Suite du chapitre : Analyse des défaillances et aide au diagnostic

Objectifs du Module :

• Comprendre les principes fondamentaux de l'analyse des défaillances.

• Explorer l'importance de l'analyse des défaillances dans la maintenance et la résolution de
problèmes.
I. Analyse quantitative des défaillances

Dans un monde où la fiabilité des systèmes est essentielle, l'analyse quantitative des
défaillances devient une compétence fondamentale. Cette approche permet d'aller au-delà des
simples diagnostics et offre une compréhension approfondie des probabilités associées à
différentes défaillances. Cela aide les entreprises à prendre des décisions éclairées en matière de
maintenance, de planification des ressources, et de gestion des risques.

1. Méthode ABC
Rappel :
La méthode ABC repose sur le principe de Pareto, également connu sous le nom de règle 80/20,
suggérant que, dans de nombreuses situations, environ 80% des effets proviennent de 20% des
causes.
• Avantages de la Méthode ABC :
Permet de concentrer les ressources sur les articles les plus critiques.
Facilite une gestion plus efficace des stocks en optimisant les niveaux de réapprovisionnement.
Aide à identifier les domaines où des améliorations peuvent être apportées pour maximiser
l'efficacité opérationnelle.
• Limitations de la Méthode ABC :
Le modèle suppose une distribution inégale de la valeur des stocks, ce qui peut ne pas être
applicable dans tous les contextes.
Les classifications peuvent nécessiter des ajustements réguliers en fonction des changements dans
la demande ou la valeur des articles.

[Link] – 3MI- ISET Ma 2023 Page | 1

2. Les relations de corrélation

La corrélation entre les variables et le comportement du matériel sont deux concepts

importants, surtout dans le contexte de l'analyse des données, de la recherche scientifique, et de
l'ingénierie

• La corrélation mesure la relation statistique entre deux variables. Elle indique dans quelle
mesure les variations d'une variable sont associées aux variations d'une autre.
• La corrélation peut être positive (les variables augmentent ensemble), négative (une variable
augmente tandis que l'autre diminue), ou nulle (pas de relation apparente).
• La corrélation ne signifie pas nécessairement causalité, c'est-à-dire que même si deux variables
sont corrélées, cela ne signifie pas qu'une variable cause l'autre.

Figure 1 : Représentation graphique des relations entre deux variables

La question qui se pose, lorsqu’on a une liaison (relation) entre des variables X et Y, est de
savoir si X a une influence sur Y (ou inversement) et si on peut présenter par la suite, par une droite
les variables de Y en fonction de X ou inversement. Dans ce cas-là, on peut aussi savoir quels
risques d’erreur selon la représentation donnée. Les nuages de points non situés sur la droite de
corrélation sont le résultat du « hasard », qui peuvent être interprétées comme des imprécisions de
mesures ou de nombreux facteurs ayant une petite influence sur le phénomène étudié. La droite
représentant la corrélation s’appelle « droite de régression linéaire ».

Il y a plusieurs types de diagrammes de corrélation dont on peut citer :

• La méthode graphique
• La méthode dite du Test de Corrélation de SPEARMAN.

[Link] – 3MI- ISET Ma 2023 Page | 2

Dans ce cours, on va étudier, en détails, la méthodologie du test de SPEARMAN.

Cette méthodologie consiste, tout d’abord, à donner un rang aux différentes variables présentes
dans l’étude. Puis, on trace un tableau dans lequel on classe ces valeurs par ordre décroissant appelé
« ordre de rang ». Soient pour X et Y, les ordres des rangs respectifs, Rx et Ry. Ensuite, on
complète le tableau en calculant, pour chaque couple, la différence d de leur rang en valeur absolue
et le carré de cette différence d².

Tableau 1 : Exemple simplifié

Y Ordre de rang Ry X Ordre de rang Rx d=|Ry-Rx| d²

15.5 3 18 2 1 1
10.2 2 14.6 4 2 4
9.6 1 12.7 1 0 0
∑ d² =5

A l’aide du Tableau 2, appelé tableau de test des signes ou table de SPEARMAN, on lit :

• Le nombre n des couples étudiés.

• En face de n, on lit les limites inférieures (Limite inf.) et supérieures (Limite Sup.) à des
erreurs bien définies.
o Si l’erreur est égale à 1% cela veut dire qu’on peut dire que notre modèle de corrélation
est fiable à 99%
o Si l’erreur est égale à 5% cela veut dire qu’on peut dire que notre modèle de corrélation
est fiable à 95%

Et on compare la valeur de ∑ d² avec les limites supérieures et inférieures du Tableau 2.

• Si ∑ d² est supérieure à la limite supérieure, la différence est supérieure à celle qui pourrait
être due au hasard, les deux variables varient en sens inverse, il y a une « corrélation négative ».
• Si ∑ d² est inférieure à la limite inférieure, la différence est inférieure à celle qui pourrait être
due au hasard, les deux variables varient dans le même sens, il y a une « corrélation positive ».

[Link] – 3MI- ISET Ma 2023 Page | 3

 Tableau 2 : Exemple Tableau de test de signes / Table de SPEARMAN
Limite inf. Limite Sup. Limite inf. Limite Sup.
n n
1% 5% 5% 1% 1% 5% 5% 1%
10 0 1 9 10 13 1 2 12 13
11 0 1 10 11 14 1 2 12 13
12 0 1 11 12 15 1 2 13 14

Etude d’un cas :

Soient les variables X et Y présentés dans le tableau qui suit, où X désigne la première variable et
Y désigne la deuxième variable à étudier.

Tableau 3 : Tableau arrangé de l’étude de cas

X 26.1 33.3 37.4 38.5 40.2 31.1 32.0 28.3 29.4 30.1
Y 7.8 12.2 14.3 15.2 13.9 10.4 10.1 9.2 8.5 9.0
On trace le Tableau 4 suivant et on le remplie par les valeurs convenables arrangées et
calculées.

Tableau 4 : Tableau arrangé de l’étude de cas

Y Ordre de rang Ry X Ordre de rang Rx d=|Ry-Rx| d²

15.2 1 38.5 2 1 1
14.3 2 37.4 3 1 1
13.9 3 40.2 1 2 4
12.2 4 33.3 4 0 0
10.4 5 31.1 6 1 1
10.1 6 32.0 5 1 1
9.2 7 28.3 9 2 4
9.0 8 30.1 7 1 1
8.5 9 29.4 8 1 1
7.8 10 26.1 10 0 0
∑ d² =14

[Link] – 3MI- ISET Ma 2023 Page | 4

 Tableau 5 : de test de signes / Table de SPEARMAN
Limite inf. Limite Sup. Limite inf. Limite Sup.
n n
1% 5% 5% 1% 1% 5% 5% 1%
4 20.0 0 14 748.5 662.5 247.5 161.5
5 40.0 38.0 2.0 0 16 1088.7 969.0 391.0 271.3
6 68.0 64.0 6.0 2.0 18 1515.5 1355.6 582.4 422.5
7 106.0 96.0 16.0 6.0 20 2040.2 1831.4 828.6 619.8
8 154.0 138.0 30.0 14.0 22 2670.7 2406.8 1135.2 871.3
9 214.0 192.0 48.0 26.0 24 3415.5 3088.9 1511.1 1184.5
10 288.1 258.1 72.0 41.6 26 4285.1 3887.3 1962.7 1564.9
12 489.6 430.7 141.3 82.4 28 5291.0 4812.3 2495.7 2017.0

Ici, pour n= 10, avec 1% risque d’erreur que X ne soit pas un paramètre influençant de Y.

• Limite Sup. = 41.6 > ∑ d² =14

• Limite inf. = 288.1 > ∑ d² =14

Donc, ici on a 99% de certitude d’une corrélation positive.

Coefficient de corrélation de SPEARMAN

Le coefficient de Spearman, souvent désigné par la lettre grecque rho (ρ), est une mesure de
corrélation non paramétrique entre deux variables. Contrairement au coefficient de corrélation de
Pearson, le coefficient de Spearman ne suppose pas que les données suivent une distribution
normale. Il évalue la force et la direction de la relation monotone (croissante ou décroissante) entre
deux variables.

Le calcul du coefficient de Spearman implique de classer les données de chaque variable, puis
de calculer la différence entre les rangs de chaque paire de données. Le coefficient est ensuite
calculé à partir de ces différences de rangs.

Le coefficient de Spearman peut prendre des valeurs entre -1 et 1, où :

• Si ρ =1 : on a une corrélation parfaite positive (les rangs des deux variables augmentent
ensemble de manière monotone).

[Link] – 3MI- ISET Ma 2023 Page | 5

 • Si ρ = -1 : on a une corrélation parfaite négative (les rangs d’une variable augmentent tandis
que les rangs de l’autre diminuent de manière monotone).
• Si ρ = 0 : on n’a pas de corrélation monotone.

La formule générale pour le coefficient de Spearman est la suivante :

𝟔 ∑𝒅𝒊²
𝛒=𝟏− (A retenir !!!)
𝒏(𝒏𝟐 −𝟏)

Où : ρ est le coefficient de Spearman, 𝑑𝑖 : est la différence entre les rangs des paires de données
appariées, et n est la taille de l’échantillon (nombre de couples étudiés).

Le coefficient de Spearman est souvent utilisé lorsque les données ne suivent pas une
distribution normale ou lorsque la relation entre les variables est monotone mais pas
nécessairement linéaire. Il est moins sensible aux valeurs aberrantes que le coefficient de
corrélation de Pearson.

3. Abaque de Noiret
C’est une méthode graphique qui permet, à l’aide d’un abaque appelée abaque de Noiret, de
déterminer en première approximation, la forme de maintenance (préventive ou corrective) à
appliquer sur un équipement.
Cet outil peut être utilisé dans les cas (souvent fréquents) où on ne dispose pas d’historiques à jour.
Principe de l’Abaque de Noiret
L’abaque de Noiret est basé sur les critères suivants :
a) l’âge de l’équipement
b) son interdépendance : dans quelle mesure est-il vital pour la production
c) son coût
d) sa complexité et son accessibilité
e) sa robustesse et sa précision
f) son origine : France ou Etranger
g) son utilisation dans le temps
h) les conséquences de ses défaillances sur les produits
i) les délais de production qui lui sont liés

[Link] – 3MI- ISET Ma 2023 Page | 6

Chaque critère se décline en plusieurs options qui chacune correspond à un certain nombre de
points. Les points ainsi obtenus sont additionnés.
Remarque : un seul choix n’est passible par critère ; il faut donc prendre celui qui est le plus
représentatif de l’équipement.
(Voir le document joint pour l’explication + exemple)

II. Analyse qualitative des défaillances

L’analyse qualitative des défaillances est une approche qui vise à comprendre en profondeur
les causes des défaillances dans un système, un processus ou un produit. Cette méthode implique
généralement l’examen détaillé des aspects qualitatifs des défaillances plutôt que des mesures
quantitatives.
La norme NF EN 13306 indique que le diagnostic d’une panne est « l’ensemble des actions
menées pour la détection de la panne, sa localisation et l’identification de la cause ». On va, du
coup, jusqu’à l’expertise de la défaillance.
On peut faire le diagnostic pour déterminer la ou le(s) causes d’un trouble fonctionnel à partir
des symptômes ou/et des observations :
• Symptôme : Phénomène qui révèle une défaillance.
• Diagnostic : recherche de l’origine (cause) des défaillances d’un système.

Un diagnostic est une action réfléchie. On peut le simplifier par le process suivant :

Défaillance

3.J’agis 1. Je vois

2. Je réfléchie

Figure 2 : Démarche de Diagnostic

[Link] – 3MI- ISET Ma 2023 Page | 7

 Ce diagnostic peut être réalisé lors de la perception d’un évènement anormal (arrêt de
production, accident, défaut sur le produit fini, …). Du coup, on peut conclure que le service de
maintenance n’est pas le seul concerné par cette démarche et que tout autre service peut intervenir.
Pour conduire ce diagnostic, on a besoin d’informations qui sont recueillies auprès des
utilisateurs (détection, manifestation et symptômes) et dans les documents constructeurs et/ ou
dans les documents du service maintenance. Bien évidemment, l’expérience du terrain et le savoir
faire sont des facteurs primordiaux.
La manifestation, ou l’effet, de la défaillance se traduit par son amplitude partielle ou complète,
sa vitesse (progressive ou soudaine), son caractère (permanente, fugitive ou intermittente).
Les symptômes :
Ils peuvent être observés, sans démontage, par les utilisateurs de l’équipement ou par le
maintenancier : VTOAG, mesures, défauts de qualité. Le VTOAG est l’utilisation naturelle des
cinq sens de l’individu :
• La vue (V) : pour détecter de fissures, fuites, déconnections, dégradations mécaniques.
• Le toucher (T) : pour sentir de chaleur, de vibration et pour estimer un état de surface.
• L’odorat (O) : pour détecter la présence des produits particuliers (odeur de brûlé ,
embrayage chaud…)
• L’auditif (A) : pour détecter des bruits caractéristiques (frottements, sifflements)
• Le goût (G) : pour identifier un produit (fuite)
L’organigramme de diagnostic :
C’est un outil graphique décrivant la marche à suivre pour atteindre la cause d’une défaillance
à partir de l’effet constaté. La recherche s’effectue à partir d’une suite d’actions, et de tests à
réaliser. C’est donc le « mode opératoire » du diagnostic. La syntaxe utilisée pour tracer cet
organigramme est présentée par la Figure 3.

Test batterie Début de l’organigramme

Action

non
Choix

oui

Fin

Figure 3 : Syntaxe de l’organigramme de diagnostic

[Link] – 3MI- ISET Ma 2023 Page | 8

Les hypothèses de test sont toujours hiérarchisées de manière à aller de plus probable au moins
probable.
Exemple corrigé : Un aspirateur tourne mais n’aspire plus. Il est clair qu’il y a des choses à faire
avant de mettre en cause le système d’aspiration.

Test batterie

oui
Hypothèse 1 Suceur obstrué ?

Déboucher suceur
non
Mauvais
Essais
oui
Hypothèse 2 Sac plein ? Changer le sac

non Mauvais

Essais

oui
Hypothèse 3 Flexible obstrué Déboucher flexible

non
Mauvais
Appeler le Essais
technicien agréé

Fin
Figure 4 : Organigramme panne d’un aspirateur

III. Système Expert et Intelligence Artificielle

Intelligence Artificielle (IA)

Définition : L'IA se réfère à la capacité d'une machine à imiter des processus intelligents humains,
tels que l'apprentissage, la résolution de problèmes, la compréhension du langage naturel, la
reconnaissance de motifs, etc.

[Link] – 3MI- ISET Ma 2023 Page | 9

 Applications : L'IA englobe diverses applications, notamment les systèmes experts,
l'apprentissage automatique, les réseaux neuronaux, le traitement du langage naturel, la vision par
ordinateur, etc.
Objectif : L'objectif général de l'IA est de créer des machines capables d'accomplir des tâches
intelligentes sans être explicitement programmées pour chaque tâche spécifique.

Système Expert
Définition : Un système expert est une application d'IA qui utilise des connaissances spécialisées
dans un domaine particulier pour résoudre des problèmes ou prendre des décisions.
Caractéristiques : Les systèmes experts sont basés sur des bases de connaissances structurées,
des règles logiques, et utilisent un moteur d'inférence pour raisonner sur les informations fournies.
Domaines d'application : Les systèmes experts sont utilisés dans des domaines spécifiques tels
que la médecine, la finance, la maintenance industrielle, où une expertise humaine est nécessaire
pour résoudre des problèmes complexes.
➔En résumé, un système expert est une application spécifique de l'intelligence artificielle qui
utilise des règles et des connaissances spécialisées pour imiter le raisonnement humain dans un
domaine particulier. L'IA, en tant que domaine plus large, englobe une variété de techniques et
d'approches visant à créer des machines intelligentes capables de s'adapter et de résoudre des
problèmes dans divers contextes. Les systèmes experts sont donc une sous-catégorie des
nombreuses applications possibles de l'intelligence artificielle.
Organigramme d’un système Expert
Un système expert dans la maintenance industrielle est conçu pour diagnostiquer et résoudre
des problèmes liés à l'équipement et aux processus industriels. Voici une organisation générale
d'un système expert dans la maintenance industrielle.
1. Acquisition des connaissances :
- Expertise humaine : Les connaissances des experts humains sont recueillies et codifiées. Les
experts sont souvent des ingénieurs de maintenance ou des techniciens expérimentés.
- Documentation : Les manuels, les documents techniques et les procédures de maintenance sont
examinés pour extraire des connaissances exploitables.

[Link] – 3MI- ISET Ma 2023 Page | 10

 2. Base de connaissances :
- Base de faits : Une base de faits stocke les informations sur l'état actuel de l'équipement, les
problèmes passés, les solutions appliquées, etc.
- Base de règles : Les connaissances sont représentées sous forme de règles conditionnelles du type
"SI [condition], ALORS [action]". Ces règles sont utilisées pour établir des diagnostics et
recommander des actions.
3. Moteur d'inférence :
- Raisonnement : Le moteur d'inférence analyse les informations disponibles dans la base de faits
en appliquant les règles de la base de règles. Il tire des conclusions logiques pour diagnostiquer les
problèmes et recommander des solutions.
- Priorisation : Certains systèmes experts utilisent des mécanismes pour attribuer des poids aux
règles, ce qui permet de prioriser certaines recommandations en fonction de l'importance ou de
l'urgence.
4. Interface utilisateur :
- Interface graphique ou textuelle : Permet aux utilisateurs (techniciens de maintenance,
opérateurs, etc.) d'interagir avec le système expert.
- Saisie d'informations : Les utilisateurs peuvent fournir des données supplémentaires, des
observations ou des détails spécifiques sur les problèmes rencontrés.
5. Rétroaction et apprentissage :
- Suivi des performances : Le système expert peut suivre la manière dont ses recommandations ont
été mises en œuvre et les résultats obtenus.
- Apprentissage continu : En fonction des retours d'expérience, le système peut être mis à jour pour
améliorer ses performances et sa capacité à résoudre de nouveaux problèmes.
6. Intégration avec le système de contrôle :
- Communication avec les capteurs : Dans le cas des équipements automatisés, le système expert
peut être intégré aux capteurs pour recueillir des données en temps réel.
- Commandes automatiques : En fonction des diagnostics, le système peut également émettre des
commandes automatiques pour ajuster les paramètres de l'équipement.
7. Maintenance et mise à jour :
- Veille technologique : Suivi des évolutions technologiques et mises à jour régulières de la base de
connaissances.

[Link] – 3MI- ISET Ma 2023 Page | 11

- Maintenance du système : Assurer la stabilité et la performance du système expert.
➔En suivant cette organisation générale, un système expert dans la maintenance industrielle peut
contribuer à optimiser les opérations de maintenance, réduire les temps d'arrêt et améliorer la
fiabilité des équipements industriels.

Figure 5 : Système Expert et intelligence artificielle

IV. Diagramme d’Ishikawa

Le diagramme d'Ishikawa, également connu sous le nom de diagramme en arête de poisson
ou diagramme de causes et effets, est une méthode graphique utilisée pour identifier, explorer et
visualiser les causes potentielles d'un problème particulier. Ce diagramme est largement utilisé
dans le domaine de la gestion de la qualité et de l'amélioration des processus.

Étapes pour créer un diagramme d'Ishikawa

1. Définir le problème :
Identifiez clairement le problème ou l'effet que vous souhaitez analyser.
2. Écrire l'effet au bout de la flèche :
Dessinez une flèche orientée horizontalement vers la droite, et écrivez l'effet ou le problème à
analyser à l'extrémité droite de la flèche.

[Link] – 3MI- ISET Ma 2023 Page | 12

3. Identifier les catégories de causes :
Dessinez des lignes diagonales (comme les arêtes d'un poisson) qui partent de la flèche principale.
Ces lignes représentent les catégories générales de causes possibles. Les catégories courantes
incluent les méthodes, les matériaux, la main-d'œuvre, l'environnement, la gestion, etc.
4. Énumérer les causes potentielles :
Pour chaque catégorie, énumérez les causes potentielles spécifiques qui pourraient contribuer au
problème. Dessinez des sous-branches pour chaque catégorie.
5. Explorer les causes profondes :
Continuez à décomposer les causes jusqu'à ce que vous atteigniez un niveau de détail suffisant.
Essayez d'explorer les causes profondes plutôt que de rester à un niveau superficiel.
6. Identifier les causes principales :
Identifiez les causes principales qui sont les plus susceptibles de contribuer au problème. Ces
causes principales sont souvent appelées les "5M" : Main-d'œuvre, Matériel, Méthodes, Milieu et
Machine.
7. Analyser et résoudre :
Une fois que les causes ont été identifiées, l'équipe peut analyser chaque cause et proposer des
solutions pour atténuer ou éliminer le problème.

Figure 6 : Exemple d’un diagramme Ishikawa pour une défaillance de consommation d’essence

[Link] – 3MI- ISET Ma 2023 Page | 13