0.

1 FONCTION DE DENSITÉ DE PROBABILITÉ

Dans les études de maintenance, nous avons tendance à utiliser des fonctions de densité de probabilité (fdp)
plutôt que des histogrammes de fréquence relative. En effet,

1. la variable à modéliser, telle que le délai avant défaillance, est une variable continue,

2. ces fonctions sont plus faciles à manipuler et

3. elle devrait permettre de mieux comprendre la véritable distribution des défaillances.

Les fdp sont similaires aux histogrammes de fréquence relative, sauf qu’une courbe continue est utilisée à la
place des barres. L’équation de la courbe de la pdf est notée f (t). Par exemple, si nous avons f (t) =
0, 5 exp(−0, 5t), nous obtenons une courbe qui est une fdp d’une distribution exponentielle. Semblable à
l’aire sous un histogramme de fréquence relative, l’aire sous la courbe de densité de probabilité est également
équivalente à 1. La probabilité (risque) qu’une défaillance se produise entre les instants ti et tj est l’intégrale
entre ti et tj de f (t), à savoir,
Z tj
f (t)dt
ti

la probabilité qu’une défaillance se produise entre les instants t0 et ∞ est alors

Z ∞
f (t)dt = 1
t0

Inutile de dire que les caractéristiques de défaillance des différents équipements sont susceptibles d’être différentes
les unes des autres. Même les caractéristiques de défaillance d’équipements identiques peuvent ne pas être les
mêmes s’ils fonctionnent dans des environnements différents. Il existe un certain nombre de fdp bien connues
qui ont été trouvés dans la pratique pour décrire les caractéristiques de défaillance de l’équipement.

0.1.1 Hyperexponentielle
Lorsqu’un équipement a un temps de défaillance qui peut être très court ou très long, sa distribution de
défaillance peut souvent être représentée par la distribution hyperexponentielle. Certains ordinateurs se sont
avérés défaillants selon cette distribution. Dans la distribution hyperexponentielle, les courts délais de défaillance
se produisent plus souvent que dans la distribution exponentielle négative, et de même, les longs délais de
défaillance se produisent plus fréquemment que dans le cas exponentiel. La fonction de densité de la distribution
hyperexponentielle est
f (t) = 2k 2 λ exp[−2kλt] + 2(1 − k)2 λ exp[−2(1 − k)λt]
pour t ≥ 0 avec 0 < k ≤ 0, 5, où λ est le taux d’arrivée des pannes et k est un paramètre de la distribution.

0.1.2 Exponentielle
La distribution exponentielle est une distribution qui apparaît en pratique dans laquelle une défaillance de
l’équipement peut être provoquée par une défaillance dans un certain nombre de composants dont l’équipement
est composé. Il est également caractéristique des équipements sujets à des défaillances dues à des causes
aléatoires, telles qu’une charge excessive soudaine. La distribution s’avère typique pour de nombreux composants
électroniques et installations industrielles complexes. La fonction de densité de la distribution exponentielle est

f (t) = λ exp[−λt]

pour t ≥ 0 où λ est le taux d’arrivée des pannes, et λ1 est la moyenne de la distribution. Une fonction de
probabilité étroitement liée à la distribution exponentielle est la distribution de Poisson. Si le temps entre les
pannes d’un élément suit une distribution exponentielle, l’arrivée des pannes est décrite comme un processus de
Poisson. La probabilité d’observer n défaillances pendant l’intervalle de temps [0, t], Pn (t), peut être déterminée
par la distribution de Poisson, qui a la forme suivante :

(λt)n exp(−λt)
Pn (t) =
n!
pour 0 et n est un entier non négatif où λ est le taux moyen d’arrivée des pannes.

0.1.3 Normale
La distribution normale (ou gaussienne) s’applique, par exemple, lorsqu’un résultat aléatoire (comme le temps
jusqu’à la défaillance) est l’effet additif d’un grand nombre de petites variations aléatoires indépendantes.
Lorsque cela est vrai pour le temps jusqu’à la défaillance, la distribution des défaillances est une fonction normale
en forme de cloche. En pratique, la durée de vie des ampoules électriques et le temps jusqu’à la première panne
des moteurs d’autobus se sont révélés suivre une distribution normale. La fonction de densité de la distribution
normale est
1 1 t−µ 2
f (t) = √ exp[− ( )]
σ 2π 2 σ
pour −∞ < t < ∞ où µ est la moyenne et σ l’écart type de la distribution. Notez que pour la distribution
normale,
Z ∞
f (t)dt < 1
0
mais Z ∞
f (t)dt = 1
−∞

En pratique, cependant, si la moyenne de la distribution normale, µ, est considérablement éloignée de l’origine

t = 0 et que la variance, σ 2 , n’est pas trop grande, alors il est acceptable d’utiliser la distribution normale
comme approximation de la valeur réelle situation. Une règle approximative et prête serait que la moyenne µ
soit supérieure à 3, 5σ car, dans ce cas, il y aurait moins de 1 chance sur 4000 que la distribution donne un
temps de défaillance négatif.

0.1.4 Weibull
La distribution de Weibull correspond à un grand nombre de caractéristiques de défaillance des équipements.
L’un des articles originaux sur l’application de la distribution de Weibull aux temps de défaillance des équipements
concernait les tubes électroniques. La fonction de densité de la distribution de Weibull à deux paramètres est
β t β−1 t
f (t) = ( ) exp[−( )β ]
ν ν ν
pour t ≥ 0 où ν est le paramètre d’échelle (également connu sous le nom de durée de vie caractéristique), β est
le paramètre de forme, et ν et β sont positifs.
Lorsque β = 1, le Weibull à deux paramètres est équivalent à la distribution exponentielle ; lorsque β = 2,
il devient la distribution de Rayleigh. Le Weibull se rapproche d’une distribution normale lorsque, par exemple,
β = 3, 44. Une discussion détaillée de la distribution de Weibull est donnée dans les sections suivantes. Avant de
quitter les fdps, il convient de noter qu’il existe d’autres distributions pertinentes pour les études de maintenance,
y compris, par exemple, le gamma, Erlang et lognormal.
0.2 FONCTION DE REPARTITION
Dans les études de maintenance, nous nous intéressons souvent à la probabilité qu’une panne se produise avant
un certain temps, disons t. Cette probabilité peut être obtenue à partir de la fdp pertinente comme suit :
Probabilité de défaillance avant l’instant t Z t
f (t)dt
0

L’intégrale 0 f (t)dt est notée F (t) et est appelée fonction de répartition. Lorsque t tend vers l’infini, F (t)
Rt

tend vers 1. La F (t) d’une fonction normale peut être obtenue à partir de la table de distribution normale
standard.

0.3 FONCTION FIABILITÉ

Une fonction complémentaire à la fonction de répartition est la fonction de fiabilité, également appelée fonction
de survie. Elle est déterminée à partir de la probabilité que l’équipement survivra au moins jusqu’à un certain
temps, t. La fonction de fiabilité est notée R(t) et est définie comme
Z ∞
R(t) = f (t)dt
t

et, bien sûr, R(t) est aussi équivalent à 1 − F (t). Lorsque t tend vers l’infini, R(t) tend vers zéro.

Considérons un élément qui est opérationnel à l’instant t1 lorsqu’une mission démarre. On peut souhaiter
déterminer la probabilité que l’objet survive à la mission de durée t. La mesure requise peut être exprimée dans
la notation habituelle de la probabilité conditionnelle comme
R∞
P (T ≥ t1 + t) R(t1 + t) f (t)dt
R(t1 + t|t1 ) = P (T ≥ t1 + t|T ≥ t1 ) = = = Rt1∞
+t
P (T ≥ t1 ) R(t1 ) t1
f (t)dt
où T est le temps jusqu’à l’échec. Si le temps de défaillance suit une distribution exponentielle, alors l’équation
précédente deviendra
R∞
λ exp[−λt]dt exp[−λ(t1 + t)]
R(t1 + t|t1 ) = Rt1∞
+t
= = exp[−λt] = R(t)
t1
λ exp[−λt]dt exp[−λt1 ]

1. fonction hyper exponentielle

R(t) = k exp[−2kλt] + (1k)exp[−2(1 − k)λt]

2. fonction exponentielle
R(t) = exp[−λt]

3. fonction normale ∞
1 t−µ 2
Z
1
R(t) = √ exp[− ( )]
σ 2π t 2 σ
4. fonction de Weibull
t
exp[−( )β ]
η

Ainsi, pour les éléments opérationnels dont les temps de défaillance sont distribués de façon exponentielle,
R(t1 + t|t1 ) = R(t). En d’autres termes, leur chance de survie (ou à l’inverse leur risque d’échec) dans la
prochaine instance est indépendante de leur âge actuel. Cette propriété sans mémoire est unique à la distribution
exponentielle, la seule distribution continue avec cette fonctionnalité.
0.4 TAUX DE RISQUE OU TAUX D’AVARIE
Une caractéristique statistique de l’équipement fréquemment utilisé dans les études de remplacement est le taux
de risque. Pour introduire le taux de risque, considérons un test dans lequel un grand nombre de composants
identiques sont mis en service et le temps de défaillance de chaque composant est noté. Une estimation du
taux de risque d’un composant à un moment donné peut être considérée comme le rapport entre un nombre
d’éléments qui ont échoué dans un intervalle de temps (par exemple, 1 semaine) et le nombre d’éléments de la
population d’origine qui ont été opérationnel au début de l’intervalle. Ainsi, le taux de risque d’un élément à
l’instant t est la probabilité que l’élément échoue dans l’intervalle de temps suivant étant donné qu’il est bon
au début de l’intervalle ; c’est-à-dire qu’il s’agit d’une probabilité conditionnelle. Plus précisément, en laissant
h(t)δt la probabilité qu’un élément échoue pendant un court intervalle δt, étant donné qu’il a survécu jusqu’au
temps t, la notation habituelle de la probabilité conditionnelle peut s’écrire

P (A|B) = probabilité que l’événement A se produise une fois que l’on sait que B s’est produit = h(t)δt

où A est l’événement ”la panne survient dans l’intervalle δt” et B est l’événement ”aucune panne ne s’est
produit jusqu’à l’instant t.

P (A|B) est donnée par

P (A et B)
P (A|B) =
P (B)
où P (A et B) est la probabilité que les événements A et B se produisent et
Z δt+t
P (A et B) = f (t)dt
t

P (B) est la probabilité que l’événement B se produise et

Z ∞
P (B) = f (t)dt
t
Par conséquent, le taux de risque dans l’intervalle δt est
R δt+t
f (t)dt F (δt + t) − F (t)
h(t)δt = Rt ∞ =
t
f (t)dt 1 − F (t)
Si l’équation précédente est divisée par δt, et δt → 0, cela donne

f (t)
h(t) =
1 − F (t)

où h(t) est appelé taux de risque, également appelé taux de défaillance instantané.

Un point intéressant à noter

• à propos de la distribution hyper exponentielle est qu’à mesure que le temps augmente, le taux de risque
diminue. Cela peut être interprété comme une amélioration de l’équipement au fil du temps et peut être
le cas avec un équipement qui nécessite petits ajustements après une révision ou un remplacement pour le
rendre complètement opérationnel. Les équipements qui durcissent avec le temps peuvent également être
modélisés par cette distribution.

• Lorsque le taux de risque augmente avec le temps, comme pour la distribution normale, cela indique un
effet de vieillissement ou d’usure.
 • Avec la distribution exponentielle, le taux de risque est constant. Ce modèle de défaillance peut être
le résultat d’événements complètement aléatoires tels que des contraintes soudaines et des conditions
extrêmes. Elle s’applique également à l’état d’équilibre d’un équipement complexe qui tombe en panne
lorsque l’un d’un certain nombre de composants constitutifs indépendants se rompt ou lorsque l’un d’un
certain nombre de modes de défaillance se produit.

0.5 PROBLÈMES
1. Les temps de défaillance d’un fusil modèle 555 ont démontré une fdp normale avec µ = 100 heures et
σ = 10 heures. Trouvez la fiabilité d’un tel fusil pour un temps de mission de 104 heures et le taux de
risque d’un de ces fusils à l’âge de 105 heures.

2. Un ordinateur a un taux d’erreur constant d’une erreur tous les 17 jours de fonctionnement continu.
Quelle est la fiabilité de l’ordinateur pour résoudre correctement un problème nécessitant 5 heures de
fonctionnement ? 25 heures de fonctionnement ?

3. Les temps de défaillance des tubes émetteurs JP29M ont une distribution de Weibull avec β = 2 et
η = 1000 heures. Trouvez la fiabilité de l’un de ces tubes pour une durée de mission de 100 heures et le
taux de risque associé à celui qui a fonctionné avec succès pendant 100 heures.

4. Les défaillances des perceuses à vérin ont été analysées et la distribution des défaillances s’est avérée
uniforme dans l’intervalle de 0 à 2000 heures de fonctionnement. Autrement dit, le fdp de la distribution
des défaillances a une valeur constante dans l’intervalle spécifié et 0 ailleurs. Quelle est la probabilité
qu’une foreuse continue à fonctionner de manière satisfaisante pendant une période de projet de 20 heures
étant donné que la foreuse avait déjà été utilisé pendant 1200 heures ?

5. Il a été observé que les temps de défaillance d’un tube hyperfréquence de type GLN suivent une distribution
normale avec µ = 5000 heures et σ = 1000 heures. Trouver la fiabilité d’un tel tube pour un temps de
mission de 4100 heures et le taux de risque d’un de ces tubes à l’âge de 4400 heures.

6. Le taux de risque constant d’un composant est de 20 pannes/106 heures. Notez sa fonction de densité
de défaillance et esquissez sa forme. Notez sa fonction de taux de risque et esquissez sa forme. Écrivez
sa fonction de fiabilité pour la mission t et esquissez sa forme. Écrivez sa fonction de fiabilité pour une
mission t, en commençant la mission à l’âge T .