UNIVERSITÉ DE MONTRÉAL
OPTIMISATION DE LA MAINTENANCE DE ROUES DE TURBINES
HYDROÉLECTRIQUES SOUMISES À UNE DÉGRADATION PAR CAVITATION
AMIR MOUKHLI
DÉPARTEMENT DE MATHÉMATIQUE ET DE GÉNIE INDUSTRIEL
ÉCOLE POLYTECHNIQUE DE MONTRÉAL
MÉMOIRE PRÉSENTÉ EN VUE DE L’OBTENTION
DU DIPLÔME DE MAÎTRISE ÈS SCIENCES APPLIQUÉES
(GÉNIE INDUSTRIEL)
Avril 2011
© Amir Moukhli, 2011.
UNIVERSITÉ DE MONTRÉAL
ÉCOLE POLYTECHNIQUE DE MONTRÉAL
Ce mémoire intitulé :
OPTIMISATION DE LA MAINTENANCE DE ROUES DE TURBINES
HYDROÉLECTRIQUES SOUMISES À UNE DÉGRADATION PAR CAVITATION
Présenté par : MOUKHLI Amir
en vue de l’obtention du diplôme de : Maîtrise ès science appliquées
a été dûment accepté par le jury d’examen constitué de :
M. CLÉMENT Bernard, Ph.D., président
M. OUALI Mohamed-Salah, Doctorat, membre et directeur de recherche
M. ADJENGUE Luc-Désiré, Ph.D., membre
iii
DÉDICACE
À la mémoire de ma mère.
À la mémoire de mon père.
À mon épouse.
À Rawane.
iv
REMERCIEMENTS
Il m’a été très difficile d’écrire cette page par souci de n’oublier aucune des nombreuses
personnes qu’il me faut citer pour leur aide et leur soutien. Qu’elles soient tout assurées de ma
plus profonde reconnaissance, même si leur nom n’y figure pas.
Je tiens, tout d’abord, à remercier M. Mohamed-Salah Ouali, mon directeur de recherche. Sa
disponibilité et sa confiance qu’il m’a accordées, sa compétence scientifique ainsi que son
professionnalisme sans faille ont été pour moi non seulement un stimulant quotidien, mais surtout
l’assurance d’un travail hautement motivant et de qualité.
J’adresse mes vifs remerciements à mon professeur Bernard Clément dont l’enseignement
pertinent a été pour moi la clé de la réalisation de ce travail.
Je sais infiniment gré à mon épouse, à ma grande famille et à tous ceux qui m’ont témoigné leur
confiance, de leurs constants encouragements et de leur patience inébranlable.
v
RÉSUMÉ
Cette étude vise à élaborer une stratégie optimale de remplacement, basée sur la réparation
minimale des turbines hydroélectriques sujettes à une dégradation stochastique continue
cumulative causée par l’érosion de cavitation. Les données de la dégradation obtenues par une
prise de mesures durant les inspections périodiques seront utilisées comme une application sur le
modèle proposé.
Ce qui est recherché est le temps optimal pour procéder au remplacement de l’équipement, à la
suite d’une série de réparations minimales effectuées dès que le niveau de détérioration dépasse
un seuil de défaillance fixé. Ce qui permettra de garantir non seulement des dépenses minimales,
mais aussi une utilisation optimale des ressources.
La modélisation de la dégradation cumulative est formulée, par un modèle stochastique, en
fonction du seuil de dégradation par la méthode des moindres carrés. Le modèle de fiabilité lié à
cette formulation présente le gros désavantage d’être associé à un taux de défaillance instantané,
non monotone.
Pour contrer le désavantage du modèle initial, une approximation numérique par un modèle de
Weibull à trois paramètres est alors avancée. Le nouveau modèle est validé par l’estimateur non
paramétrique de Kaplan-Meier et par la méthode du maximum de vraisemblance.
La stratégie de remplacement basée sur la réparation minimale est formulée à partir du modèle de
fiabilité de Weibull à trois paramètres; le temps optimal associé au coût total minimal par unité
de temps est formulé et identifié.
L’analyse de sensibilité a démontré que la stratégie de maintenance proposée reste sensible et
plausible, en cas de variation du seuil de défaillance, des coûts de remplacement ou des coûts de
réparation.
vi
ABSTRACT
This study aims to develop an optimal strategy of replacement based on the minimum repair of
hydroelectric turbines subject to a continuous stochastic damage caused by cavitation erosion.
The cumulative degradation data obtained from periodic inspections will be used as an
application of the proposed model.
We will be looking for the optimal time for replacement of equipment following a series of
repairs made as soon as the minimum level of damage exceeded a set failure threshold. This will
ensure minimal costs and the optimal use of resources.
Cumulative degradation is formulated by a stochastic model based on the threshold of
degradation by the method of least squares. The reliability of this model has the great
disadvantage of being associated with a non monotonous instantaneous failure rate.
To counter the disadvantage of the original model, a numerical approximation by a Weibull
model with three parameters is then advanced. The new model is validated by the nonparametric
Kaplan-Meier and the method of maximum likelihood.
Replacement strategy based on minimal repair is based on the model of reliability of the threeparameter Weibull; the optimal time associated with the lowest total cost over time is formulated
and identified.
The sensitivity analysis showed that the proposed maintenance strategy is sensitive and credible
in the case of variation of the threshold of failure, replacement costs, or repair costs.
vii
TABLE DES MATIÈRES
DÉDICACE ................................................................................................................................... III
REMERCIEMENTS ..................................................................................................................... IV
RÉSUMÉ ........................................................................................................................................ V
ABSTRACT .................................................................................................................................. VI
TABLE DES MATIÈRES ...........................................................................................................VII
LISTE DES TABLEAUX .............................................................................................................. X
LISTE DES FIGURES .................................................................................................................. XI
LISTE DES SIGLES ET ABRÉVIATIONS.............................................................................. XIII
LISTE DES ANNEXES .............................................................................................................. XV
INTRODUCTION ........................................................................................................................... 1
CHAPITRE 1: PROBLÉMATIQUE ET REVUE DE LITTÉRATURE ........................................ 3
1.1
Notions préliminaires ....................................................................................................... 3
1.1.1
Phénomène de cavitation .............................................................................................. 3
1.1.2
Variables aléatoires ...................................................................................................... 4
1.1.3
La loi de Laplace-Gauss ............................................................................................... 5
1.1.4
Les processus stochastiques ......................................................................................... 5
1.1.5
La régression linéaire simple........................................................................................ 6
1.1.6
La méthode du maximum de vraisemblance ................................................................ 7
1.1.7
Modélisation de la défaillance...................................................................................... 8
1.1.8
Les objectifs de la maintenance et ses types .............................................................. 11
1.2
Problématique................................................................................................................. 13
1.3
Revue de littérature ........................................................................................................ 14
1.3.1
Détection et prédiction des érosions de cavitation ..................................................... 15
viii
1.3.2
Les modèles à dégradation continue .......................................................................... 16
1.3.3
La stratégie de remplacement périodique et perte de performance ............................ 17
CHAPITRE 2: MODÉLISATION DE LA DÉGRADATION ..................................................... 19
2.1
Les données de dégradation ........................................................................................... 19
2.2
La modélisation de perte de matière............................................................................... 20
2.3
Ajustement du modèle de dégradation ........................................................................... 22
2.3.1
Modélisation de la moyenne ...................................................................................... 22
2.3.2
Réajustement de la modélisation de la moyenne........................................................ 23
2.3.3
Modélisation de l’écart type ....................................................................................... 26
2.3.4
Réajustement de la modélisation de l’écart type ........................................................ 27
CHAPITRE 3: STRATÉGIE DE MAINTENANCE .................................................................... 30
3.1
Estimation de la fiabilité ................................................................................................ 30
3.2
Approximation de la fiabilité par la loi de Weibull........................................................ 33
3.2.1
Estimation des paramètres de la loi de Weibull ......................................................... 34
3.2.2
Validation du modèle de la fiabilité ........................................................................... 35
3.3
Estimation du nombre d’échecs ..................................................................................... 40
3.4
Optimisation de la stratégie de remplacement ............................................................... 41
3.4.1
Le coût de remplacement ........................................................................................... 41
3.4.2
Le coût de réparation .................................................................................................. 42
3.4.3
Le coût total d’une stratégie de remplacement ........................................................... 43
3.4.4
Résultats ..................................................................................................................... 44
CHAPITRE 4: CONCLUSION ET PERSPECTIVES ................................................................. 47
4.1
Conclusion ...................................................................................................................... 47
4.2
Perspectives .................................................................................................................... 48
ix
RÉFÉRENCES .............................................................................................................................. 49
ANNEXES .................................................................................................................................... 52
x
LISTE DES TABLEAUX
Tableau 2-1 : Test de normalité et statistiques des observations ................................................... 21
Tableau 2-2 : Estimation des paramètres du modèle de la moyenne ............................................. 22
Tableau 2-3 : Analyse de la variance du modèle de la moyenne ................................................... 22
Tableau 2-4 : Estimation des paramètres du modèle réajusté de la moyenne ................................ 24
Tableau 2-5 : Analyse de la variance du modèle réajusté de la moyenne ...................................... 25
Tableau 2-6 : Estimation des paramètres du modèle de l’écart type .............................................. 26
Tableau 2-7 : Analyse de la variance du modèle de l’écart type .................................................... 26
Tableau 2-8 : Estimation des paramètres du modèle réajusté de l’écart type ................................ 27
Tableau 2-9 : Analyse de la variance du modèle réajusté de l’écart type ...................................... 28
Tableau 3-1 : Estimation des paramètres de la loi de Weibull ....................................................... 35
xi
LISTE DES FIGURES
Figure 1-1 : Zone érodée d’une aube de turbine .............................................................................. 4
Figure 1-2 : Schématisation d’un modèle à dégradation continue ................................................. 11
Figure 1-3 : Les différents types de maintenance........................................................................... 12
Figure 2-1 : Perte cumulative de matière (kg) en fonction du temps d’opération.......................... 20
Figure 2-2 : Test de normalité sur les données observées sur 13 turbines à t = 4000h .................. 20
Figure 2-3 : Diagnostic des résidus du modèle de la moyenne ...................................................... 23
Figure 2-4 : Transformation de Box-Cox du modèle de la moyenne ............................................. 24
Figure 2-5 : Diagnostic des résidus du modèle réajusté de la moyenne......................................... 25
Figure 2-6 : Diagnostic des résidus du modèle de l’écart type ...................................................... 26
Figure 2-7 : Transformation de Box-Cox du modèle de l’écart type ............................................. 27
Figure 2-8 : Diagnostic des résidus du modèle réajusté de l’écart type ......................................... 28
Figure 3-1 : Évolution des paramètres du modèle en fonction du temps. ...................................... 31
Figure 3-2 : Exemple de fiabilité du système en fonction du temps et du seuil de défaillance ..... 31
Figure 3-3 : Fiabilité du système en fonction du temps et du seuil de défaillance ........................ 32
Figure 3-4 : Densité de probabilité de défaillance en fonction du seuil de dégradation ................ 32
Figure 3-5 : Taux de défaillance instantané ................................................................................... 33
Figure 3-6 : Approximation de la fiabilité en fonction du seuil de défaillance.............................. 35
Figure 3-7 : Fiabilité du modèle et fiabilité approximée par la loi de Weibull .............................. 36
Figure 3-8 : Données utilisées pour l’estimation non-paramétrique .............................................. 37
Figure 3-9 : Estimation non paramétrique de Kaplan-Meier de la fiabilité ................................... 38
Figure 3-10 : Fiabilité de Kaplan-Meier et fiabilité approximée par la loi de Weibull ................. 38
Figure 3-11 : Estimation des paramètres de la loi de Weibull par la méthode du ML................... 39
xii
Figure 3-12 : Densité de probabilité de la loi de Weibull approximée numériquement et celle
obtenue par ML. ..................................................................................................................... 39
Figure 3-13 : Nombre prévu d’échecs en fonction du temps cumulatif d’opération ..................... 40
Figure 3-14 : Coût de remplacement par unité de temps ............................................................... 42
Figure 3-15 : Coût de réparation par unité de temps ...................................................................... 43
Figure 3-16 : Le coût total pour une stratégie de remplacement (cas : k = 5 kg) ........................... 44
Figure 3-17 : Stratégie optimale de remplacement en fonction du seuil de défaillance ................ 44
Figure 3-18 : Sensibilité de la stratégie de remplacement.............................................................. 45
Figure 3-19 : Sensibilité des coûts minimaux de la stratégie ......................................................... 46
xiii
LISTE DES SIGLES ET ABRÉVIATIONS
Coefficients aléatoires
Estimateurs des moindres carrés
Cd
Coût associé au temps d’arrêt « downtime Cost ».
Coût de réparation minimale
Coût de réparation moyen
Coût de remplacement
Coût de remplacement moyen
Coût total
Dommages cumulés
dp
Nombre de défaillances se produisant à la date tp
Espérance d’un échantillon
Erreur de l’estimateur
Probabilité de défaillance
Fonction de densité de probabilités
Ga (. , .)
Fonction de répartition de la loi Gamma
Paramètre de localisation, d’échelle et de forme d’une loi de Weibull
H(.)
Taux de défaillance cumulé
Fonction du modèle de dégradation.
Seuil de dégradation
Fonction de vraisemblance
Logarithme de vraisemblance
Taux de défaillance instantané
Coefficient de la transformation de Box-Cox.
Moyenne d’un échantillon
Loi normale
P
Statistique p-value
Probabilité
Fiabilité
Coefficient de détermination
xiv
rp
Nombre d’équipements en fonction juste avant la date tp
SW-W
Statistique de Shapiro Wilk
Taux de défaillance instantané pour un seuil k
Taux de défaillance cumulé (nombre d’échecs) pour un seuil k
Paramètre d’une distribution inconnue
Écart type d’un échantillon
X
Variable aléatoire
Variable aléatoire à temps continu
Y
Variable à expliquer
xv
LISTE DES ANNEXES
ANNEXE 1
Tests de normalité sur les données observées.
ANNEXE 2
Transformation des variables à expliquer.
ANNEXE 3
Estimation non-paramétrique de Kaplan-Meier.
1
INTRODUCTION
La stratégie de maintenance a des répercussions directes sur l’exploitation d’un équipement. À
chaque instant de l’exploitation du système, le gestionnaire de maintenance doit faire un choix
quant aux interventions possibles sur le système, afin de déterminer l’action à prévaloir. Ce choix
doit permettre une exploitation optimale du système, en fonction des objectifs fixés. Cependant,
ces dits objectifs peuvent être multiples, comme maximiser la disponibilité et/ou la sécurité, ou
encore améliorer la qualité des produits et des services et minimiser les pertes. De plus, les
préoccupations économiques sont certes une des motivations majeures pour entreprendre des
études d’optimisation de maintenance.
Les objectifs liés à l’exploitation d’un système sont donc très variés et peuvent amener à des
situations contradictoires. C’est pourquoi il est nécessaire de bien définir les critères de choix qui
permettront d’identifier les dates et le type d’intervention à mettre en œuvre.
Depuis les années 60, de nombreux travaux ont porté sur la modélisation de la maintenance
(Wang, 2002), dans le but de minimiser les coûts de maintenance et de maximiser la durée de
fonctionnement. Mais peu d’entre eux se sont intéressés à la maintenance conditionnelle des
systèmes qui sont sujets au vieillissement et à l’usure (Valdez-Flores et Feldman, 1989), et dont
la dégradation cumulative a un impact certain sur le coût d’exploitation du système ou sur le
rendement d’installations, telles les turbines hydroélectriques soumises au phénomène de
cavitation.
Le présent mémoire se penche précisément sur les dommages du phénomène de cavitation
observés sur les turbines hydroélectriques. De nombreuses études sont menées pour comprendre
et modéliser ce phénomène, mais très peu d’entre elles traitent de l’optimisation d’une stratégie
de maintenance.
Notre recherche visera à optimiser une stratégie de maintenance basée sur la réparation minimale
pour des systèmes se dégradant de façon cumulative, par le biais d’un processus stochastique
croissant dans le temps, qui peut être assimilé à l’évolution aléatoire de la dégradation
progressive continue et d’un niveau limite. Ce qui est recherché par conséquent est le temps
optimal pour procéder au remplacement de l’équipement à la suite d’une série de réparations
2
minimales dès que le niveau de détérioration dépasse un seuil de défaillance fixé. Ce qui
favorisera des dépenses minimales garanties et une utilisation optimale des ressources.
Dans un premier temps, le processus de dégradation causée par l’érosion de cavitation sera
représenté par un modèle mathématique. Ce modèle sera utilisé pour modéliser les fonctions de
fiabilité du système.
Ensuite, un modèle, composé du coût de remplacement et des coûts de réparation, sera défini
pour trouver le temps optimal de remplacement qui minimisera les coûts totaux.
Le premier chapitre permettra, d’une part, de définir le cadre et les hypothèses de notre étude, et
d’autre part, de présenter les modèles de défaillance existants ainsi que les politiques de
maintenance déjà établies.
Dans le second chapitre, la dégradation sera assimilée à un processus de vieillissement croissant
au cours du temps. Un modèle de dégradation continue sera présenté, la dégradation sera
formulée par un processus stochastique. Les paramètres du modèle seront estimés avec la
technique de régression linéaire. La loi de la fiabilité sera ensuite approximée par la loi de
Weibull.
Reposant sur le modèle de défaillance défini, nous chercherons, dans le chapitre 3, à déterminer
une politique de maintenance, qui permettra de minimiser le coût moyen de maintenance à long
terme. La démarche pour trouver le temps optimal pour procéder au remplacement de
l’équipement ainsi que les résultats obtenus seront présentés.
L’application de la modélisation et de la stratégie de maintenance sera démontrée à travers les
chapitres de ce mémoire respectivement avec la formulation mathématique de chaque étape.
3
CHAPITRE 1 : PROBLÉMATIQUE ET REVUE DE LITTÉRATURE
1.1
Notions préliminaires
Les dégâts occasionnés par la cavitation ont de tout temps constitué un sérieux problème
technique. Ils contribuent en effet à des dommages de surface, à l’instabilité de l’installation par
une vibration excessive, et à la dégradation des performances de l’équipement. Les domaines
concernés par ce problème couvrent une très large plage d’applications industrielles, notamment
les infrastructures hydroélectriques (canaux de déversement des barrages), la construction navale
(hélices marines), la production d’énergie (turbines), etc.
À fin de bien se mettre dans le contexte de notre étude et d’en souligner la pertinence, nous
verrons dans ce chapitre ce que signifie le phénomène même de cavitation, ainsi que le rappel des
notions élémentaires en régression linéaire, modèle stochastique, fiabilité et en maintenance des
systèmes industriels. Nous nous appuierons également sur les notions mathématiques
fondamentales.
1.1.1
Phénomène de cavitation
La cavitation est la formation de poches de vapeur dans l’écoulement dans les turbines
hydrauliques, quand la pression locale de l’eau baisse en-dessous de la pression de vapeur de
l’eau à la température locale.
Une fois les cavités de vapeur créées, elles reviennent à l’état liquide dans un temps très court,
lorsqu’elles sont soumises à un champ de pression supérieur à la tension de vapeur. Ces
implosions des cavités de vapeur sont d’autant plus violentes que leur volume est considérable,
que leur vitesse de convection dans l’eau est élevée et que le gradient du champ de pression
auquel elles sont soumises est fort (Mossoba, 2000).
Lorsque les cavités de vapeur voyagent en aval des zones de haute pression, près des surfaces des
aubes d’une turbine hydroélectrique, leur effondrement répété provoquera par la suite le
développement de zones érodées (ou des érosions de cavitation) (Farhat, Bourdon, Gagné,
Remillard, 1999).
La figure 1-1 représente une photographie d’une zone érodée sur une aube appartenant à une
turbine de type Francis.
4
Figure 1-1 : Zone érodée d’une aube de turbine
L’apparition de la phase vapeur dans un système peut engendrer plusieurs effets néfastes :
La perte de performances qui est considérée comme un aspect critique dans le domaine de
la production hydroélectrique ;
Un bruit hydroacoustique accompagné de vibrations mécaniques au niveau des
structures ;
L’érosion, se manifestant dans un premier temps par une simple déformation de la
surface, puis par l’arrachement de matière.
Les performances d’une machine peuvent ainsi être modifiées. Par ailleurs, la réparation de tels
dégâts impose l’arrêt des installations, entraînant des coûts d’immobilisation particulièrement
élevés dans le domaine de la production hydroélectrique (Pereira, 1997).
1.1.2
Variables aléatoires
Une variable aléatoire réelle est une fonction définie à partir de l'ensemble des résultats possibles
d'une expérience aléatoire, dont on doit pouvoir déterminer la probabilité, qu'elle prenne une
valeur possible ou un ensemble de valeurs possibles.
Dans le cas où les valeurs possibles sont indénombrables, une variable X est dite « continue »
quand il existe une fonction
que la variable
par :
non négative, définie pour tout réel , définissant la probabilité
5
(1.1)
La fonction
1.1.3
est appelée : la fonction de densité de probabilité de la variable aléatoire X.
La loi de Laplace-Gauss
Une variable aléatoire réelle X suit une loi normale (loi de Laplace-Gauss) d'espérance μ et
d'écart type σ strictement positif (de variance σ2), si elle admet pour densité de probabilité la
fonction f(x) définie, pour tout nombre réel x, par :
(1.2)
La fonction de répartition d’une variable aléatoire normale est définie pour tout réel
par :
(1.3)
On appelle loi normale (ou gaussienne) centrée réduite : la loi définie par la densité de
probabilité :
(1.4)
La loi définie par cette densité admet une espérance nulle (μ=0) et une variance égale à 1 (σ2=1).
1.1.4
Les processus stochastiques
Un processus stochastique (ou processus aléatoire ou fonction aléatoire) représente une famille
de variables aléatoires définies sur un même espace de probabilité. L’indice t est
souvent interprété comme le temps.
Le processus est en temps continu, si T est continu (T = [0, ∞ [), et en temps discret si T est
discret (T = {0, 1, 2, . . .}).
Lorsque t est continu, on note souvent
par
. On supposera ici que
prend ses valeurs
dans .
Un processus aléatoire généralise la notion de variable aléatoire utilisée en statistiques
élémentaires. On le définit comme une famille de variables aléatoires
, qui associe une telle
6
variable à chaque valeur
. L'ensemble des observations disponibles
constitue une
réalisation du processus.
1.1.5
La régression linéaire simple
La droite de régression
La régression linéaire fournit une approximation, qui s’ajuste le mieux, de la variable à expliquer
Y en fonction de la variable explicative X.
Un modèle de régression linéaire simple est défini par une équation de la forme :
(1.5)
Les quantités
viennent du fait que les points ne sont jamais parfaitement alignés sur une droite.
On les appelle les « erreurs » (ou « bruits ») et elles sont supposées aléatoires.
On appelle estimateurs des moindres carrés
: les valeurs minimisant la somme des
carrés des erreurs :
(1.6)
Validation des modèles de régression linéaire
La validation des modèles de régression s’appuie sur l’analyse des résidus. Il faut vérifier que les
erreurs sont centrées (
pour tout indice i), de même variance et non corrélées entre
elles. Si l’analyse des résidus démontre que le modèle employé n’est pas approprié, deux choix
s’imposent :
Abandonner le modèle de régression linéaire, développer et utiliser d’autres modèles
appropriés;
Utiliser quelques transformations sur les données de façon que le modèle de régression
soit ajusté.
Pour la seconde option, les transformations des données peuvent se porter sur la variable à
expliquer et/ou sur la variable explicative.
La procédure de transformation de Box-Cox identifie une transformation à partir d’une famille de
transformations possibles sur la variable à expliquer. Cette procédure reste toutefois un guide de
7
choix d’une transformation. La validation du modèle ajusté par l’analyse des résidus reste
toujours requise pour confirmer le modèle choisi.
1.1.6
La méthode du maximum de vraisemblance
L’estimation du maximum de vraisemblance permet d’estimer les paramètres d’une fonction ou
d’une distribution de probabilités d’un échantillon donné.
Le principe de la méthode est d’obtenir les paramètres d’une distribution donnée qui représentent
le mieux les données disponibles.
Si X est une variable aléatoire continue de densité
et i observations
, avec j paramètres inconnus
, la fonction de vraisemblance est donnée par :
(1.7)
Pour obtenir le maximum de vraisemblance entre l’échantillon des données et la distribution
considérée, il suffit de maximiser la fonction de vraisemblance.
La fonction de vraisemblance est définie comme un produit et la maximisation d’un produit est
généralement plus difficile que la maximisation d’une somme.
Le log-vraisemblance est définie par :
(1.8)
Puisque la fonction logarithmique est monotone croissante, la fonction de vraisemblance et le
Log-vraisemblance atteindront donc leurs valeurs maximales pour les mêmes valeurs de
paramètres
.
L’identification des extrema est obtenue en résolvant l’équation :
(1.9)
Après que les solutions de l’équation auront été trouvées, l’identification des maxima sera
obtenue en choisissant les solutions qui vérifient :
(1.10)
8
1.1.7
Modélisation de la défaillance
L’évaluation d’un critère de performance d’une politique de maintenance requiert la connaissance
du processus de défaillance du système, soumis à la maintenance considérée. Les phénomènes de
défaillance d’un système donné sont classés comme suit :
Le système est soit considéré en fonctionnement, soit en panne. Il est nécessaire de
déterminer une loi de comportement de l’instant de panne qui peut être directement
fonction de la durée de fonctionnement du système;
Le système se dégrade progressivement au cours de son fonctionnement. Cette
dégradation peut s’effectuer de manière discrète, et le processus peut être assimilé à un
modèle de type sauts, ou bien de manière continue.
Défaillance soudaine
On appelle modèle de durée de vie, le cas où l’ensemble des états que peut parcourir le système
se réduit à l’état de panne et à l’état de marche.
Un système est fiable, lorsque la probabilité de remplir sa mission sur une durée donnée, dans des
conditions données, correspond à celle pour laquelle il a été conçu.
La théorie mathématique de la fiabilité consistera donc en une application particulière de la
théorie des probabilités aux problèmes de durée de fonctionnement sans incidents.
La fonction de fiabilité
s’écrit :
(1.11)
La probabilité de défaillance avant la période de mission est exprimée par sa fonction de
répartition
:
(1.12)
La fonction de la densité de probabilité est définie comme suit :
(1.13)
On appelle taux de défaillance moyen entre les instants
qu'un composant ait une défaillance entre les instants
l'instant t :
, le rapport de la probabilité
, sachant qu'il a fonctionné avant
9
(1.14)
La formulation de la probabilité conditionnelle est donnée par :
(1.15)
Donc,
(1.16)
Ou alors,
(1.17)
L’équation 1.17 peut s’écrire comme :
(1.18)
Donc,
L’équation 1.14 peut s’écrire comme :
(1.19)
Le nombre prévu de pannes dans un intervalle de temps (0, t) est exprimé par H(t) :
(1.20)
Défaillance graduelle
Lorsque l’ensemble des états dans lesquels peut se retrouver un composant n’est pas réduit aux
états de marche et de panne, le modèles de défaillance sont appelés : modèles de dégradation.
La cause de la défaillance dans ce cas est un mécanisme de dégradation tel que la progression
d’une réaction chimique. On considèrera que la défaillance se produit lorsque le niveau de
dégradation atteint un certain seuil (Deloux, 2008).
On distingue, en général, des états de dégradation intermédiaires, qui permettent de transiter
successivement entre l’état neuf, ou le moins dégradé, et l’état de panne. Il faut alors trouver les
lois de dégradation qui vont donner les dates de réalisation de ces différents états intermédiaires
10
et le temps passé dans chaque état. On distingue ainsi deux grandes classes de dégradation : les
modèles à dégradation discrète et les modèles à dégradation continue (Castanier, 2002).
Les modèles à dégradation discrète :
Les modèles à dégradation discrète permettent de modéliser des dégradations de type chocs. On
peut alors considérer que le système passe d’un état de dégradation à un autre par un incrément
de type sauts. Les processus markoviens ou semi-markoviens peuvent être utilisés pour modéliser
à la fois l’instant du choc et l’état dans lequel se retrouve le composant (Castanier, 2002 et
Feldman, 1976).
Les modèles à dégradation continue
En ce qui concerne la dégradation continue (figure 1-2), la connaissance de la loi des incréments
de dégradation entre deux instants consécutifs permet de prédire le niveau de dégradation en
fonction du temps (Park, 1988).
Pour élaborer le cadre général, les dommages cumulatifs
après n +1 incréments de temps
sont donnés par (Durham et Padgett, 1997) :
(1.21)
Où :
les dommages cumulatifs après n incréments de temps;
les dommages cumulés à n +1 incrément de temps ;
la fonction du modèle de dégradation.
11
Figure 1-2 : Schématisation d’un modèle à dégradation continue
1.1.8
Les objectifs de la maintenance et ses types
D’après la norme française NF EN 13306 X 60-319, la définition de la maintenance est «
l’ensemble de toutes les actions techniques, administratives et de management durant le cycle de
vie d’un bien, destinées à le maintenir ou à le rétablir dans un état dans lequel il peut accomplir la
fonction requise ».
Toutes les activités d’un cycle d’exploitation d’un bien doivent être réalisées de façon à
maximiser les effets positifs tout en minimisant les coûts. Il est donc important de s’assurer du
bon déroulement de la fonction maintenance.
L’activité actuelle de la maintenance s’inscrit dans un cadre de participation à la réalisation des
objectifs de productivité, de rentabilité et de croissance de l’entreprise.
Le choix et la mise en œuvre d’une stratégie de maintenance dépendent ainsi de nombreux
paramètres. Il est nécessaire de pouvoir mesurer a priori les conséquences d’une telle stratégie sur
les performances globales du système qui peuvent n’apparaître qu’à long terme.
Les types de maintenance peuvent être répertoriés selon trois grandes catégories : la maintenance
corrective, la maintenance préventive et la maintenance améliorative (figure 1-3).
La maintenance corrective est la maintenance qui intervient suite à la défaillance du système. La
mise en place d’opérations correctives ne dépend que de l’occurrence d’une panne, alors que la
maintenance préventive est réalisée lorsque le système est encore en fonctionnement.
12
Quand à la maintenance améliorative, elle intervient dans le but d’envisager les remèdes adaptés
à la suppression des causes de défaillance, donc, d’améliorer la fiabilité ou encore améliorer la
sécurité ou la maintenabilité.
Le recours à l’une ou à l’autre de ces stratégies diffère selon le système considéré, mais aussi,
selon le type de structure d’organisation, la politique d’exploitation et de suivi, les coûts, la
disponibilité de l’information, etc.
Figure 1-3 : Les différents types de maintenance
La maintenance corrective
La maintenance corrective est l’ensemble des activités réalisées après la panne du système
pouvant être liée à sa défaillance ou à la dégradation de sa fonction, elle a pour but de le remettre
en état de marche. La maintenance corrective peut être :
palliative : des réparations ou des remises en état à caractère provisoire.
curative : des réparations, des modifications ou des remises en état à caractère permanent.
Cette maintenance est utilisée lorsque l’indisponibilité du système n’a pas de conséquences
majeures ou quand les contraintes de sécurité sont faibles.
13
La maintenance préventive
La maintenance préventive a pour objet de réduire la probabilité de défaillance. Elle peut être
systématique, conditionnelle ou prévisionnelle (Rausand et Hoyland, 2004).
Maintenance systématique : lorsque la maintenance préventive est réalisée à des
intervalles prédéterminés, on parle de maintenance systématique. L’opération de
maintenance est effectuée conformément à un échéancier. Aucune intervention n’a lieu
avant la date prédéterminée.
L’optimisation d’une maintenance préventive systématique consiste à déterminer au
mieux la périodicité des opérations de maintenance sur la base du temps, du nombre de
cycles de fonctionnement, du nombre de pièces produites, etc.
Maintenance conditionnelle : lorsque l’opération de maintenance préventive est
subordonnée à l’analyse de l’évolution surveillée de paramètres significatifs de la
dégradation ou de la baisse de performance d’une entité, on parle de maintenance
conditionnelle. Les paramètres significatifs de la dégradation peuvent être soit des
mesures de caractéristiques physiques du système (épaisseur d’un matériau, degré
d’érosion, température, pression, etc.), soit des données sur la durée de vie résiduelle (on
parle alors de maintenance prédictive).
La planification des interventions repose sur l’existence et la détermination de seuils
critiques pour ces paramètres de dégradation. On parle alors de seuils de décision.
Maintenance prévisionnelle : lorsque la maintenance préventive est effectuée sur la base
de l’estimation du temps de fonctionnement correct qui subsiste avant l’observation de
l’événement redouté, on parle de maintenance prévisionnelle.
Dans le milieu industriel, en général, une maintenance mixte est appliquée aux systèmes. En
effet, la maintenance préventive est destinée à réduire la probabilité de défaillance mais il
subsiste une part de maintenance corrective incompressible. Il est donc nécessaire de considérer
des stratégies qui combinent la maintenance corrective et la maintenance préventive.
1.2
Problématique
Le présent mémoire s’intéresse précisément au phénomène de cavitation observé sur les turbines
hydroélectriques. Ses dégâts influencent l’instabilité de l’installation par une vibration excessive,
14
des dommages de surface par une perte de matière et la dégradation des performances de
l’équipement.
La perte de matière sur les aubes de la turbine est associée à une dégradation continuelle
cumulative, puisqu’elle se traduit par une succession de pertes de matière infinitésimales. Le
système est considéré défaillant si son niveau de détérioration dépasse un seuil fixé.
L’opération de maintenance, qui correspond au remplissage des cavités formées par de la matière
par procédé de soudage, est conditionnelle à l’atteinte du seuil de défaillance.
Le problème traité dans ce mémoire consiste, en considérant les situations décrites ci-dessus, à
optimiser une stratégie de maintenance basée sur la réparation minimale pour un système se
dégradant de façon cumulative stochastique croissant dans le temps qui peut être assimilé à
l’évolution aléatoire de la dégradation progressive continue et d’un niveau limite de défaillance.
Ce qui est recherché est le temps optimal pour procéder au remplacement de l’équipement à la
suite d’une série de réparations minimales, chaque fois que le niveau de détérioration dépasse un
seuil fixé. Ce qui permettra de garantir des dépenses minimales et une utilisation optimale des
ressources.
Pour ce faire, c’est le processus de dégradation causée par l’érosion de cavitation qui sera
représenté par un modèle mathématique. Une approximation du modèle par une loi de fiabilité est
utilisée pour modéliser une stratégie de remplacement basée sur les réparations minimales, afin
de trouver le temps optimal de remplacement qui minimise les coûts totaux.
1.3
Revue de littérature
Plusieurs études ont démontré le phénomène de la cavitation, les travaux antérieurs les plus
significatifs seront passés en revue.
La maintenance des systèmes soumis à une dégradation continue a fait l’objet de plusieurs
recherches et de diverses publications liées au contexte étudié.
15
1.3.1
Détection et prédiction des érosions de cavitation
La prédiction de l’érosion de cavitation, en termes de taux et de localisation, est un problème
complexe qui a intéressé plusieurs chercheurs dans les domaines de la métallurgie,
l’hydrodynamique et de la mécanique du solide.
Dans (Pereira, 1997), l’auteur propose une approche énergétique pour développer un modèle de
prédiction des érosions de cavitation. Son approche est basée sur la connaissance du spectre
d’énergie associé au développement d’une poche de cavitation de bord d’attaque.
Le spectre d’énergie est établi sur la base de la mesure et de l’analyse de trois grandeurs
principales : le volume des cavités transitoires, la pression motrice de l’implosion et le taux de
production des cavités.
Farhat et al, (1999) et Bourdon (2000) proposent l’utilisation des méthodes de détection
vibratoire ou acoustique de la cavitation pour prévaloir d’une information absolue sur le taux
d’érosion et la perte cumulative de métal.
La technique proposée consiste à mesurer les vibrations induites sur les parties fixes de la turbine
et d’en extraire la contribution de l’impact de la cavitation sur l’aubage.
Maged (2003) suppose que le taux de perte de matière varie en fonction du temps. Il suggère que
la perte cumulative en poids de la matière peut être représentée par une distribution de Weibull à
deux paramètres. L’auteur conclut que, d’après l’ensemble des résultats obtenus en laboratoire, le
modèle de Weibull reste plausible, mais dépendamment des différents paramètres, du matériau
utilisé, du temps d’incubation et de la durée des tests.
Simoneau, Petrin et Mossoba (1995) utilisent les données historiques recueillies durant les
inspections des turbines hydroélectriques. L’analyse de ces données, par des techniques de
régression polynomiale, est utilisée par les auteurs pour extrapoler le modèle de deux façons :
prédire l’érosion de cavitation moyenne pour une date prédéterminée ou pour estimer le temps
avant d’atteindre un niveau de détérioration limite.
Les auteurs proposent des modèles de régression en fonction du modèle de la turbine et du
matériau de cette dernière.
Les auteurs (Bourdon, Farhat, Mossoba et Lavigne, 1999) révèlent que l’inspection annuelle de
l’érosion de cavitation sur une turbine peut facilement coûter 5 K$ en main-d’œuvre et jusqu'à
16
50$ par MWh de revenus perdus pendant les temps d'arrêt machine. Les réparations des cavités
peuvent durer de 2 à 4 semaines, engendrant ainsi des coûts de main-d’œuvre, d’équipement et
des coûts de réparation matériel qui peuvent atteindre de 15 K$ à 100 K$, selon la taille de la
machine et l'érosion accumulée. Les pertes de production sont beaucoup plus importantes pour
de longues interruptions.
1.3.2
Les modèles à dégradation continue
Un modèle de dégradation continue est présenté dans (Xue et Yang, 1997). La dégradation est
formulée par un processus stochastique en fonction de deux coefficients aléatoires A et B. La
dégradation à un instant t est :
(1.22)
La moyenne et la variance associées au modèle sont :
(1.23)
et
(1.24)
Dans le cas où A et B suivent une distribution gaussienne alors, X(t) sera distribuée selon une loi
normale :
(1.25)
La distribution de A et B peut être estimée avec des données observationnelles de la dégradation.
La variable aléatoire X(t) s’écrit :
(1.26)
Les auteurs utilisent
pour décrire le processus de dégradation.
Le modèle linéaire de dégradation s’écrit donc :
(1.27)
(1.28)
ou
À
les paramètres
sont observés (avec i=1,2,…,N). À partir de ces
observations, les paramètres du modèle de dégradation sont estimés.
17
Les dommages cumulatifs
après n +1 incréments de temps sont donnés par (Durham et
Padgett, 1997) :
(1.29)
Où
désigne les dommages cumulés à (n +1) incrément de temps et
est la fonction du
modèle de dégradation.
peut être modélisé par un mouvement Brownien ou un processus Gamma.
Dans (Meier-Hirmer, Riboulet, Sourget et Roussignol, 2009), la dégradation est modélisée avec
un processus Gamma homogène
gamma avec paramètres
; pour
a une distribution
(s est un incrément indépendant) dont la densité de probabilité
est donnée par :
(1.30)
Les auteurs stipulent que le processus de dégradation
n’est pas un processus de Markov,
puisque le processus après l’instant t ne dépend pas seulement de la valeur du système à l’instant
t, mais aussi de l’inspection et du statut du système en ce moment.
Noortwijk (2009) modélise le processus stochastique à temps continu
d’un processus Gamma
avec la fonction
sous forme
comme paramètre de forme et
un
paramètre d’échelle.
à t=0, X(t)=0
(1.31)
1.3.3
(1.32)
X(t) a un incrément indépendant
(1.33)
La stratégie de remplacement périodique et perte de performance
Kececioglu, (1995) et Muth, (1977) proposent
un modèle ordinaire de remplacement. Le
composant est remplacé par un nouveau après chaque période
composant tombe de panne avant
. Si le
, il subira une réparation minimale.
La fonction des coûts est :
(1.34)
18
est le coût de remplacement planifié,
est le coût de réparation minimale et
est le taux
de défaillance instantané.
Un modèle de remplacement minimal sans garantie est proposé dans (Yeh, Chen et Lin, 2007).
Les auteurs introduisent le coût d’arrêt de l’équipement dans le modèle de Kececieoglu (1995) :
(1.35)
Cd est le coût associé au temps d’arrêt « downtime cost ».
Satow, Teramoto et Nakagawa (2000) modélisent le remplacement minimal pour un système
sujet à deux types de dommages combinés, les dommages accumulés avec le temps et les
dommages subis par choc. Le système est déclaré défaillant, si le cumulatif des dommages
dépasse un niveau d'échec K.
Le coût prévu par unité de temps est obtenu en utilisant la théorie du processus cumulatifs. Les
auteurs proposent la valeur de K* qui minimise le coût total prévu par unité de temps, lorsque les
chocs se produisent dans un processus de Poisson.
Soro, Nourelfath et Ait-Kadi (2010) introduisent la notion de perte d’efficience : ils supposent
que le système peut se dégrader en plusieurs états discrets consécutifs, qui sont caractérisés par
des taux de rendement différents, allant du parfait fonctionnement à un échec complet.
Le modèle proposé est formulé avec un processus de Markov à temps continu pour évaluer la
mesure de performance instantanée et stationnaire du processus.
19
CHAPITRE 2 : MODÉLISATION DE LA DÉGRADATION
Nous présentons, dans ce chapitre, un modèle de dégradation stochastique pour le phénomène de
cavitation dans les aubes de roues de turbines hydroélectriques. Nous cherchons à prédire, avec
une approche probabiliste, la quantité des dommages que l’équipement aura accumulés après un
certain temps d’opération.
2.1
Les données de dégradation
Les données de dégradation, sur des turbines identiques, ont été collectées durant l’exploitation
des turbines hydroélectriques de type Francis. Les conditions d’exploitation sont considérées
identiques.
Durant les inspections périodiques de l’état des roues, on mesure la dégradation physique causée
par le phénomène de cavitation sur chacune des aubes de la turbine. Les données concernant la
surface érodée, la profondeur et la localisation sont recueilles durant chaque inspection. Le
volume de matière perdue est ensuite estimé et le poids est calculé.
Nous nous consacrons, dans ce mémoire, à la modélisation de la perte cumulative en kilogramme
de matière sur les roues.
La figure 2-1 illustre la perte cumulative, en kilogrammes de matière, sur chacune des turbines
surveillées, en fonction du temps d’exploitation cumulatif. Chaque courbe représente la
dégradation d’une turbine parmi 13 échantillons observés (A-1,.., A-13). Les turbines ne sont ni
réparées ni remplacées après les inspections.
20
Perte cumultive de matière (Kg)
25
Turbine
A_1
A_2
A_3
A_4
A_5
A_6
A_7
A_8
A_9
A_10
A_11
A_12
A_13
20
15
10
5
0
5
10
15
20
25
30
Temps d'opération (x 1000 h)
Figure 2-1 : Perte cumulative de matière (kg) en fonction du temps d’opération
2.2
La modélisation de perte de matière
Les données observées sur les turbines durant une inspection, après la même période
d’exploitation, peuvent être estimées par une distribution normale de moyenne
type
et d’écart
. La figure 2-2 présente un test de normalité sur les données observées après 4000
heures d’exploitation.
Normal Probability Plot at t = 4000h
2,0
1,5
Expected Normal Value
1,0
0,5
0,0
-0,5
-1,0
-1,5
-2,0
0,40
0,45
0,50
t1: SW-W = 0,9804; p = 0,9813
0,55
0,60
0,65
0,70
0,75
0,80
0,85
0,90
Observed Value
Figure 2-2 : Test de normalité sur les données observées sur 13 turbines à t = 4000h
21
Le test de normalité démontre que les données prises durant cette période suivent une distribution
normale. La statistique de Shapiro Wilk mentionnée sur la même figure permet de ne pas rejeter
l’hypothèse que les données suivent une loi normale.
Les tests de normalité sur les autres données collectées sont présentés à l’annexe 1. Tous les
résultats de la statistique de Shapiro Wilk prouvent que chaque échantillon de 13 turbines,
recueilli après la même période d’exploitation, provient d’une distribution normale.
Le tableau 2-1 récapitule l’ensemble des statistiques observées après chaque période d’opération.
Tableau 2-1 : Test de normalité et statistiques des observations
Temps
d'opération
(x 1000 h)
4
6,1
8,5
11
13,5
16,1
18,5
21,1
23,5
26,1
28
30,1
(kg)
(kg)
0,64
1,0054
1,497
2,218
3,566
4,678
6,151
8,033
9,968
12,105
13,43
14,87
0,1261
0,254
0,478
0,81
1,034
1,539
1,891
2,284
2,657
3,33
3,87
4,51
Il est possible d’utiliser
Minimum Maximum
0,0159
0,0645
0,228
0,656
1,068
2,368
3,576
5,215
7,06
11,088
14,95
20,31
0,44
0,6
0,77
0,79
1,66
2,06
2,8
4,58
5,4
6,85
7,15
8,01
0,87
1,4
2,26
3,39
5,24
7,66
9,28
12,36
13,98
18,35
19,62
22,52
SW-W
P
0,9804
0,9598
0,9591
0,9618
0,9896
0,9946
0.9871
0,9776
0,9755
0,9839
0,9704
0,9596
0,9813
0,7506
0,7397
0,7813
0,9996
0,9999
0,9982
0,9660
0,9499
0,9931
0,8981
0,7477
pour décrire le processus de dégradation (Xue et Yang,
1997). Le modèle linéaire de dégradation s’écrit donc :
(2.1)
et
ou
À
, les paramètres
(2.2)
sont observés (avec i=1,2,…,12), à partir de ces
observations, les paramètres du modèle de dégradation peuvent être estimés.
22
2.3
Ajustement du modèle de dégradation
La technique de régression linéaire simple est mise en application, et le logiciel Statistica est
utilisé pour effectuer les calculs. La validation du modèle de régression est présentée pour la
vérification des hypothèses d’analyse des résidus, sur lesquelles repose la technique. Si l’analyse
des résidus révèle que le modèle employé n’est pas approprié, le modèle sera alors réajusté et
validé.
2.3.1
Modélisation de la moyenne
Une régression simple est considérée pour l’estimation de l’équation linéaire. Le tableau 2-2
présente une estimation des paramètres de la régression de la moyenne des observations en
fonction du temps.
(2.3)
Le tableau d’analyse de la variance (2-3) présenté au tableau 2.3, démontre que la régression est
significative. La valeur de « p » permet de rejeter l’hypothèse que les paramètres de la régression
sont nuls.
Le coefficient de détermination
, qui est le rapport de la variation expliquée à la variation
totale montre que 96,6 % de la variabilité des données est exprimée par le modèle proposé.
Tableau 2-2 : Estimation des paramètres du modèle de la moyenne
Tableau 2-3 : Analyse de la variance du modèle de la moyenne
23
La validation du modèle est requise pour vérifier les hypothèses initiales sur les résidus de la
régression. La droite de normalité des résidus (figure 2-3) indique que les résidus sont
relativement alignés avec la droite de normalité. Cependant une tendance particulière entre les
résidus et les valeurs prédites est constatée.
Aussi, un réajustement du modèle s’impose pour corriger cette anomalie.
Normal Prob. Plot; Raw Residuals
Predicted vs. Residual Values
Dependent variable: Mean
Dependent variable: Mean
(Analysis sample)
(Analysis sample)
3,0
2,0
2,5
,99
1,5
2,0
,95
1,0
1,0
,75
0,5
,55
0,0
,35
-0,5
-1,0
Raw Residuals
Expected Normal Value
1,5
0,5
0,0
,15
-0,5
-1,5
,05
-2,0
,01
-2,5
-3,0
-1,5
-1,0
-0,5
0,0
0,5
1,0
1,5
2,0
-1,0
-1,5
-4
-2
0
2
4
Residual
6
8
10
12
14
16
Predicted Values
Figure 2-3 : Diagnostic des résidus du modèle de la moyenne
2.3.2
Réajustement de la modélisation de la moyenne
La transformation de la variable de réponse, selon la procédure de Box-Cox, est utilisée pour
identifier une transformation possible sur la variable à expliquer parmi une famille de
transformations possibles. La validation du modèle transformé par un diagnostic des résidus reste
toujours requise pour confirmer le modèle choisi.
Dans la transformation de Box-Cox on recherche un exposant
, de la variable à expliquer, qui
permet de corriger l’anomalie des résidus.
La figure 2-4 présente une estimation de
Racine carrée », sur la variable à expliquer.
, le modèle propose une transformation, de type «
24
Box-Cox Plot of Mean
Lower CL
Upper CL
3,5
Lambda
(using 95,0% confidence)
Estimate
3,0
-0,19
1,07
Rounded Value
2,5
StDev
0,42
Lower CL
Upper CL
0,50
2,0
1,5
Limit
1,0
-1
0
1
Lambda
2
3
Figure 2-4 : Transformation de Box-Cox du modèle de la moyenne
Le tableau de la transformation effectuée sur la variable à expliquer figure à l’annexe 2.
Le tableau 2-4, donne une estimation des paramètres de la régression de la racine carrée de la
moyenne en fonction du temps.
(2.4)
Le tableau d’analyse de la variance (tableau 2-5) démontre que la régression est significative. La
valeur de « p » permet de rejeter l’hypothèse que les paramètres de la régression sont nuls.
Le coefficient de détermination
montre que 99,8 % de la variabilité des données est exprimée
par le modèle proposé.
Tableau 2-4 : Estimation des paramètres du modèle réajusté de la moyenne
25
Tableau 2-5 : Analyse de la variance du modèle réajusté de la moyenne
La transformation de la variable de réponse selon la procédure de Box-Cox a permis de réajuster
les résidus. Le diagnostic graphique des résidus à la figure 2-5 montre que les résidus sont
distribués selon une loi normale et que la présence d’une tendance particulière est relativement
faible. Le modèle réajusté sera donc retenu pour la suite de la modélisation.
Predicted vs. Residual Values
Dependent variable: SQRT(mean)
(Analysis sample)
Normal Prob. Plot; Raw Residuals
Dependent variable: SQRT(mean)
(Analysis sample)
0,10
3,0
2,5
0,08
,99
2,0
0,06
,95
0,04
,75
0,5
,55
0,0
-0,5
,35
-1,0
,15
Raw Residuals
1,0
0,02
0,00
-0,02
-0,04
-0,06
-1,5
,05
-2,0
,01
-2,5
-3,0
-0,12
-0,10
-0,08
-0,06
-0,04
-0,02
0,00
0,02
0,04
0,06
0,08
-0,08
-0,10
-0,12
0,0
0,10
0,5
1,0
1,5
2,0
2,5
3,0
Predicted Values
Residual
Observed Values vs. Predicted
Dependent variable: SQRT(mean)
(Analysis sample)
4,5
4,0
3,5
3,0
Predicted Values
Expected Normal Value
1,5
2,5
2,0
1,5
1,0
0,5
0,0
0,0
0,5
1,0
1,5
2,0
2,5
3,0
3,5
4,0
4,5
Observed Values
Figure 2-5 : Diagnostic des résidus du modèle réajusté de la moyenne
3,5
4,0
4,5
26
Modélisation de l’écart type
2.3.3
Nous procédons pour la variable de l’écart type en fonction du temps de la même façon que pour
la variable de moyenne. Le tableau 2-6, montre une estimation des paramètres de la régression de
la moyenne des observations en fonction du temps.
(2.5)
L’analyse de la variance (tableau 2-7) démontre que la régression est significative. La valeur de
« p » permet de rejeter l’hypothèse que les paramètres de la régression sont nuls. 96,7 % de la
variabilité réelle des données est exprimée par le modèle proposé.
Tableau 2-6 : Estimation des paramètres du modèle de l’écart type
Tableau 2-7 : Analyse de la variance du modèle de l’écart type
Le diagnostic graphique du modèle montre, à la figure 2-6, que les résidus ne sont pas alignés
avec la droite de normalité et qu’il y a une tendance particulière entre les valeurs prédites et les
résidus du modèle. Un réajustement du modèle s’impose donc.
Normal Prob. Plot; Raw Residuals
Predicted vs. Residual Values
Dependent variable: StDev
Dependent variable: StDev
(Analysis sample)
(Analysis sample)
3,0
0,6
2,5
0,5
,99
2,0
0,3
1,0
,75
0,5
,55
0,0
,35
-0,5
-1,0
,15
-1,5
,05
-2,0
,01
-2,5
-3,0
-0,4
-0,3
-0,2
-0,1
0,0
0,1
Residual
0,2
0,3
0,4
0,5
0,6
Raw Residuals
Expected Normal Value
0,4
,95
1,5
0,2
0,1
0,0
-0,1
-0,2
-0,3
-0,4
-1,0
-0,5
0,0
0,5
1,0
1,5
2,0
2,5
Predicted Values
Figure 2-6 : Diagnostic des résidus du modèle de l’écart type
3,0
3,5
4,0
4,5
27
2.3.4
Réajustement de la modélisation de l’écart type
Comme pour la modélisation de la moyenne, la transformation de la variable de réponse selon la
procédure de Box-Cox est utilisée pour identifier une transformation possible sur la variable à
expliquer.
La transformation de Box-Cox, à la figure 2-7 propose une transformation de type « Racine
carrée », sur la variable à expliquer.
Box-Cox Plot of StDev
Lower CL
Upper CL
Lambda
1,2
(using 95,0% confidence)
StDev
1,0
Estimate
0,49
Lower CL
Upper CL
0,02
1,11
Rounded Value
0,50
0,8
0,6
0,4
Limit
0,2
-1
0
1
Lambda
2
3
Figure 2-7 : Transformation de Box-Cox du modèle de l’écart type
Le tableau 2-8 présente une estimation des paramètres de la régression de la racine carrée de
l’écart type en fonction du temps.
(2.6)
L’analyse de la variance (tableau 2-9) démontre que la régression est significative. La valeur de
« p » permet de rejeter l’hypothèse que les paramètres de la régression sont nuls. Le coefficient
de détermination
indique que 99,7 % de la variabilité réelle des données est exprimée par le
modèle proposé.
Tableau 2-8 : Estimation des paramètres du modèle réajusté de l’écart type
28
Tableau 2-9 : Analyse de la variance du modèle réajusté de l’écart type
La transformation de la variable de réponse selon la procédure de Box-Cox a permis de réajuster
les résidus. Le diagnostic graphique des résidus à la figure 2-8 indique que les résidus sont
distribués selon une loi normale et que la présence d’une tendance particulière est relativement
faible. Le modèle réajusté sera donc retenu pour la suite de la modélisation.
Normal Prob. Plot; Raw Residuals
Predicted vs. Residual Values
Dependent variable: SQRT(SD)
Dependent variable: SQRT(SD)
(Analysis sample)
(Analysis sample)
3,0
0,07
2,5
0,06
,99
0,05
2,0
,95
0,04
0,03
,75
0,5
,55
0,0
,35
-0,5
-1,0
Raw Residuals
1,0
,15
-1,5
0,02
0,01
0,00
-0,01
-0,02
-0,03
,05
-2,0
-0,04
,01
-2,5
-3,0
-0,06 -0,05 -0,04 -0,03 -0,02 -0,01
0,00
0,01
0,02
0,03
0,04
0,05
0,06
-0,05
-0,06
0,2
0,07
0,4
0,6
0,8
1,0
Residual
1,2
1,4
1,6
1,8
2,0
Predicted Values
Observed Values vs. Predicted
Dependent variable: SQRT(SD)
(Analysis sample)
2,4
2,2
2,0
1,8
Predicted Values
Expected Normal Value
1,5
1,6
1,4
1,2
1,0
0,8
0,6
0,4
0,2
0,0
0,2
0,4
0,6
0,8
1,0
1,2
1,4
1,6
1,8
2,0
2,2
2,4
Observed Values
Figure 2-8 : Diagnostic des résidus du modèle réajusté de l’écart type
2,2
2,4
29
Conclusion
Nous avons vérifié, dans ce chapitre, que les observations à un moment donné proviennent d’une
distribution normale. Le modèle de dégradation est modélisé comme une distribution normale
dont les paramètres évoluent dans le temps.
Nous venons également de démontrer que l’évolution des paramètres peut être modélisée par un
modèle linéaire ajusté en fonction du temps.
Les paramètres du modèle sont :
(2.7)
Ces résultats seront utilisés dans le chapitre suivant pour estimer la fiabilité du système étudié.
30
CHAPITRE 3 : STRATÉGIE DE MAINTENANCE
Dans ce chapitre, nous cherchons à établir une politique de maintenance qui permettra de
minimiser le coût moyen, par unité de temps, à long terme de la maintenance des turbines
hydroélectriques sujettes à une dégradation de l’érosion de cavitation. La formulation d’un
modèle d’estimation de la fiabilité en fonction du temps et du seuil de dégradation aidera à
modéliser une stratégie de remplacement.
3.1
Estimation de la fiabilité
Nous avons conclu, dans le chapitre précédent, que les observations à un moment donné
proviennent d’une distribution normale. Le modèle de dégradation peut ainsi être modélisé
comme une distribution normale dont les paramètres évoluent dans le temps.
Le processus de dégradation cumulatif noté
décrit la dégradation totale subie par un
équipement jusqu’à l’instant t.
L’équipement a un seuil de dégradation notée , au-delà duquel il est déclaré défaillant.
La fonction de répartition du temps T de la première défaillance du système est :
(3.1)
Sur la base de ce qui précède, pour un seuil de dégradation donné, la probabilité de défaillance
peut être estimée comme étant l’aire sous la courbe d’une densité de probabilité d’une loi
normale. La figure 3-1 présente une illustration pour un seuil de dégradation (k = 10 kg).
La fiabilité du système dépend donc du seuil de défaillance imposé par les conditions
d’exploitation. La fiabilité est donc exprimée par :
(3.2)
31
Figure 3-1 : Évolution des paramètres du modèle en fonction du temps.
En combinant l’équation 3.2 avec l’équation 1.3, on obtient :
(3.3)
L’allure de R(t, k) est donc tracée à la figure 3-2.
Figure 3-2 : Exemple de fiabilité du système en fonction du temps et du seuil de défaillance
32
Ainsi, pour toute valeur k, la fiabilité du système est estimée en tout instant t (figure 3-3).
Figure 3-3 : Fiabilité du système en fonction du temps et du seuil de défaillance
La densité de la probabilité de défaillance du système pour un k donné est définie par :
(3.4)
En combinant les équations (3.3) et (3.4) :
(3.5)
La courbe de la densité de probabilité de défaillance (figure 3.4) est représentée pour différents
seuils de dégradation k.
Figure 3-4 : Densité de probabilité de défaillance en fonction du seuil de dégradation
33
La fonction de hasard, ou taux de défaillance instantané, au moment t s’interprète comme la
probabilité instantanée de sortir de l’état de non-défaillance à la date t.
Le taux de défaillance instantané est exprimé par :
(3.6)
La fonction de hasard est donc représentée (figure 3-5) en fonction du temps (x 1000 h) et du
seuil de défaillance, k.
Figure 3-5 : Taux de défaillance instantané
La fonction de hasard (ou taux de défaillance) est non monotone (croissante puis décroissante).
Le modèle proposé présente le gros désavantage d’être associé à un taux de défaillance nul à
l’origine, puis croissant jusqu'à un maximum, et enfin décroissant pour les grandes valeurs de t,
ce qui n’est pas vrai en pratique.
3.2
Approximation de la fiabilité par la loi de Weibull
Bien que la formulation dans la section 3.1 donne une approximation de la fiabilité en fonction
du temps et du seuil de dégradation prédéterminé, elle associe le taux de défaillance à une
fonction non monotone sur l’intervalle de temps étudié.
34
Nous rechercherons dans cette section à approximer la fiabilité par une loi de Weibull à trois
paramètres, pour représenter le mieux possible la fiabilité du système étudié avec un modèle
plausible.
Nous supposerons d’abord que les probabilités de défaillance formulées dans la section
précédente sont issues d’une loi de Weibull à trois paramètre
,
et
). Pour un seuil de
défaillance donné, la fiabilité s’écrit :
(3.7)
Ensuite, nous estimerons les paramètres de la loi de Weibull qui rendent la formulation de la
fiabilité de la section précédente la plus proche possible d’une loi de Weibull.
La validation du modèle par la méthode de Kaplan-Meier et par la méthode du maximum de
vraisemblance sera établie également.
3.2.1
Estimation des paramètres de la loi de Weibull
L’estimation des paramètres
,
et
d’une loi de Weibull à partir de la fiabilité estimée dans
la section précédente est très compliquée analytiquement. Pham (2003) propose l’utilisation de
l’algorithme numérique disponible sous le module « Solveur » de Microsoft Excel.
L’idée est de trouver les paramètres qui minimisent la somme des carrés des erreurs pour un seuil
de défaillance kj donné.
La somme des carrés des résidus s’écrit :
(3.8)
Pour chaque instant ti, la moyenne et l’écart type d’une population sont estimés par le modèle
décrit dans le chapitre 2.
L’approximation repose sur plusieurs itérations réalisées en faisant varier les paramètres. Le but
est de retenir les paramètres de la loi de Weibull qui minimisent la somme des carrés des résidus.
Le Solveur d’Excel retourne des valeurs des paramètres ,
et
approximation de la fiabilité après plusieurs itérations numériques.
qui représentent la meilleure
35
Les paramètres estimés pour différents seuils de défaillance sont montrés dans le tableau 3-1.
Tableau 3-1 : Estimation des paramètres de la loi de Weibull
Seuil de
défaillance k (Kg)
5
12,84
1,45
4,60
10
18,96
1,45
6,50
15
23,65
1,45
7,96
20
27,61
1,45
9,19
La fiabilité formulée par l’équation (3.7) est illustrée par la figure (3-6).
Figure 3-6 : Approximation de la fiabilité en fonction du seuil de défaillance
3.2.2
Validation du modèle de la fiabilité
Dans cette section, l’analyse de l’estimateur non paramétrique de Kaplan-Meier, le coefficient de
détermination et l’estimation par la méthode du maximum de vraisemblance (ML) sont mis en
contribution pour valider le modèle proposé dans la section précédente.
36
Le coefficient de détermination
Le coefficient de détermination R2 révèle que 99,93 % de la variabilité du modèle proposé dans la
section 3.1 est représentée par le modèle estimé par la loi de Weibull.
La figure 3-7 montre le modèle proposé dans la section 3.1 et celui estimé par la loi de Weibull.
Variable
Modèle 1
Weibull
1,0
Fiabilité
0,8
0,6
0,4
0,2
0,0
13,0 14,1 15,3 16,5 17,7 18,9 20,1 21,3 22,5 23,7 24,9
t (1000 h)
Figure 3-7 : Fiabilité du modèle et fiabilité approximée par la loi de Weibull
Estimation non paramétrique : Méthode de Kaplan-Meier
L’estimateur de Kaplan-Meier, ou encore la limite des produits, Product-Limit, est utilisé pour
déterminer l’allure de la courbe de fiabilité.
À partir des données observées, soit un échantillon de 13 turbines pour lesquelles la dégradation
cumulative a été collectée, les dates t1, t2, t3,…, tj,…,tn correspondant à l’atteinte du seuil de
défaillance (k = 5 kg) sont estimées en supposant que le taux de perte de matière reste constant
entre deux inspections (Figure 3-8).
On qualifie des valeurs censurées, des valeurs qui ne fournissent pas des renseignements précis
sur l’instant où le seuil de défaillance est atteint. Les données dont nous disposons sont supposées
sans censure, puisqu’elles sont établies à partir des données observées, l'imprécision peut donc
être considérée négligeable.
En l'absence de censure, l'estimateur de Kaplan-Meier se ramène à
la fonction de fiabilité.
qui est l'estimateur de
37
Perte cumultive de matière (Kg)
25
Turbine
A_13
A_12
A_11
A_10
A_9
A_8
A_7
A_6
A_5
A_4
A_3
A_2
A_1
20
15
10
k=5 kg
5
0
5
10
t1, t2
tn
25
30
Temps d'opération (x 1000 h)
Figure 3-8 : Données utilisées pour l’estimation non-paramétrique
L’estimateur de Kaplan-Meier, pour déterminer la fiabilité
, est donné par la formule
suivante :
(3.9)
Où :
dp : est le nombre de défaillances se produisant à la date tp
rp : est le nombre d’équipements en fonction juste avant la date tp
La fonction de fiabilité estimée par la méthode non paramétrique de Kaplan-Meier est
représentée par (figure 3-9).
Les résultats complets de l’estimateur de Kaplan-Meier sont montrés à l’annexe 3.
38
Survival Plot for Failure time (k = 5 kg)
Kaplan-Meier Method
Complete Data
100
Table of S tatistics
M ean
17,0154
M edian
16,7
IQ R
3,6
Percent
80
60
40
20
0
0
5
10
15
Failure time
20
25
Figure 3-9 : Estimation non paramétrique de Kaplan-Meier de la fiabilité
Le coefficient de détermination (figure 3-10) montre que le modèle approximé par la loi de
Weibull, dans la section 3.2.1 représente 98,5 % de la variabilité expliquée par l’estimation non
paramétrique de Kaplan-Meier.
1,2
Weibull
Fiabilité
1
0,8
Kaplan-Meier
R2 = 98.5 %
0,6
0,4
0,2
0
10
15
20
25
30
Temps (1000 h)
Figure 3-10 : Fiabilité de Kaplan-Meier et fiabilité approximée par la loi de Weibull
Estimation paramétrique : Méthode du maximum de vraisemblance
L’ajustement d’une distribution statistique, à partir des données observées avec la méthode du
maximum de vraisemblance (ML), est démontré dans la figure 3-11. Le logiciel Minitab est
utilisé pour la simplification des calculs mathématiques.
39
Distribution Overview Plot for Time
ML Estimates-Complete Data
0,15
90
P er cent
P DF
Table of
S hape
S cale
Thres
M ean
S tD ev
M edian
IQ R
F ailure
C ensor
A D*
3-P arameter Weibull
P robability Density F unction
0,10
0,05
0,00
15
20
T ime
50
10
1
0,1
25
1,0
T ime - T hr eshold
S urv iv al F unction
S tatistics
1,52636
4,55812
12,8877
16,9942
2,74379
16,4728
3,63070
13
0
1,145
10,0
H azard F unction
90
Rate
P er cent
0,45
60
30
0,30
0,15
15
20
T ime
0,00
25
15
20
T ime
25
Figure 3-11 : Estimation des paramètres de la loi de Weibull par la méthode du ML
Les paramètres de la loi de Weibull estimés avec la méthode du maximum de vraisemblance et
ceux retenus par approximation numérique sont quasi identiques. La figure 3-12 représente la
densité de probabilité pour la loi de Weibull établie avec des données brutes et la loi de Weibull
approximée dans la section 3.2.1 (cas où k = 5 kg).
Distribution Plot
Weibull
0,18
Shape Scale Thresh
1,526 4,558 12,885
1,45
4,6
12,84
0,16
0,14
Density
0,12
0,10
0,08
0,06
0,04
0,02
0,00
15
20
25
30
X
Figure 3-12 : Densité de probabilité de la loi de Weibull approximée numériquement et celle
obtenue par ML.
40
Le modèle proposé dans la section 3.2.1 a été vérifié et validé par l’estimateur non paramétrique
de Kaplan-Meier et par la méthode du maximum de vraisemblance. Il présente les avantages
d’estimer la fiabilité en fonction du seuil de défaillance considéré, de ne pas être associé à un
taux de défaillance non monotone et d’avoir une formulation mathématique relativement simple.
Ce modèle sera par conséquent utilisé par la suite pour optimiser une stratégie de remplacement.
3.3
Estimation du nombre d’échecs
Le taux de défaillance instantané est exprimé par
:
(3.10)
Le nombre prévu d'échecs suivis par des actions de réparation minimale dans un intervalle de
et représenté dans la figure 3-13.
temps (0, T) est formulé par
Pour
,
et pour
=
:
(3.11)
Figure 3-13 : Nombre prévu d’échecs en fonction du temps cumulatif d’opération
41
3.4
Optimisation de la stratégie de remplacement
Ce qui est recherché dans cette section est le temps optimal pour procéder au remplacement de
l’équipement à la suite d’une série de réparations, ce qui permet de garantir des dépenses
minimales et une utilisation optimale des ressources.
Une stratégie naturelle est de remplacer le système à toutes les T unités de temps d’usage, où T
garantit des dépenses minimales possibles.
L’optimisation d’une politique basée sur la réparation minimale repose généralement sur la
détermination de ce paramètre de décision T pour minimiser un coût moyen de maintenance à
long terme par unité de temps d’usage. L’approche préconisée est de considérer un coût total
constitué de deux composantes :
Le coût de remplacement ;
Le coût de réparation.
3.4.1
Le coût de remplacement
Le coût total de remplacement de l’équipement à neuf est une donnée qui peut être connue par
expérience. Le système étudié est en exploitation depuis plusieurs décennies, les connaissances
cumulées suite aux nombreux remplacements de l’équipement permettent une estimation précise
du coût Cp investi à chaque remplacement à neuf.
Dans un horizon de temps T, le coût de remplacement par unité de temps d’usage est exprimé
par :
(3.12)
Pour une valeur de
, la fonction
est monotone décroissante, la figure 3-14 représente le
coût de remplacement par unité de temps, cas où
.
42
Figure 3-14 : Coût de remplacement par unité de temps
3.4.2
Le coût de réparation
Les dégâts occasionnés par la cavitation, tels l’instabilité de l’installation par une vibration
excessive, des dommages de surface et la dégradation des performances de l’équipement,
constituent depuis toujours un problème technique à résoudre.
Afin de limiter ces dégâts, une réparation minimale est effectuée sur les zones érodées de la
turbine hydroélectrique. La réparation consiste au remplissage, par procédés de soudage, des
cavités par du matériau spécifique à ce type de réparation.
La réparation est planifiée et elle est conditionnelle à l’atteinte d’un seuil de dégradation connu
suite à une inspection ou par surveillance vibratoire.
Dans un horizon de temps T, le nombre de fois que le système atteint le seuil k est exprimé par
l’équation (3.11), un coût
est investi à chaque intervention de réparation minimale.
Le coût moyen à long terme de réparation par unité de temps d’usage est donné par :
(3.13)
Pour un Cmr de 200 K$, la courbe du coût de réparation est présentée à la figure 3-15.
43
Figure 3-15 : Coût de réparation par unité de temps
Pour les paramètres
calculés dans la section 3.2.1, la fonction des coûts de réparation
est monotone croissante.
3.4.3
Le coût total d’une stratégie de remplacement
La combinaison des équations (3.12) et (3.13) permet d’obtenir le coût total par unité de temps
pour une stratégie de remplacement basée sur la réparation minimale. L’équation du modèle est
donnée par :
(3.14)
Le temps optimal correspond à l’instant de procéder au remplacement de l’équipement suite à
une série de réparations minimales est montré à la figure 3-16.
44
Figure 3-16 : Le coût total pour une stratégie de remplacement (cas : k = 5 kg)
L’optimum de la fonction des coûts totaux par unité de temps est obtenu en résolvant l’équation :
(3.15)
3.4.4
Résultats
Le coût total par unité de temps en fonction du seuil de défaillance est présenté par la figure 3-17
pour Cp = 3000 K$ et Cmr = 200 K$.
Figure 3-17 : Stratégie optimale de remplacement en fonction du seuil de défaillance
45
Le temps optimal pour procéder au remplacement de l’équipement suite à une série de
réparations minimales en fonction du seuil de défaillance est analysé pour différents coûts de
remplacement et de réparation. Le tableau 3.1 présente l’analyse de sensibilité du modèle.
Tableau 3-1 : Analyse de sensibilité de la stratégie de maintenance
k (kg)
Cp (K$)
Cmr (K$)
Cp/Cmr
T* (h)
Coûts ($)
5
5
5
5
15
15
15
15
2000
2000
4000
4000
2000
2000
4000
4000
100
300
100
300
100
300
100
300
20
6,7
40
13,3
20
6,7
40
13,3
50674
21843
87874
36586
86776
37974
150793
62718
81361
127927
110722
197927
46253
71186
63383
111811
Les résultats obtenus montrent que, pour un seuil de défaillance petit, le temps optimal de
remplacement en heures d’opération cumulatif, est petit également, puisque le processus de
dégradation a une dérive positive.
Les figures 3-18 et 3-19 représentent les effets de la variation du seuil de défaillance, des coûts de
réparation et de remplacement sur la stratégie optimale proposée dans ce chapitre.
1,8E5
Cmr (K$)
Cmr (K$)
1,6E5
100,
300,
1,4E5
T* (h)
1,2E5
1E5
80000
60000
40000
20000
0
Cp (K$):
2000,
4000,
k = 5 Kg
Cp (K$):
2000,
4000,
k = 15 Kg
Figure 3-18 : Sensibilité de la stratégie de remplacement
46
2,5E5
Cmr (K$)
Cmr (K$)
100,
300,
2E5
Coûts ($)
1,5E5
1E5
50000
0
Cp (K$):
2000,
4000,
k = 5 Kg
Cp (K$):
2000,
4000,
k = 15 Kg
Figure 3-19 : Sensibilité des coûts minimaux de la stratégie
L’analyse de sensibilité montre que l’optimum relatif à la date de remplacement et aux coûts
totaux se déplace suite à la variation du seuil de défaillance, des coûts de remplacement et des
coûts de réparation.
Si le coût de remplacement augmente, le temps optimal de remplacement sera plus grand et le
coût total sera plus élevé.
Si le coût de réparation augmente, le temps optimal de remplacement sera moins grand et le coût
total sera plus élevé.
47
CHAPITRE 4 : CONCLUSION ET PERSPECTIVES
4.1
Conclusion
L’objectif de ce mémoire est d’optimiser une stratégie de maintenance basée sur la réparation
minimale pour des turbines hydroélectriques se dégradant de façon cumulative, à cause du
phénomène de l’érosion de cavitation qui est considéré comme un processus stochastique
croissant dans le temps et qui peut être assimilé à l’évolution aléatoire de la dégradation
progressive continue et d’un niveau limite. Ce qui est recherché est le temps optimal pour
procéder au remplacement de l’équipement à la suite d’une série de réparations minimales,
chaque fois que le niveau de détérioration dépasse un seuil de défaillance fixé. Ce qui permettra
de garantir des dépenses minimales ainsi qu’une utilisation optimale des ressources.
La modélisation de la dégradation cumulative est formulée, de façon stochastique, en fonction du
seuil de dégradation par la méthode des moindres carrés. Le modèle de fiabilité lié à cette
formulation présente le gros désavantage d’être associé à un taux de défaillance instantané, non
monotone, caractérisé par un taux nul à l’origine, puis croissant jusqu'à un maximum, et enfin
décroissant pour les grandes valeurs de t.
Une approximation numérique du modèle initial par un modèle de Weibull à trois paramètres est
alors avancée pour contrer les défauts du modèle initial. La nouvelle approximation est validée
par l’estimateur non paramétrique de Kaplan-Meier et par la méthode du maximum de
vraisemblance.
Basé sur l’approximation validée de la fiabilité, la stratégie de remplacement, reposant sur la
réparation minimale est mise en application ; le temps optimal associé au coût total minimal par
unité de temps est formulé et identifié.
L’analyse de sensibilité a démontré que la stratégie de maintenance proposée reste sensible et
plausible, en cas de variation du seuil de défaillance, des coûts de remplacement ou des coûts de
réparation.
La stratégie de maintenance présentée peut avoir des répercussions directes sur l’exploitation des
turbines hydroélectriques subissant des dommages par le biais du phénomène de cavitation. La
démarche proposée permettra aux gestionnaires de la maintenance de faire un choix quant aux
48
moments opportuns d’intervenir sur le système, afin d’effectuer une réparation minimale ou un
remplacement à neuf de l’équipement. Ce qui permet une exploitation optimale du système et une
utilisation optimale des ressources.
4.2
Perspectives
La spécification des contraintes contextuelles de l’exploitation des installations est indispensable
pour une meilleure stratégie de maintenance. Ces contraintes peuvent dépendre :
d’une forte demande d’énergie électrique dans la saison hivernale ;
de la rentabilisation économique des installations ;
de l’engagement social à satisfaire la demande la population ;
du contexte social et politique de la demande ;
des ressources disponibles pour assurer une bonne qualité de service ;
des investissements futurs et en cours pour améliorer le niveau de service et la rentabilité
du projet ;
de l’organisation et de la gestion des ressources au sein de l’organisation ;
etc.
Dans le contexte actuel, nous proposons d’élargir la présente recherche pour ajouter d’autres
critères de prise de décision.
Nous suggérons de combiner la présente stratégie avec le critère de la disponibilité de
l’équipement, qui peut être considéré comme un indicateur du niveau de performance.
L’objectif, retenu pour les recherches futures, est de structurer une politique de maintenance qui
permettra d’atteindre un niveau de disponibilité souhaité, tout en garantissant les dépenses
minimales à long terme.
Les contraintes techniques d’exploitation s’avèrent être une des contraintes indispensables pour
une meilleure stratégie de maintenance. L’apparition de l’érosion de cavitation peut engendrer un
bruit hydroacoustique accompagné de vibrations mécaniques au niveau des structures.
Nous proposons, donc, de combiner la stratégie de remplacement minimale, présentée dans ce
mémoire, avec une stratégie d’inspection basée sur les modèles prévisionnelles reposant sur la
surveillance vibratoire au niveau de la structure des turbines hydroélectriques.
49
RÉFÉRENCES
P. Bourdon. (2000). Détection vibratoire de l’érosion de cavitation des turbines Francis. Thèse de
Doctorat, École polytechnique fédérale de Lausanne.
P. Bourdon, M. Farhat, Y. Mossoba, et P. Lavigne. (1999). Hydro Turbine Profitability and
Cavitation Erosion, Conference Waterpower ’99 held in Las Vegas, NV, July 6-9 (Section: 17,
Chap: 1).
B. Castanier. (2002). Modélisation stochastique et optimisation de la maintenance conditionnelle
des systèmes à dégradation graduelle. Thèse Ph.D, Université de Technologie de Troyes.
E. Deloux. (2008). Politiques de maintenance conditionnelle pour un système à dégradation
continue soumis a un environnement stressant. Thèse de Doctorat, Université de Nantes.
SD. Durham et WJ. Padgett. (1997). A cumulative damage model for system failure with
application to carbon fibers and composites. Technometrics, V. 13: 34-44.
M. Farhat, P. Bourdon, J-L. Gagné et L. Remillard. (1999). Improving hydro turbine profitability
by monitoring cavitation aggressiveness. CEA Electricity '99 Conference and Exposition,
Vancouver, March.
R.M Feldman. (1976). Optimal Replacement with Semi-Markov Shocks Models. Journal of
Applied Probability, V. 13: 108-117.
D. Kececioglu. (1995). Maintainability, Availability, & Operational Readiness Engineering,
Volume 1. Prentice Hall PTR.
E. E. Lewis. (1994). Introduction to Reliability Engineering. Wiley, Second Edition.
Y. Maged. (2003). Modeling of Vibratory Cavitation Erosion Test Results by a Weibull
Distribution. Journal of Testing and Evaluation, V. 31: 277-288.
C. Meier-Hirmer, G. Riboulet, F. Sourget et M. Roussignol. (2009). Maintenance optimization
for a system with a gamma deterioration process and intervention delay: application to track
maintenance. J. Risk and Reliability, V. 23, Part O: 189-198.
Y. Mossoba. (2000). Surveillance et détection de la cavitation par la méthode vibratoire.
Colloque Maintenance 2000.
50
E. J. Muth. (1977). An optimal decision rule for repair vs. replacement. IEEE transactions on
reliability, V. R-26, N.3: 179-181.
NF-EN-13306-X-60-319. (2001). Terminologie de la maintenance. Norme AFNOR
J. Neter, M. Kutner, C. Nachtsheim et W. Li. (2005). Applied Linear Statistical Models.
McGraw-Hill, 5th Edition.
J.M. van Noortwij. (2009). A survey of the application of gamma processes in maintenance.
Reliability Engineering and System Safety. V. 94: 2-21.
K.S Park. (1988). Optimal Continuous-Wear Limit Replacement under Periodic Inspections.
IEEE Transactions on Reliability, V. 37(1): 97-102.
F. Pereira. (1997). Prédiction de l'érosion de cavitation: Approche énergétique, Thèse de
Doctorat, École polytechnique fédérale de Lausanne.
H. Pham (Ed.) (2003). Handbook of reliability engineering (Chap.24). Springer. 1st Edition.
M. Rausand et A. Hoyland. (2004) System Reliability Theory-Models, Statistical Methods, and
Applications. Wiley, second edition.
T. Satow, K. Teramoto et T. Nakagawa. (2000). Optimal replacement Policy for a cumulative
Damage Model with Time Deterioration. Mathematical and Computer Modelling. V.31: 313-319.
R. Simoneau, M-C. Petrin et Y. Mossoba. (1995). Modelling and predicting cavitation erosion.
The international journal on hydropower & dams, V. 2, N. 2: 41-44.
I.W.Soro, M. Nourelfath et D. Ait-Kadi. (2010) Performance evaluation of multi-state degraded
systems with minimal Repairs and imperfect preventive maintenance. Reliability Engineering and
System Safety. V. 95: 65–69.
C. Valdez-Flores et R.M. Feldman. (1989). A Survey of Preventive Maintenance Models for
Stochastically Deteriorating Single-Unit Systems. Naval Research Logistics, V. 36: 419-446.
H. Wang. (2002). A Survey of Maintenance Policies of Deteriorating Systems. European Journal
of Operational Research, V. 139: 469-489.
J. Xue et K. Yang. (1997). Upper & Lower Bounds of Stress-Strength Interference Reliability
with Random Strength-Degradation. IEEE Transaction of Reliability. V.46: 1. 142-145.
51
R. H. Yeh, M-Y. Chen et C-Y. Lin. (2007). Optimal periodic replacement policy for repairable
products under free-repair warranty. European Journal of Operational Research V. 176: 1678–
1686.
52
ANNEXES
ANNEXE 1 – Tests de normalité sur les données observées
Normal Probability Plot of t=6100h
2,0
1,5
1,5
1,0
1,0
Expected Normal Value
Expected Normal Value
Normal Probability Plot of t=4000h
2,0
0,5
0,0
-0,5
0,5
0,0
-0,5
-1,0
-1,0
-1,5
-1,5
-2,0
0,40
0,45
0,50
0,55
0,60
0,65
0,70
0,75
0,80
0,85
-2,0
0,5
0,90
Observed Value
t1: SW-W = 0,9804; p = 0,9813
0,6
0,7
1,5
1,5
1,0
1,0
0,5
0,0
-0,5
-1,5
1,4
1,6
1,8
2,0
2,2
-2,0
0,6
2,4
Observed Value
t3: SW-W = 0,9591; p = 0,7397
0,8
1,0
1,2
Normal Probability Plot of t=13500h
1,3
1,4
1,5
1,6
1,8
2,0
2,2
2,4
2,6
2,8
3,0
3,2
3,4
3,6
Observed Value
Normal Probability Plot of t=16100h
2,0
1,5
1,5
1,0
1,0
Expected Normal Value
Expected Normal Value
1,4
t4: SW-W = 0,9618; p = 0,7813
2,0
0,5
0,0
-0,5
0,5
0,0
-0,5
-1,0
-1,0
-1,5
-1,5
-2,0
1,5
1,2
-0,5
-1,5
1,2
1,1
0,0
-1,0
1,0
1,0
Observed Value
0,5
-1,0
0,8
0,9
Normal Probability Plot of t=11000h
2,0
Expected Normal Value
Expected Normal Value
Normal Probability Plot of t=8500h
2,0
-2,0
0,6
0,8
t2: SW-W = 0,9598; p = 0,7506
-2,0
2,0
2,5
t5: SW-W = 0,9896; p = 0,9996
3,0
3,5
Observed Value
4,0
4,5
5,0
5,5
1
2
t6: SW-W = 0,9946; p = ---
3
4
5
Observed Value
6
7
8
53
Normal Probability Plot of t=21100h
2,0
1,5
1,5
1,0
1,0
Expected Normal Value
Expected Normal Value
Normal Probability Plot of t=18500h
2,0
0,5
0,0
-0,5
0,5
0,0
-0,5
-1,0
-1,0
-1,5
-1,5
-2,0
-2,0
2
3
4
5
6
7
8
9
10
Observed Value
t7: SW-W = 0,9871; p = 0,9982
4
5
6
8
9
10
11
12
13
Observed Value
Normal Probability Plot of t=26100h
2,0
2,0
1,5
1,5
1,0
1,0
Expected Normal Value
Expected Normal Value
Normal Probability Plot of t=23500
0,5
0,0
-0,5
0,5
0,0
-0,5
-1,0
-1,0
-1,5
-1,5
-2,0
-2,0
5
6
7
8
9
10
11
12
13
14
15
Observed Value
t9: SW-W = 0,9755; p = 0,9499
6
8
10
12
14
16
18
20
Observed Value
t10: SW-W = 0,9839; p = 0,9931
Normal Probability Plot of t11
Normal Probability Plot of t12
2,0
2,0
1,5
1,5
1,0
1,0
Expected Normal Value
Expected Normal Value
7
t8: SW-W = 0,9776; p = 0,9660
0,5
0,0
-0,5
0,5
0,0
-0,5
-1,0
-1,0
-1,5
-1,5
-2,0
-2,0
6
8
10
t11: SW-W = 0,9704; p = 0,8991
12
14
Observed Value
16
18
20
22
6
8
10
t12: SW-W = 0,9596; p = 0,7477
12
14
16
Observed Value
18
20
22
24
54
ANNEXE 2 – Transformation des variables à expliquer
Temps
d'opération
(x 1000 h)
4
6,1
8,5
11
13,5
16,1
18,5
21,1
23,5
26,1
28
30,1
0,640
1,005
1,497
2,218
3,566
4,678
6,151
8,033
9,968
12,105
13,430
14,870
0,126
0,254
0,478
0,810
1,034
1,539
1,891
2,284
2,657
3,330
3,870
4,510
0,016
0,065
0,228
0,656
1,068
2,368
3,576
5,215
7,060
11,088
14,950
20,310
0,8000
1,0027
1,2235
1,4893
1,8884
2,1629
2,4801
2,8343
3,1572
3,4792
3,6647
3,8562
0,3551
0,5040
0,6914
0,9000
1,0169
1,2406
1,3751
1,5113
1,6300
1,8248
1,9672
2,1237
55
ANNEXE 3 – Estimation non-paramétrique de Kaplan-Meier
Nombre
Temps de
d’unités
défaillance
à risque
13,2
13
13,9
12
14,1
11
15,3
10
15,4
9
16,2
8
16,7
7
17,4
6
17,9
5
18,9
4
19,9
3
20
2
22,3
1
95,0% Normal CI
Fiabilité de
Erreur
Kaplan-Meier Standard Inférieur Supérieur
0,923
0,846
0,769
0,692
0,615
0,538
0,462
0,385
0,308
0,231
0,154
0,077
0,000
0,074
0,100
0,117
0,128
0,135
0,138
0,138
0,135
0,128
0,117
0,100
0,074
0,000
0,778
0,650
0,540
0,441
0,351
0,267
0,191
0,120
0,057
0,002
0,000
0,000
0,000
1,000
1,000
0,998
0,943
0,880
0,809
0,733
0,649
0,559
0,460
0,350
0,222
0,000