’estimateur maximum de vraisemblance (EMV) est la 1700 mm d’écartement. Elle est construite en tôle
valeur du triplet ሺȾǡ ɀǡ Ʉሻ qui maximise la fonction de épaisse, et des portes et panneaux amovibles sont
vraisemblance (Meeker et Escobar., 1998). Cette aménagés dans son bâti afin de permettre les opérations
de visites d’entretien et de réglage.
118
3.3. Résultats et discussion. Dans les deux cas, nous constatons que la P-Value reste
L’ajustement de la loi de Weibull par l’EMV à partir du largement supérieure au niveau de signification, ce qui
solveur XLSTAT nous a d’obtenir les paramètres du signifie que nous ne pouvons pas rejeter l’hypothèse nulle
modèle Ⱦ ൌ ͳǡͳͻ͵Ǣ ɀ ൌ ͲǡʹʹͷɄ ൌ ͵ͶʹǡͲͻ. H0, le risque de rejeter l'hypothèse nulle H0 alors qu'elle
Les écarts-types suivants : ɐஒ ൌ ͲǡͳǢɐஓ ൌ est vraie étant de 31,88% (Meeker et Escobar, 1998).
ʹͺǡͲ͵ɐ ൌ ʹǡͷͶ. L’identification des paramètres du modèle de Weibull par
Les tests d’adéquation de Kolmogorov-Smirnov et du Khi- la méthode des moindres carrés non linéaire utilisant une
variante de l’algorithme de Newton (Large-scale : Trust-
deux (ɖଶ ) avec un niveau de signification de Ƚ ൌ ͷΨ ont
region reflective Newton (TRRN)) sous MATLAB conduit
été effectués pour la validation de ces résultats sous les
hypothèses suivantes : aux valeurs Ⱦ ൌ ͳǡͳʹ͵ͺǢ ɀ ൌ ͷǡͺ͵Ʉ ൌ
- H0 : L'échantillon suit une loi de Weibull ; ͵͵ͺǡʹͳͶͻ au bout de 43 itérations à partir des valeurs
- Ha : L'échantillon ne suit pas une loi de Weibull initiales Ⱦ ൌ ͶǢɀ ൌ ʹͲɄ ൌ ͷͲͲ. La somme
Les résultats des deux tests sont les suivants : des carrés des écarts (SCE) est 0,0058 correspondant à
- Test de Kolmogorov-Smirnov : ଵǢǡହ ൌ ͲǡͲͷ et la valeur minimale de la fonction objectif à minimiser et le
coefficient de corrélation entre les données et le modèles
̴ ൌ ͳ.
est ଶ ൌ Ͳǡͻͻ.
- Test du ɖଶ : ɖଶୠୱୣ୰୴± ൌ ͳ͵ǡʹ͵Ǣɖଶେ୰୧୲୧୯୳ୣ ൌ
L’ensemble de tous ces résultats est illustré par les
ʹͳǡͲʹet ୟ୪୳ୣ ൌ Ͳǡ͵ͳͺͺ. courbes de la figure ci-dessous.
Courbes de fiabilité mesurée et estimées
1
Fiabilité mesuré
0.9 Fiabilité estimée par l’EMV
Fiabilité estimée par LSQ
Fiabilité estimée à partir des valeurs initiales des paramètres
0.8
0.7
0.6
Fiabilité R(t)
0.5
0.4
0.3
0.2
0.1
0
0 100 200 300 400 500 600 700 800 900 1000
TBF en heures
Nous observons un très bon ajustement entre les données A partir de ce modèle, nous évaluons les deux autres
expérimentales issues de l’historique et données indicateurs de fiabilité à savoir le taux de défaillances ɉሺሻ
estimées à partir des deux méthodes utilisées. Dans la et la moyenne des temps de bon fonctionnement (MTBF).
suite, nous utilisons les paramètres obtenus par la La courbe représentative du taux de défaillance ɉሺሻ est
méthode des moindres carrés non linéaires car la somme présentée également afin de situer notre équipement sur
des carrés des écarts (SCE) est la plus faible (ୗ୕ ൌ la courbe en baignoire.
ͲǡͲͲͷͺ ൏ ൌ ͲǡͲͲͷ). Ce choix est Nous notons que ce taux croît au cours du temps,
également illustré par la courbe des écarts ci-dessous. traduisant l’état de vieillesse de l’équipement ou encore
A partir de cette figure, nous pouvons constater que les sa période d’usure et de fatigue. De cette courbe, il ressort
écarts entre les différents modèles et les valeurs une nécessité d’améliorations.
expérimentales sont faibles (inférieures en valeurs
absolues à 4%).
119
0.06
0.04
0.02
Ecarts
-0.02
-0.04
-0.06
-0.08
-0.1
0 100 200 300 400 500 600 700 800 900 1000
TBF en heures
3.5
3
Taux de défaillance
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900 1000
TBF en heures
121