Fiabilité des composants Fiabilité des Systèmes Industriels

1. FIABILITÉ DES COMPOSANTS SANS RÉPARATION

1.1 Définition

La fiabilité est l’aptitude d’un dispositif à accomplir une fonction requise

dans des conditions d’utilisation et pour une période de temps déterminée.
D’une manière plus concrète, la fiabilité sera la probabilité q’un système ou
un composant réponde à un critère donné.
On distingue deux types de fiabilités, temporelle et intemporelle. On
s’intéressera à la fiabilité temporelle.

1.2 Paramètres de fiabilité et relations fondamentales

Nous désignons par T la durée de vie d’un système ou d’un composant (avant
défaillance) ; une valeur particulière de T sera désignée par t.
Parmi les différents paramètres que nous serons amenés à utiliser, on
distingue :
- f (t ) : telle que : f (t ).dt  p(t  T  t  dt) : probabilité de défaillance entre
t et t +dt.
C’est une densité de probabilité, on l’appelle : densité de probabilité de
défaillance à t.
- F (t ) : telle que : F (t )  p(T  t ) : probabilité de défaillance avant t.
 F (t ) est la fonction de répartition (de la probabilité) de défaillance.
b
Or on a évidemment p(a  T  b)  F (b)  F (a)   f (t ).dt
a

dF (t )
ou encore : f (t )  .
dt
- R (t ) : telle que : R (t )  p (T  t ) : probabilité de survie au-delà de t (ou de
non défaillance avant t).
R (t ) sera par définition la fiabilité associée au temps t.

R (t )  p (T  t )  1  F (t )

R (t )   f (t ).dt
t

- Taux de défaillance  (t ) : telle que  (t).dt : probabilité de défaillance

entre t et t + dt, sachant que l’élément a survécu jusqu’à t.
C’est une probabilité conditionnelle (la condition : l’élément a survécu jusqu’à t).

Notes de cours 1 I. KHEMILI / 2023

Fiabilité des composants Fiabilité des Systèmes Industriels

Soient :
- L’événement A : « pas de défaillance avant t »,
- L’événement B : « la défaillance survient entre t et t + dt »
Nous savons que :
p( B / A)   (t ).dt
p( A  B)  f (t ).dt ,
p( A)  R(t )
p( A  B)
Or p( A  B)  p( A). p( B / A)  p ( B / A) 
p ( A)

f (t ).dt f (t )
D’où  (t ).dt    (t ) 
R (t ) R (t )

Remarque :
 (t).dt correspond à une probabilité. En la divisant par dt, nous définissons
une probabilité par unité de temps. Le taux de défaillance  (t ) dont la dimension
est l’inverse d’un temps sera exprimé en nombre de défaillances par unité de
temps.
 Autre relation entre R (t ) et  (t ) :
dF (t )
On sait que f (t )  et R (t )  1  F (t )
dt
dF (t ) d (1  R (t )) dR(t )
 f (t )   
dt dt dt
dR(t )

f (t ) dt dR(t )
Or  (t )     (t ).dt  
R (t ) R (t ) R (t )

En intégrant :    (t ).dt  LogR(t )  LogR(0)

R ( 0)  1 t
Mais     (t ).dt  LogR(t )
LogR(0)  0 0


  ( t ). dt
D’où : R (t )  e 0

Exemple :
t


  ( t ). dt
 (t)  cte   ; R(t )  e 0
 e   .t

Notes de cours 2 I. KHEMILI / 2023

Fiabilité des composants Fiabilité des Systèmes Industriels

 (t ) R (t )

1 _
 = cte

t t

1.3 Durée de vie moyenne

C’est l’espérance mathématique de la variable aléatoire t.


E (t )   t. f (t ).dt
0

ut  du  dt
Intégration par partie :
dv  f (t ).dt  v  F (t )
 
E (t )  t.F (t )   F (t ).dt  t.F (t )   (1  R (t )).dt
 
0 0


0 0
 
 t.F (t )0   dt   R (t ).dt


0 0

Or quand t  F(t)  1.
t=0 F(t)  0.

 E (t )  t 0  t 0   R(t ).dt
 


La durée de vie moyenne est donc : t  E (t )   R(t ).dt  MTBF
0

Le sigle MTBF peut signifier :

- «Mean Time Before Failure » (avant la 1ère panne)
- « Mean Time Between Failure » (pour les systèmes réparables)
Ou la traduction française moins précise : « moyenne des temps de bon
fonctionnement ».

1.4 Modèles de fiabilité

La distribution des durés de vie d’un équipement est représentée par des lois
(ou modèles) donnant pour chaque valeur de t : f (t ), F (t ), R(t ) et  (t ) .

Notes de cours 3 I. KHEMILI / 2023

Fiabilité des composants Fiabilité des Systèmes Industriels

 (t ) est le paramètre le plus exploitable, parce que le comportement en

fiabilité d’un équipement sera très souvent caractérisé par la variation de ce taux
de défaillance  (t ) en fonction du temps de fonctionnement.
Cette variation est représentée par la fameuse « courbe en baignoire » bien
connue.
On distingue deux types d’équipements :
- Le matériel dit « de fatigue », telle que la probabilité de défaillance par
unité de temps  (t )  cte quelque soit l’âge du matériel. C’est le cas des
systèmes, ou composants, électriques et électroniques pour lesquels l’usure
est difficilement perceptible.
- Le matériel d’usure, où  (t ) varie en fonction du temps. C’est le cas des
systèmes mécaniques.

Entre 0 et t1 : deverminage
 (t ) (Apparition des défauts
initiaux).
Entre t1 et t2 : Vie normale.
Au-delà de t2 : Vieillissement.

 (t )  cte

t
t1 t2
Courbe en baignoire

Les modèles à taux de défaillance variable conviennent évidemment aux

systèmes mécaniques dans lesquels l’usure accroît les risques de défaillance.

 (t )

t
t1

Notes de cours 4 I. KHEMILI / 2023

Fiabilité des composants Fiabilité des Systèmes Industriels

Il existe plusieurs lois de distribution permettant de représenter cette

variation (ou absence de variation) du taux de défaillance et corollairement les
variations des autres grandeurs caractéristiques de la fiabilité : f (t ), F (t ), R(t ) .
Dans ce cours on va se limiter à l’examen des deux lois de distribution les
plus utilisées en pratique :
- le modèle exponentiel,
- le modèle de Weibull.
1.4.1 Modèle exponentiel

Il correspond à : f (t )  .e   .t

 
t t
F (t )   f (u ).du   .e  .u .du   e  .u  F (t )  1  e   .t
t
0
0 0

Or R(t )  1  F (t )  1  (1  e   .t )  e   .t  R(t )  e   .t

f (t ) .e   .t
 (t )    .t     (t )    cte
R(t ) e

R (t ), F (t )
 (t )
1 _ F(t)
 = cte

R(t)
t t

 Expression de la MTBF
 
E (t )   t. f (t ).dt   t..e  .t dt
0 0

ut  du  dt
Intégration par partie :
dv   .e  .t dt  v  e  .t
  


E (t )   t.e   e
  .t    .t
.dt   e   .t  1 
.dt   e  .t 
 
0
0 0 0

1
D’où E (t )  MTBF 


On retrouve évidemment MTBF   R(t ).dt , puisque R(t )  e   .t .
0

Notes de cours 5 I. KHEMILI / 2023

Fiabilité des composants Fiabilité des Systèmes Industriels

1 1
Si on calcule R(t) pour t = MTBF, on retrouve que R ( )  e 1   0,368  0,5 .
 e
Exercice :
Lors de l’achat d’un nouveau matériel, on peut choisir de l’équiper, au choix,
soit avec un composant bon marché C1 soit avec un composant plus cher C2 :
C1 coûte 200 dinars et sa fiabilité suit un modèle exponentiel avec 1 = 5.10-4
défaillances/heure.
C2 coûte 300 dinars et sa fiabilité suit un modèle exponentiel avec 2 = 4.10-4
défaillances/heure.
1°) Quelle est la durée de vie moyenne (MTBF) de chacun de ces
composants ?
2°) Si on ne se fixe pas de limitation de durée d’utilisation de la machine sur
laquelle sont montés ces composants et si le fournisseur n’accorde aucune
garantie, vaut-il mieux choisir le composant C1 ou le composant C2.
3°) Si ces composants suivaient une loi de poisson de paramètre a = 2, quelle
sera la probabilité pour qu’ils aient au moins 3 défauts.
Sol :
1
1°) Pour le composant C1 : MTBF1   2000 heures.
1
1
Pour le composant C2 : MTBF2   2500 heures.
2
2°) Coût d’une heure de fonctionnement :
200
Pour C1 : C1 / heure   0,1 Dinars/h.
2000
300
Pour C1 : C 2 / heure   0,12 Dinars/h.
2500
 On choisi C1.
3°) On a : p( x  3)  1  p( x  2)  1  p( x  0)  p( x  1)  p( x  2) .

 2 0 e 2   21 e 2   2 2 e 2 
 1           0,32 .
 0!   1!   2! 
1.4.2 Modèle de Weibull

Le modèle exponentiel est simple, mais il est malheureusement très

insuffisant dès que  ne peut plus être considéré comme constant. Le modèle de
Weibull est beaucoup plus universel grâce à ces trois paramètres.

 t  
 
  
Il correspond à : R(t )  e

Notes de cours 6 I. KHEMILI / 2023

Fiabilité des composants Fiabilité des Systèmes Industriels


 t  
 
D’où l’on tire : F (t )  1  e   


 t  
    1  t  

 
dF (t ) d (e 
)  t   
 

f (t )    f (t )    e 
dt dt    
 1
f (t )  t  
Et finalement :  (t )    
R (t )    
 : Paramètre de forme (sans dimension) :  >0.
 : Paramètre de décalage à l’origine (dimension de t) :  ≥0.
 : Paramètre d’échelle (dimension de t) :  >0.
Il est parfois commode de poser :     .
  t   

Ce qui conduit à l’écriture : R (t )  e 

.
Cas particulier :  =0
t

R (t )  e 

t
 
f (t )  .t  1 .e 

 Expression de la MTBF
 1
E (t )  t     . 1  
 

 : Fonction eulérienne de second espèce définie par : (n)   e  x .x n 1 .dx , n >0.
0

Dém :
1er cas :  =0
t
 
f (t )  .t  1 .e 

  t
 
E1 (t )   t. f (t ).dt   t. .t  1 .e  .dt
0 0

t
 
 E1 (t )   t  e  ..dt
 0
2ème cas :  0
  ( t  ) 
 
E 2 (t )   t. f (t ).dt   t. .(t   )  1 .e 
.dt
0 0


Notes de cours 7 I. KHEMILI / 2023

Fiabilité des composants Fiabilité des Systèmes Industriels

Si t< : f (t )  0 ; posons x  t    dx  dt .
 x
 
E 2 (t )   .( x   ).x  1 .e  .dx
0

x x
     1  
  x  e  .dx
 0
 . x e .dx
0
x
  
Soit I  .  x  1e  .dx  E2 (t )  E1 (t )  I
 0

x   1  1 
Posons u   du  x dx  dx  x du
  
 x

I x  1
.x 1 
e 
.du    e u du    E2 (t )  E1 (t )  
0 0


t  t 
    
 t   
Or E1 (t )   t e ..dt  E1 (t )      e    dt .
 0 0

  1 1 
t t  t
Posons u     du    dt d ' où dt    du .
       
 1   
 t u1/ 
 E1 (t )    u.e .  u
du    u .e u .du    e u .u 1 /  .du .
0
    0
u 0

 1 1
 E1 (t )   . 1   avec n  1
  

 1
D’où finalement : MTBF     . 1  
 
 Particularités

 t  
 
  
On a : R(t )  e .
 Si t    t    0 ; R(t )  1 , c’est une situation du matériel neuf.
 Si   0  t   peut être positif avec t  0 , c'est-à-dire que pour t  0 , on a déjà
R (t )  1  au temps t  0 , certains éléments sont déjà défaillants.

 Si   0  t    0 tant que t    R(t )  1 tant que t   . Ce cas interviendra

lorsqu’il n’y a pas de défaillance avant t   . Le rôle de  correspond en
quelques sortes à un changement d’origine des temps ou à un retard aux
défaillances. Dans les calculs, on sera généralement amené à
poser f (t )  0 si t   .

Notes de cours 8 I. KHEMILI / 2023

Fiabilité des composants Fiabilité des Systèmes Industriels

Remarque :
t

Si   0 et si   1 : R(t )  e 
.
1
On retrouve donc la forme exponentielle avec :   .


1.5 Détermination des paramètres des modèles de fiabilité

La détermination de ces paramètres se fait à partir d’un nombre limité de

données. On distingue trois sources d’informations :
- banques de données qui sont incomplètes.
- Statistiques de maintenance, provenant de la gestion du matériel.
- Essais spécifiques de fiabilité.
Parmi les différentes méthodes utilisées en fiabilité on cite :
- Méthode graphique qui se base sur la linéarisation (convient très bien
au modèle de Weibull).
- La technique du maximum de vraisemblance.
1.5.1 Méthode graphique

1.5.1.1 Cas du modèle exponentiel :

On a R(t )  e   .t  LogR(t )   .t

Log R(t) R(t)

t 1_

Droite de pente 
t
1

t
1.5.1.2 Cas de la loi de Weibull :
Les paramètres du modèle de Weibull sont déterminés à l’aide du tracé
d’Allen PLAIT.

 t   

 
 t  
On a R(t )  e 
 LogR(t )   
  
 
1 t   1 t  
Log     Log   
R (t )    1  F (t )   

Notes de cours 9 I. KHEMILI / 2023

Fiabilité des composants Fiabilité des Systèmes Industriels

 1  t  
Log  Log    .Log   .
 1  F (t )    
Nous pourrons donc écrire : Y  A.X  B .
 1 
Avec Y  Log  Log  ; X  Log (t   ) ; B   .Log ; A   .
 1  F (t ) 
On va utiliser un diagramme spécial gradué en :
- Log Log suivant l’axe verticale,
- Log suivant l’axe horizontal.
 Exploitation
Le diagramme d’Allen PLAIT comporte quatre axes :
- Deux axes horizontaux parallèles A et a, tous deux gradués en t
suivant une échelle Log (t).
- Deux axesverticaux parallèles B et b, tous deux gradués
 1 
en Log  Log .
 1  F (t ) 
 L’axe A est défini tel que : F(t) = 0.
 1  1
 L’axe a est défini tel que : Y  0  Log  Log   0  1  F (t ) 
 1  F (t )  e

 F (t )  0,632 .
 L’axe B est défini tel que : t = 0.
 L’axe b est défini tel que : Log (t )  1 , qui correspond à t  0,368 .
1er cas :  =0
Les points expérimentaux doivent s’aligner sensiblement sur une droite D1 (si
ces données correspondent au modèle de Weibull).
F(t)
B b
Y

X k a
0,632 t
I

J D // D D1
2 1

A t
0,368 1  t

Notes de cours 10 I. KHEMILI / 2023

Fiabilité des composants Fiabilité des Systèmes Industriels

Le point k correspond à Y=0  A.X  B  0 , ce qui nous mène à

écrire : Log (t   )  Log ( )  t   .
Le point I correspond à Y=0 et X=0  F (t )  0,632 et t  1 .
Le point J correspond à Y  A. X   .Log (t )   
Si l’on gradue l’axe b dans le sens négatif, l’ordonné de J sur b est égal à .
2ème cas :  0
Dans ce cas, les points expérimentaux ne s’alignent pas sur une droite, mais
sur une courbe C, qu’il va falloir « redresser » pour obtenir la droite D1, puis la
droite D2. En effet, par suite de l’échelle logarithmique, le décalage  sur t ne se
traduit pas par la même translation sur toutes les valeurs de t.
Étant déterminé , tous les points de la courbe C devront être translatés par
-  pour retrouver la droite D1. Cette droite coupe l’axe a en k d’abscisse . La
parallèle à cette droite passant par I coupe l’axe b en J d’abscisse . Ainsi les trois
paramètres du modèle de Weibull sont déterminés.
Pour déterminer , on va choisir deux points quelconques de la courbe
d’ordonnés respectifs Y1 et Y2 et d’abscisses respectifs t1 et t2. Le troisième point
sera choisi tel que : Y1  Y3  2.Y2 .

A3
Y3
 A2
Y2
 A1
Y1

t
t1 t2 t3

On sait que pour le modèle de Weibull, Y  A.X  B  Y   .Log (t   )   .Log .

Les trois points de la courbe sont donc choisis telles que :
 .Log (t1   )   .Log   .Log (t 3   )   .Log  2.(  .Log (t 2   )   .Log ) .
 Log (t1   )  Log (t 3   )  2.Log (t 2   ) .

Ce qui donne : (t1   ).(t 3   )  (t 2   ) 2

t  t1 .t 3
2

Faisant le développement, nous obtenons :   2 .

2.t 2  t1  t 3

 Pratique opératoire
On part obligatoirement de F, qui correspond au cumul des éléments tombés
en pannes. F(t) correspond donc à une somme croissante d’effectifs. À chaque

Notes de cours 11 I. KHEMILI / 2023

Fiabilité des composants Fiabilité des Systèmes Industriels

élément de cette somme est associée une valeur de t. on aura à dresser un

tableau classique des valeurs de t en fonction de F.
En effet, à chaque nouvelle panne i est associée une nouvelle valeur de ti et
une incrémentation de Fi.
Soit N, le nombre de mesures :
- Si N > 50 : on pourra faire des regroupements en classes et utiliser les
i
calculs classiques tel que : F (i )  .
N
i
- Si 20 < N < 50 : on utilisera les rangs moyens tel que : F (i )  .
N 1
i  0,3
- Si N < 20 : on utilisera les rangs médians tel que : F (i )  .
N  0,4
Exemple :
Nous avons soumis un lot de six roulements, chargés dans des conditions
spécifiques à un essai de durée de vie. Nous avons enregistré le tableau suivant :
N° Roulement Nombre de cycles avant rupture
1 4.105
2 1,3.105
3 9,8.105
4 2,7.105
5 6,6.105
6 5,2.105

Ordonnons les valeurs des TBF (temps de bon fonctionnement) et calculons

les valeurs de F(t) en utilisant les rangs médians (N = 6 < 20).
Panne i TBF F(i)
1 1,3.105 10,9 %
2 2,7.105 26,4 %
3 4.105 42,1 %
4 5,2.105 57,9 %
5 6,6.105 73,6 %
6 9,8.105 89 %

Les couples des points (TBF, F(i)) nous donnent une droite D1, d’où  =0.
D1 coupe l’axe (t,) à l’abscisse =5,7.105 cycles.
D2 // à D1 coupe l’axe (b) à l’ordonné =1,5.

Notes de cours 12 I. KHEMILI / 2023

Fiabilité des composants Fiabilité des Systèmes Industriels

La table de Weibull donne A=0,9 et B=0,61.

MTBF    A.  A.  5,9.105 cycles.

 MTBF 
 
  
Fiabilité associée à MTBF : R( MTBF )  e  0,43 .
F ( MTBF )  1  R( MTBF )  0,57

 1 t
t  
 
f (t )    e  f ( MTBF )  0,106
  
 1
 t
 (t )      ( MTBF )  0,248 pannes/cycle.
  
Graphiquement, en projetant sur la courbe, pour t = MTBF, on obtient
F(t)=0,56 et donc R(t)=0,44.
Durée de vie correspondant à R(t)=0,9 : L10 ?
1/  1/ 
 1   1 
On a t     . Log  , pour R(t)=0,9 : L10     . Log 
 R (t )   0,9 

 L10  1,27.105 cycles.

Sur cent roulements changés systématiquement à T=1,3.105 cycles, dix
seraient déjà défaillants.
Exercice :
On étudie la durée de vie d’un certain type de composants électriques
fabriqués par une usine. On désigne par T la variable aléatoire qui à chaque
composant, prélevé au hasard dans la production, associe sa durée de vie
exprimée en mois. Après une étude statistique, on admet que T suit une loi de
Weibull de paramètres  0,  2,  50.
1°) Représenter graphiquement sur le diagramme d’Alain Plait (à remettre
avec votre copie) la fonction de défaillance F correspondante.
2°) Déterminer graphiquement les probabilités des événements suivants :
a) « la durée de vie d’un composant est inférieure à 10 mois »
b) « la durée de vie d’un composant est comprise entre 10 mois et 50
mois ».
3°) Déterminer par le calcul, puis à l’aide du graphique, le temps au bout
duquel un composant doit être changé, sachant que sa probabilité de survie
doit rester supérieure à 90%. Comparer les résultats.

Notes de cours 13 I. KHEMILI / 2023

Fiabilité des composants Fiabilité des Systèmes Industriels

1.5.2 Technique du maximum de Vraisemblance

On appelle Vraisemblance d’un échantillon, sa densité de probabilité. Par

exemple, dans le cas d’un échantillon de n observations indépendantes ti dont la
densité de probabilité est f (t ,  ) , la Vraisemblance L s’écrit :
n
L(t1 , t 2 ,..., t n ,  )   f (t i ,  )
i 1

La méthode de Vraisemblance consiste à choisir l’estimation  qui rend

maximale la densité de probabilité du n-uplets (t1, t2, …, tn).
D’une manière tout à fait classique, nous serons amenés à écrire :
dL
0
d
d 2L
0
d 2
Très souvent il sera plus commode de maximiser le logarithme de L, car la
fonction de Vraisemblance comporte fréquemment des expressions de puissance
et des dormes exponentielles.
dLog ( L)
0
d
 2
d Log ( L)
0
d 2
Exemple d’application:
On suppose que la loi d’occurrence des pannes pour une machine suit une loi
de poisson dont on veut déterminer le paramètre a, à partir d’un échantillon
d’effectif n=5 (nombre de pannes relevées durant cinq semaines) :2 ; 4 ; 1 ; 0 ; 3.
e a a x
La fonction de probabilité : f ( x, a)  (loi de poisson).
x!
La fonction de Vraisemblance s’écrit donc :
5
e  a a x1 e  a a x2 e  a a x3 e  a a x4 e  a a x5
L( x1 , x 2 ,..., x5 , a )   f ( xi , a ) 
i 1 x1! x2 ! x3 ! x4 ! x5 !

a x1  x2  x3  x4  x5
 e 5 a .
x1! x 2 ! x3 ! x 4 ! x5 !

Log ( L)  5a  10Loga  Log ( x1! x2 ! x3 ! x4 ! x5 !)

dLog ( L) 10
  0  5  0  a2
da a
On trouve que a est la moyenne des valeurs observées, qui correspond bien
au modèle de poisson.

Notes de cours 14 I. KHEMILI / 2023

Fiabilité des composants Fiabilité des Systèmes Industriels

d 2 Log ( L) d  10  10
Vérification :    5     2  2,5  0 .
da 2
da  a a
1.5.2.1 Application à une loi de fiabilité exponentielle
1
f (t )  .e   .t ; R(t )  e   .t ; F (t )  1  e   .t ; MTBF  .

Supposons que nous avons relevé un échantillon de durées de vie (t1, t2,…,tn).
n
On aura donc L(t1 , t 2 ,..., t n ,  )   f (t i ,  )   .e  .t1 . .e  .t2 ... .e  .tn .
i 1

  .  ti
 n .e  n .e   .T .
Avec T   ti .

dLogL n
Log ( L)  n.Log   .T   T .
d 
n T
D’où   et MTBF  .
T n
Exercice :
Dans un atelier de confection comportant 100 machines à coudre identiques,
on a relevé le nombre de demandes d’interventions du mécanicien pour
dépannage sur cinq jours consécutifs.
Jour N° 1 2 3 4 5
Nombre de demandes 18 20 14 26 22

1°) On admet que ce nombre quotidien de demandes d’interventions suit une

loi de poisson. En utilisant la méthode du maximum de vraisemblance,
déterminez le paramètre a du modèle.
1.5.2.2 Application à la loi de Weibull
 Loi de Weibull standard :  =0 et =1.
Un seul paramètre à déterminer : ?
  
R(t )  e t ; F (t )  1  e t  f (t )   .t  1e t .

 
n n
L(t1 , t 2 ,..., t n ,  )   f (t i ,  )    .t i

 1
.e ti
i 1 i 1

  ti 
  n   t i 
n
 1
.e 
i 1  
n n
Log ( L)  n.Log  (   1) Log (t i )   t i


i 1 i 1

dLogL n n n
  Log (t i )   t i Log (t i )  0 ;

0 
d  i 1 i 1

Notes de cours 15 I. KHEMILI / 2023

Fiabilité des composants Fiabilité des Systèmes Industriels


t 
Avec : i  Log (t i ).e  . Log ( ti )  Log (t i ).t i


n
D’où : 
 t i 
n

 1 .Log (t i )
i 1

Cette équation du type x  f (x ) sera résolue numériquement par itérations

successives.

 2ème cas :  =0 et 1.

t 

t t t
  
 
   
R (t )  e e 
; F (t )  1  e 
 f (t )  .t  1 .e 

   1  ti     n n  1  ti
 
n n
L(t1 , t 2 ,..., t n ,  )   f (t i ,  )    .t i .e       t .e  .
i 1       i 1 i
i 1
 
t
    i
n n
 ti
 1
  e 
  i 1

 1 n   n 
Log ( L)  n.Log   t i  (   1).Log   t i 
  i 1  i 1 
n n
1
 ti  (  1). Log (ti )

 n.Log  n.Log 
 i 1 i 1

n n
 ti  ti
 
dLogL n 1 n
 0    i 1 2  0   i 1
 
d   n  n
 ti


i 1

n n
dLogL n 1
 ti .Log (t i )   Log (t i )  0

0  
d   i 1 i 1

n
  n n
1
 t i .Log (t i )   Log (t i )


 i 1 i 1

n
D’où :  n
.
n. t i Log (t i )

n
i 1
n
  Log (t i )
 ti
 i 1

i 1

On retrouve encore une équation du type x  f (x ) que l’on résoudra

numériquement à l’aide de l’un des nombreux algorithmes classiques (Newton-
Raphson, par exemple).

Notes de cours 16 I. KHEMILI / 2023

Fiabilité des systèmes Fiabilité des Systèmes Industriels

2. FIABILITE DES SYSTEMES SANS REPARATION

2.1 Systèmes séries

Un système constitué de n éléments, sera dit « série » (au point de vue de la

fiabilité), s’il est nécessaire que tous ses composants fonctionnent pour qu’il
puisse fonctionner.

C1 C2 Cn

p( sys. fonctionne)  p(C1 fonctionne)  p(C 2 fonctionne).....  p(C n fonctionne) .

La fiabilité du système noté par RS (t ) est sa probabilité de bon

fonctionnement, qui s’écrit alors :
n
RS (t )  R1 (t ).R2 (t )....Rn (t )  RS (t )   Ri (t ) .
i 1

2.1.1 Cas général

Le taux de défaillance varie au cours du temps :

t t t t


  ( t ). dt n n 
 i ( t ). dt    i ( t ).dt 
 S ( t ). dt
R (t )  e 0
; RS (t )   Ri (t )   e 0
e 0
e 0
.
i 1 i 1

n
Avec S (t )   i (t ) .
i 1
t
  
 S ( t ). dt
Durée de vie moyenne : MTBFS   RS (t ).dt   e 0
dt .
0 0

2.1.2 Cas du modèle exponentiel

R(t )  e   .t ; RS (t )   Ri (t )   e i .t  e  i  e t .S

n n
t . 

i 1 i 1

n
RS (t )  e S .t ; avec S   i .
i 1

e 
 
1  S .t  1
Durée de vie moyenne : MTBFS   RS (t ).dt   e S .t dt    .
S S
0
0 0

1 1
MTBFS   .
 i 1  2  ......  n
i

Notes de cours 17 I. KHEMILI / 2023

Fiabilité des systèmes Fiabilité des Systèmes Industriels

2.2 Systèmes Parallèles

Un système constitué de n éléments, sera dit « Parallèle » (au point de vue de

la fiabilité), s’il est nécessaire que tous ses composants soient en pannes pour
qu’il soit en panne.

C1

C2

Cn

p( sys. panne)  p(C1 . panne)  p(C 2 . panne).....  p(C n . panne)

La fiabilité du système noté par RP (t ) est sa probabilité de bon

fonctionnement, qui s’écrit alors :
n
RP (t )  1  1  R1 (t ) 
. 1  R2 (t ) ....1  Rn (t )   RP (t )  1   1  Ri (t )  .
i 1

2.2.1 Cas du modèle exponentiel

 
n n
R(t )  e   .t ; RP (t )   1  Ri (t )    1  e i .t  S1  S 2  S 3  ...   1
n 1
Sn
i 1 i 1

S1   e  i .t ;

; ….
 t .(i   j )
S2   e
i j

t .  i
Sn  e i
.
2.2.2 Durée de vie moyenne

2.2.2.1 Cas de deux composants :

RP (t )  1  1  R1 (t )
. 1  R2 (t )  R1  R2  R1 .R2

 
 1 
MTBF   R P (t ).dt   e   1 .t
e  2 .t
e  ( 1  2 ).t
 1
dt   e 1 .t  e 2 .t 
1
e ( 1  2 ).t 
0 0  1 2 1   2 0

1 1 1
 MTBF   
1 2 1   2
2.2.2.2 Cas de n composants :
Le même calcul conduit à :

Notes de cours 18 I. KHEMILI / 2023

Fiabilité des systèmes Fiabilité des Systèmes Industriels

1   1   
  ....   1n 1
1 1 1 1 1
MTBF     .....      .....     .... 
 1 2   1  2 2  3   1  2  3 n2  n 1  n   i
i

2.3 Systèmes en « Stand by »

C1 C1 : Composant principal.
C2 : composant de secours.

C2 C C : commutateur.

C
Le système fonctionne si on a zéro panne ou une seule panne.
2.3.1 Cas de commutation parfaite

On admet ici que la fiabilité du commutateur est sensiblement égale à 1.

2.3.1.1 Système à un seul « stand by »
R(t )  P(0 ou 1 panne)  P(0)  P(1) .
Si on admet que l’occurrence des pannes suit une loi de poisson, on peut
ax
écrire que : P ( x) t  e  a ; avec a  .t .
x!

 P( x) t  e   .t .t x .
x!
 : nombre moyen de pannes /unité de temps.
1
P (0) t  e  .t  e  .t ;
1
.t
P(1) t  e  .t  .t.e  .t .
1

 R(t )  e   .t 1  .t  .
Durée de vie moyenne :
  
1 1 1
MTBF   R(t ).dt   e S .t (1  .t ).dt     .t.e  .t .dt   .
0 0  0  

2
 MTBF  .


Notes de cours 19 I. KHEMILI / 2023

Fiabilité des systèmes Fiabilité des Systèmes Industriels

2.3.1.2 Cas de deux « stand by »

C1

SB1

SB2

R(t )  P(0 ou 1 panne ou 2 pannes)  P(0)  P(1)  P(2)

1
P (0) t  e  .t  e  .t ;
1
.t
P(1) t  e  .t  .t.e  .t ;
1
(.t ) 2
P(2) t  e  .t  .t.e  .t .
2

 (.t ) 2 
 R(t )  e  .t 1  .t   .
 2 
Durée de vie moyenne :
 
 (.t ) 2  3
MTBF   R(t ).dt   e S .t 1  .t  .dt  .
0 0  2  

3
 MTBF  .

2.3.1.3 Cas de n « Stand by »
R(t )  P(0 ou 1, ou 2,....ou n pannes)  P(0)  P(1)  P(2)  ....  P(n)

n
( .t ) i
 R (t )  e 
  .t
.
i 0 i!

n 1
Durée de vie moyenne : MTBF  .

2.3.2 Cas de commutation imparfaite

Nous devons tenir compte de la fiabilité du système de commutation notée

par Pc. Si le composant principal tombe en panne, la commutation se déclenche
avec une probabilité égale à Pc.
Si on examine le cas avec un seul stand by :

Notes de cours 20 I. KHEMILI / 2023

Fiabilité des systèmes Fiabilité des Systèmes Industriels

R(t )  P(0 ou 1 panne)  P(0)  P(1) .

1
P (0) t  e  .t  e  .t ;
1
.t
.Pc : Probabilité qu’il y ait un composant en panne et que le
P(1) t  e  .t
1
commutateur fonctionne.

 R(t )  e .t 1  Pc ..t  .

1 Pc
Durée de vie moyenne : MTBF   .
 
1  Pc
 MTBF  .

2.3.3 Cas où les deux composants ont des fiabilités différentes

RA

RB C

2.3.3.1 Cas de commutation parfaite

a
R(t )  e a .t 
 a  b

. e b .t  e a .t 
1 1
MTBF   .
a b
2.3.3.2 Cas de commutation imparfaite
a
R(t )  e a .t  Pc
 a  b

. e b .t  e a .t 
1 Pc
MTBF   .
a b
Exercice :
Soit le système suivant :

1
1 C
A B 2
2
3

Notes de cours 21 I. KHEMILI / 2023

Fiabilité des systèmes Fiabilité des Systèmes Industriels

Pour que le système puisse fonctionner, il faut qu’au moins deux composants
du sous système C fonctionnent.
Tous les composants ont une fiabilité exponentielle.
 a  10 6 ; 1b   2b  8.10 6 ; 1c  5.10 5 ; 2c  2.106 ; 3c  105 (pannes/heure).

2.4 Redondance

2.4.1 Caractéristiques de la redondance

Une solution simple pour accroître la fiabilité d’un système est de mettre
plusieurs composants, généralement identiques, en parallèles, soit :
 En redondance active : c'est-à-dire en faisant fonctionner tous ces
composants en même temps. (cette technique est largement utilisée,
notamment pour les avions). Les éléments s’usent en même temps, mais
une surveillance régulière de ces composants et le changement des
défaillants sans perturbation pour le système permet d’atteindre de haut
niveau de fiabilité.
 En redondance passive : dans laquelle on ne fait intervenir les éléments
redondants qu’en cas de besoin, mais il faut alors un système de
détection-commutation, c’est le « Stand by » déjà examiné.
 Redondance majoritaire (m parmi n) : parmi les n éléments constituant le
système, au moins m composants doivent fonctionner.
Exemple : Soit un système constitué par trois composants en parallèle :

1
C
2

Système 2/3 : R(t )  R1 R2 R3  R1 R2 Q3  R1 R3Q2  R2 R3Q1

Si les trois composants sont identiques :

Système 3/3 : R(t )  R 3

2/3 : R(t )  R 3  3R 2 Q

1/3 : R(t )  R 3  3R 2 Q  3RQ 2

Système 0/3 : R(t )  R 3  3R 2 Q  3RQ 2  Q 3  ( R  Q) 3 .

n
En général : 0/n : R(t )  ( R  Q) n   C nx R x Q n  x .
x 0

Notes de cours 22 I. KHEMILI / 2023

Fiabilité des systèmes Fiabilité des Systèmes Industriels

Les différents coefficients C nx peuvent être obtenus sans calcul à partir des
éléments du triangle de Pascal.
1
121
1331
14641
1 5 10 10 5 1
1 6 15 20 15 6 1

Exemple :
Un système est constitué de quatre composants identiques montés en
parallèle en redondance active. Chacun de ces composants a un comportement de
fiabilité sensiblement exponentiel avec   0,1 défaillances/an.
Pour que le système puisse fonctionner, il faut qu’au moins deux parmi les
quatre composants fonctionnent. Déterminer R(5 ans) .
2.4.2 Optimisation de la redondance

2.4.2.1 Exemple
Nombre de composants en // 1 2 3 4 5 6

Fiabilité du système 0,8 0,96 0,992 0,9984 0,99968 0,999936

% d’accroissement par rapport à 20% 24% 24,8% 24,96 24,99%

un seul composant

On n’a pas intérêt d’augmenter le nombre de composants, pour en avoir une

faible augmentation de la fiabilité du système, si le coût n’est pas très important.
Il est intéressant d’examiner de plus près l’amélioration de la fiabilité de ces
systèmes par la redondance obtenue en doublant ou triplant le nombre de
composants.

 Système « Série // » ou « // Série »

R1 R2
Série //
R1 R2

R1 R2

Rs  R1 R2
R1 R2
// Série
R1 R2

Notes de cours 23 I. KHEMILI / 2023

Fiabilité des systèmes Fiabilité des Systèmes Industriels

Série // : RS1  1  (1  RS ) 2  2R1 R2  ( R1 R2 ) 2 .

  
// Série : RS 2  1  (1  R1 ) 2 . 1  (1  R2 ) 2  4 R1 R2  2 R1 R2  2 R2 R1  ( R1 R2 ) 2 .
2 2

  RS 2  RS1  2 R1 R2  2 R1 R2  2 R1 R2  2.( R1 R2 ) 2  2 R1 R2 .(1  R1  R2  R1 R2 )

2 2

.
 2 R1 R2 .(1  R1 ).(1  R2 )  0
On a donc intérêt à doubler composant par composant que de doubler tout le
système.
2.4.2.2 Forme générale d’optimisation
Deux cas sont présents :
1. Maximiser la fiabilité R avec un Prix <Prix fixé.
2. Minimiser le prix avec R  Rlimite.
Si l’influence du prix est négligeable on va suivre une optimisation
progressive.
Exemple :

R1 R2 R3

R1  0,8 ; R2  0,7 ; R3  0,6 .

RS  R1 R2 R3  0,336 .

Cette fiabilité est très insuffisante et on veut une fiabilité minimale égale à
0,6 au moindre coût.
Nous commençons évidemment par doubler les composants de plus faible
fiabilité. C’est le composant 3 qui nous intéresse.
Le système devient :

R1 R2 R3

R3

La fiabilité de ce système est : RS '  0,8  0,7  0,84  0,47  0,6 .

L’élément de plus faible fiabilité est le composant 2.
Le système devient :

R1 R2 R3

R2 R3

La fiabilité de ce système est : RS ' '  0,8  (1  (0,3)²)  0,84  0,615  0,6 .
Nous pouvons nous arrêter à cette configuration.

Notes de cours 24 I. KHEMILI / 2023

Systèmes avec réparation Fiabilité des Systèmes Industriels

3. SYSTEMES AVEC RÉPARATION : MAINTENABILITÉ,

DISPONIBILITÉ
Nous ne sommes pas préoccupés jusqu’à maintenant des possibilités de
réparation des composants et des systèmes que nous avons étudiés.
Il est pourtant évident qu’entre deux systèmes de même fiabilité, celui qui est
le plus facilement réparable présente un atout supplémentaire.
Il sera donc intéressant de nous pencher sur cette facilité plus ou moins
grande de réparation. C’est ce que l’on appelle « maintenabilité ».
Mais on peut aller plus loin et se poser la question de savoir s’il vaut mieux
avoir un équipement très fiable mais très difficile à réparer en cas de panne, ou
au contraire, un système un peu moins fiable dont la remise en état de marche
serait instantanée. Nous serons donc amenés à regarder les caractéristiques de
fiabilité et de maintenabilité non plus isolement, mais au contraire à les associer
pour définir ce que l’on appelle la « disponibilité » d’un composant ou d’un
système. Cette disponibilité sera finalement le critère qui, en particulier sur le
plan économique, intéressera le plus l’utilisateur.

3.1 Maintenabilité

C’est par définition l’aptitude d’un matériel à être « maintenu » en un temps

donné dans un état et dans des conditions déterminées.
C’est la probabilité que ce matériel soit réparé en un temps t.
Soit Tr : temps de réparation.
M (t )  P(Tr  t ) .
3.1.1 Paramètres de la maintenabilité

On distingue quatre paramètres de la maintenabilité :

- M (t )  P(Tr  t ) .
dM (t )
- g (t )  : densité de probabilité de réparation.
dt
- g (t ).dt  P(t  Tr  t  dt) : probabilité que le matériel soit remis en service
entre t et t+dt.
-  (t ) : taux de réparation tel que  (t).dt est la probabilité que la réparation
soit terminée à t+dt sachant qu’elle n’est pas terminée à t.
C’est une probabilité conditionnelle (la condition : la réparation n’est pas
terminée à t).
Soient :
- L’événement A : « réparation non terminée à t »
- L’événement B : « réparation entre t et t+dt »

Notes de cours 25 I. KHEMILI / 2023

Systèmes avec réparation Fiabilité des Systèmes Industriels

Nous savons que :

p ( B / A)   (t ).dt
p ( A  B)  g (t ).dt ,
p ( A)  1  M (t )
p( A  B)
Or p( A  B)  p( A). p( B / A)  p ( B / A) 
p ( A)

g (t ).dt g (t )
D’où  (t ).dt    (t ) 
1  M (t ) 1  M (t )
 Autre relation entre M (t ) et  (t ) :
dM (t )
On sait que g (t )  ; soit S (t )  1  M (t )
dt
dM (t ) d (1  S (t )) dS (t )
 g (t )   
dt dt dt
dS (t )

g (t ) dt dS (t )
Or  (t )     (t ).dt  
1  M (t ) S (t ) S (t )
En intégrant :    (t ).dt  LogS (t )  LogS (0)

S ( 0)  1 t
Mais     (t ).dt  LogS (t )
LogS (0)  0 0


  ( t ). dt
D’où : M (t )  1  e 0

Exemple :
t


  ( t ). dt
 (t)  cte   ; M (t )  1  e 0
 1  e   .t

 (t ) M (t )

1 _
 = cte

t t

Notes de cours 26 I. KHEMILI / 2023

Systèmes avec réparation Fiabilité des Systèmes Industriels

3.1.2 Moyenne des temps de réparation : MTTR

C’est l’espérance mathématique de la variable aléatoire t.


E (t )  t   t.g (t ).dt .
0

ut  du  dt
Intégration par partie :
dv  g (t ).dt  v  M (t )
 
E (t )  t.M (t )   M (t ).dt  t.M (t )   (1  S (t )).dt
 
0 0

 
0

0

 t.M (t )0   dt   S (t ).dt



0 0

Or quand t  M(t)  1.
t=0 M(t)  0.

 E (t )  t 0  t 0   S (t ).dt
 


La moyenne des temps de réparation est donc : E (t )  t   (1  M (t )).dt  MTTR
0

Le sigle MTTR peut signifier: «Mean Time To Repair ».

Si la distribution des durées de réparation suit un modèle exponentiel tel
que  (t ) est constant, la maintenabilité sera exprimé par : M (t )  1  e   .t .
 
1 1
MTTR   (1  M (t )).dt   e   .t .dt   MTTR 
0 0  

3.2 Disponibilité

C’est par définition la probabilité pour que le matériel soit disponible à un

temps donné. On la note par A(t).
On dit que le matériel est disponible à t +t si :
- le matériel est disponible à t et pas de défaillance entre t et t +t, ou
- le matériel est en panne à t et fin de sa réparation entre t et t +t.
La probabilité que le matériel soit disponible à t +t est notée par A(t+t).
Soit  : taux de défaillance : nombre de panne par unité de temps, pendant t
on aura une probabilité de défaillance égale à .t.
Soit  : taux de réparation, pendant t on aura une probabilité de défaillance
égale à .t.
La probabilité que la matériel soit disponible à t est A(t),
La probabilité qu’il n’y ait pas de panne entre t et t +t est (1-.t),

Notes de cours 27 I. KHEMILI / 2023

Systèmes avec réparation Fiabilité des Systèmes Industriels

La probabilité qu’il soit en panne à t est 1-A(t),

La probabilité qu’il soit réparé entre t et t+t est .t.
A(t  t )  A(t ).(1  .t )  (1  A(t ))..t  A(t  t )  A(t )  (1  A(t )). .t  .t. A(t )

A(t  t )  A(t )
     . A(t )   . A(t )
t
dA(t )
Lorsque t  0     (   ).A(t )
dt
C’est l’équation différentielle de la disponibilité. Utilisons la transformé de
Laplace pour la résoudre.
 . A(0)  .(1  A(0)) (    ).t
On aura comme solution : A(t )   e .
 
A(0)  1
1. Si le matériel est disponible à t  0 : .
1  A(0)  0
 
A(t )   e (    ).t .
 

lim A(t )  .
t  
A( 0 )  0
2. Si le matériel n’est pas disponible à t  0 :
1  A( 0 )  1
 
A(t )   e (    ).t .
 

lim A(t )  .
t  


 A()  , c’est la disponibilité d’un matériel.


 1
.
  
MTBF
Ou encore : A()  .
   1 1 MTTR  MTBF

.  

Notes de cours 28 I. KHEMILI / 2023

Utilisation des chaînes de MARKOV Fiabilité des Systèmes Industriels

4. UTLISATION DES CHAINES DE MARKOV

4.1 Exemple introductif

Sur une machine à café on a fait des statistiques. On a relevé :

- Le nombre de pannes sur un mois.
- Les probabilités de passage de l’état de fonctionnement à l’état de panne
et de l’état de panne à l’état de fonctionnement.
 Si au jour j la machine est en fonctionnement :
75% la machine fonctionne
à j+1 :  .
25% la machine est en panne
 Si au jour j la machine est en panne :
50% la machine reste en panne
à j+1 :  .
50% la machine est réparée
4.1.1 Représentation par un graphe de transition

Soit E1 l’état de marche et E2 l’état de panne.

P12 = 0,25

P11 = 0,75 P12 = 0,5

E1 E2

P21 = 0,5

4.1.2 Représentation par une matrice de transition

Jour j+1
E1 E2

E1 P11 = 0,75 P12 = 0,25

Jour j
E2 P21 = 0,5 P22 = 0,5


t
Soit i : probabilité d’état en fonction du temps. C’est la probabilité de se
trouver dans l’état i à l’instant t.
Or la probabilité d’être dans l’état E1 au jour j+1 est égale à :

Notes de cours 29 I. KHEMILI / 2023

Utilisation des chaînes de MARKOV Fiabilité des Systèmes Industriels

proba. d' être dans E1 à j  proba. de transition de E1 à E1 .



proba. d' être dans E à j  proba. de transition de E à E .
 2 2 1

  1j 1   1j P11   2j P21 .
 11   10 P11   20 P21
Nous pouvons donc écrire : .
 21   10 P12   20 P22

  ( 1t ;  2t ) le vecteur de probabilité d’état à l’instant t.

t
Soit

P P12 
  ( 1j ;  2j )  ( 1j 1 ;  2j 1 ). 11  .
j

 P21 P22 
Deux cas se présentent :

 1er cas : à t  0 la machine fonctionne    ( 10 ; 20 )  (1 ; 0) .

0

Jour 0 1 2 3 4 5 6 7 8 9

E1 1 0,75 0,6875 0,6718 0,6679 0,66699 0,66678 0,66668 0,66667 0,6666  2/3

E2 0 0,25 0,3125 0,3282 0,3321 0,33301 0,33322 0,33332 0,33333 0,3333  1/3

 1er cas : à t  0 la machine est en panne    ( 10 ; 20 )  (0 ; 1) .

0

Jour 0 1 2 3 4 5 6 7 8 9

E1 1 0, 5 0,625 0,6562 0,6640 0,6665 0,666628 …… …… 0,6666  2/3

E2 0 0, 5 0,375 0,3438 0,3360 0,3335 0,333372 …… …… 0,3333  1/3

On remarque que qu’après avoir fonctionné pendant longtemps, la probabilité

de trouver la machine en service se stabilise en une valeur égale à 2/3, c’est la
disponibilité de cette machine.
On peut facilement retrouver cette valeur de la disponibilité en appliquant la

formule : A()  .

Or  = 0,25 pannes par jour,
 = 0,5 réparation par jour.
 0,5 2
 A()    .
 0,25  0,5 3
Donc la machine est disponible deux jours sur trois.

Notes de cours 30 I. KHEMILI / 2023

Utilisation des chaînes de MARKOV Fiabilité des Systèmes Industriels

À priori ce type de calcul parait bien fastidieux si nous devons calculer un

grand nombre de valeurs avant d’atteindre l’infinie. En réalité nous allons voir
que l’utilisation des chaînes de MARKOV nous permettra d’avoir un calcul tout à
fait simple. De plus nous pouvons l’étendre au cas où nous aurons la possibilité
d’un nombre d’états supérieur à deux.

4.2 Processus stochastique et chaînes de MARKOV

4.2.1 Définition

On appelle processus stochastique, une famille de variables aléatoires. Notre

variable X évoluera dans ce que nous appellerons l’espace des états, en fonction
du temps t. on s’intéresse au cas où le temps est discret et l’espace des états est
discret.
Ce processus est caractérisé par :
- le nombre d’états (fini ou infini).
- Les intervalles t, ou étapes.
- La probabilité Pij de passage d’un état Xi à un état Xj au cours de t.

1 t

2
3

i
Pij
j

État m

Un processus stochastique sera une chaîne de MARKOV si :

- Le temps est discret.
- L’espace d’états est discret et est fini.
- Les probabilités de transition sont stationnaires dans le temps ( Pij  cte ).

-  
On connaît un vecteur de probabilité initial :  0   10 ,... m0 , donnant la
probabilité d’être dans chacun des m états au temps t.

Notes de cours 31 I. KHEMILI / 2023

Utilisation des chaînes de MARKOV Fiabilité des Systèmes Industriels

4.2.2 Représentation d’une chaîne de MARKOV

4.2.2.1 Matrice de transition

État à t+1
E1 E2 E3 E4
E1 1 / 6 1 / 2 0 1 / 3 
 
État à t

E2  0 0 1/ 4 3 / 4
E3 1 / 2 0 1 / 2 0 
 
E4  0 0 
 0 1
4.2.2.2 Graphe de transition

1/6
1/2 E2
E1

1/2
1/4
1/3
3/4

E4 E3 1/2
1

4.2.3 Matrice stochastique

Une matrice de transition est une matrice stochastique, c'est-à-dire

caractérisée par :
 0  Pij  1  i, j
  Pij  1,  i
 j

Une propriété importante des matrices stochastiques est : le produit de deux

matrices stochastiques est une matrice stochastique.
4.2.4 Probabilité de transition d’un état i à un état j en n étapes

 Transition en 2 étapes :
Comme il est montré dans la figure ci-après, l’étape intermédiaire à t+1 peut
se faire en n’importe lequel des états Ek (k = 1…m). La probabilité de transition
de i à j en 2 étapes que nous désignerons par : Pij( 2 ) prendra donc en compte toutes
ces possibilités d’état intermédiaire, donc :
Pij( 2)  Pi1 .P1 j  Pi 2 .P2 j  .........  Pim .Pmj
m
d’où : Pij( 2)   Pik .Pkj
k 1

Notes de cours 32 I. KHEMILI / 2023

Utilisation des chaînes de MARKOV Fiabilité des Systèmes Industriels

t t+1 t+2
1
2
3

i
j

État m

Nous observons clairement que cette probabilité est l’élément ij de la matrice

produit : Pij  .
2

 Transition en un nombre d’étapes n quelconque :

Par récurrence, nous obtenons immédiatement :
- Proba de transition en 3 étapes = Pij(3) = l’élément ij de la matrice Pij 
élevée au cube.
- ………….
- ………….
Proba de transition en n étapes = Pij(n ) = l’élément ij de la matrice Pij  .
n
-
4.2.5 Vecteur d’état et probabilité de transition

Comme l’on a déjà mentionné le vecteur d’état est le vecteur dont les
éléments sont les m probabilités d’être dans chacun des m états à un instant
donné.
Nous avons déjà établi une relation très importante qui exprime le vecteur
d’état à l’instant j+1 en fonction du vecteur d’état à l’instant précédent j :
 j 1   j Pij 
Si nous connaissons le vecteur d’état initial à l’instant t = 0, nous pouvons
facilement déduire le vecteur d’état, une transition plus tard :  1   0 Pij 

De même, nous pouvons écrire :  2   1 Pij    0 Pij 

2

Et d’une manière générale :    Pij 

n 0 n

Nous verrons que nous utiliserons beaucoup cette très importante relation.

Notes de cours 33 I. KHEMILI / 2023

Utilisation des chaînes de MARKOV Fiabilité des Systèmes Industriels

Remarque :
Ceci correspond tout à fait au calcul que nous avions fait dans l’exemple de la
machine à café où nous avions seulement deux états et donc une matrice de
transition de dimension 2x2. Les multiplications successives de notre vecteur
d’état par cette matrice nous avaient permis de déterminer les probabilités
d’avoir ou de ne pas avoir du café.
Nous avions également vu dans cet exemple que la probabilité de se trouver
dans l’état E1 ou dans l’état E2 tendait vers les limites 2 3 et 1 3 lorsque t tendait
vers l’infini.
Nous allons bien évidemment nous demander, ici également, si le vecteur
 n tendait vers une limite quand n tend vers l’infini.
Nous allons voir qu’il ne sera généralement pas nécessaire de multiplier une
infinité de fois la matrice de transition Pij  par elle-même pour le savoir.

4.3 Matrices stochastiques régulières

4.3.1 Définition

Une matrice stochastique (M) est dite régulière s’il existe une puissance k
quelconque de (M) telle que tous les éléments de M  sont strictement positifs.
k

Le graphe de transition correspondant à une matrice de transition régulière

est fortement connexe (il existe un chemin de tout sommet i à tout sommet j).
4.3.2 Exemples

 0 1   1/ 2 1/ 2 
M    M 
2
  ;  
1/ 2 1/ 2   1/ 4 3 / 4 
Il existe k = 2 tel que (M)²0. Donc la matrice (M) est régulière.
 1 0   1 0 
M     ; M   
2
 .
1/ 2 1/ 2   3 / 4 1/ 4 
Toutes les puissances de (M) auront la même forme, donc non régulière.
On peut distinguer de différentes formes de matrice régulière et non
régulière :
0 a a b
  ;  sont deux formes de matrices régulières.
b c   c 0
 a 0  a b
  ;  sont deux formes de matrices non régulières.
b c 0 c

Notes de cours 34 I. KHEMILI / 2023

Utilisation des chaînes de MARKOV Fiabilité des Systèmes Industriels

4.3.3 Propriétés

Si (M) est une matrice stochastique régulière :

1. (M) contient un vecteur de probabilité particulier  * dont toutes les
composantes sont strictement positives.
2. La suite des puissances ( M )2 , ( M )3 , ..., converge vers une matrice (T ) dont
toutes les lignes sont identiques à un même vecteur  * appelé « point
fixe ».
3. Si  est un vecteur de probabilité quelconque, la suite des
vecteurs  ( M ),  ( M ) 2 , …, converge vers le vecteur point fixe  * .
Nous avons déjà rencontré cette dernière propriété dans notre exemple de la
machine à café.
n  n 
 0, 75 0, 25   0, 75 0, 25 
On avait déjà : 1 0      0 1     *   2 / 3 1/ 3 .
 0,5 0,5   0,5 0,5 
 *   ( M )n ; quand n   :  *   ( M )n   ( M ) n 1 .

  *   * (M ) .
Soulignons que le vecteur limite ne dépend pas de l’état initial.
4.3.4 Détermination du vecteur limite (point fixe)

Nous pouvons déterminer ce vecteur par deux méthodes :

- En utilisant la relation :  *   * ( M ) .
- En utilisant la méthode de balance.
 Utilisation de la relation  *   * ( M ) :

 0 1 
Exemple : soit  M     une matrice régulière.
1/ 2 1/ 2 
D’après les propriétés des matrices stochastiques régulières, il doit exister un
 
vecteur de probabilité limite  *  1* ,  2* tel que 1*   2*  1.

 0 1 
Nous pouvons écrire que  1* ,  2*      1 ,  2  . Ceci nous donne un
* *

 1/ 2 1/ 2 
système de deux équations à deux inconnues, qui est très facile à résoudre.
1 *
 2  2   1
*


 *  1  *   *
 1 2 2 2

1 2
En plus de la relation 1*   2*  1, nous obtenons :  *   ,  .
3 3

Notes de cours 35 I. KHEMILI / 2023

Utilisation des chaînes de MARKOV Fiabilité des Systèmes Industriels

 Méthode de « Balance » :
C’est une autre façon d’écrire les relations tirées du produit matricielle :
   * ( M ) . Elle se résume par la formule lapidaire : « ce qui sort d’un sommet est
*

égal à ce qui y rentre ».

  i* Pij    *j Pji  i.
j j
Ce qui sort Ce qui
de i rentre en i

 0, 4 0,3 0,3 
 
Exemple : soit  M    0,1 0,8 0,1  , une matrice régulière.
 0,1 0,3 0, 6 
 

 
Il existe  *  1* ,  2* ,  3* tel que 1*   2*   3*  1 .

L’application de la méthode de balance nous conduit au système d’équations :

0, 6 1*  0,1  2*  0,1  3*
 1 3 9 
0, 2  2  0,3  1  0,3  3  *   , , .
* * *

  7 5 35 
0, 4  3  0,3  1  0,1  2
* * *

4.4 Typologie des états d’une chaîne de MARKOV

Nous avons vu que si la matrice de transition était régulière, le graphe de

transition était fortement connexe et que le vecteur des probabilités d’états
tendait vers une limite  * lorsque le nombre de transition tendait vers l’infini.
Bien évidemment, les matrices de transitions ne sont pas toujours
régulières ; à titre d’exemple examinons la matrice suivante :

A B C D E F G H
A 0,1 0,3 0,6
B 0,2 0,4 0,4
C 1
D 0,8 0,2
E 0,4 0,1 0,5
F 0,3 0,5 0,2
G 1
H 1

Nous pouvons souligner, sur cette matrice, un certain nombre de

particularités :
- si on est dans l’état C, on n’en sort plus, nous dirons que C est état
absorbant.

Notes de cours 36 I. KHEMILI / 2023

Utilisation des chaînes de MARKOV Fiabilité des Systèmes Industriels

- Le seul élément différent de zéro dans la colonne D se trouve sur la

diagonale, ce qui signifie que D n’est alimenté que par lui-même. Donc si
nous quittons l’état D nous n’y reviendrons jamais, nous dirons que D est
un état transitoire.
- Il en est de même pour l’état B.
- Les états G et H forment un groupe particulier qui constitue un sous
ensemble absorbant périodique.
- Les derniers états A, E et F forment de la même manière que G et H un
sous ensemble absorbant apériodique.
Il est généralement commode de réorganiser la matrice de transition de
manière à regrouper ensemble les états d’une même catégorie.
Cette réorganisation apparaît dans la matrice suivante :

C A E F G H B D
C 1
A 0,1 0,3 0,6
E 0,4 0,1 0,5
F 0,3 0,5 0,2
G 1
H 1
B 0,2 0,4 0,4
D 0,8 0,2

4.5 Application à la fiabilité

Les différents états des chaînes de MARKOV que nous utiliserons pourront
représenter entre autre plusieurs états d’usure. (ième état correspond au ième degré
d’usure)
En absence de réparation, l’évolution est généralement à sens unique : du
matériel neuf vers une usure de plus en plus avancée. S’il n’y aura pas
d’intervention, le matériel finira par tomber en panne et restera dans cet état de
panne qui est donc un état absorbant. Dans ce cas, la matrice sera triangulaire
supérieure.
Exemple :
Dans une importante société de transport, on veut suivre l’évolution des états
des pneus des autobus utilisés.
Selon la profondeur des empruntes, les pneus sont classés dans les quatre
états suivant :
- état 1 : h  10 mm  pneu neuf
- état 2 : 5  h  10 mm  pneu faiblement usée.
- état 3 : 1  h  5 mm  pneu fortement usée.

Notes de cours 37 I. KHEMILI / 2023

Utilisation des chaînes de MARKOV Fiabilité des Systèmes Industriels

- état 4 : h  1 mm  pneu hors usage.

h est la profondeur des empruntes.
Les statistiques réalisées sur ces pneus ont conduit à établir la matrice de
transition suivante :
État à t+1
E1 E2 E3 E4
E1  0,3 0,5 0,1 0,1 
 
tat à t

E2 Transitoires
 0 0, 4 0, 4 0, 2 
E3  0 0 0,5 0,5 
E4  0 1 

Absorbant
 0 0

a b
Cette matrice est de la forme   : non régulière.
0 c
S’il y aura réparation, tous les pneus hors usage (se trouvant dans l’état 4)
vont être remplacés par des neufs (passage à l’état 1). La matrice de transition
avec réparation sera :
État à t+1
E1 E2 E3 E4
E1  0,3 0,5 0,1 0,1 
État à t

E2  
 0 0, 4 0, 4 0, 2 
E3  0 0 0,5 0,5 
 
E4  1 0 0 0 

a b
Elle est de la forme   : régulière.
 c 0

 
Il existe donc un vecteur de probabilité d’états limite  *  1* ,  2* ,  3* ,  4* tel
que         1 .
*
1
*
2
*
3
*
4

Ce vecteur nous permettra, entre autres, de prévoir quelle sera la proportion

de pneus dans chacun des états, après quelques mois de transitions. En
particulier, la probabilité  4* , permettra de déterminer la quantité de pneus à
changer chaque mois.
En appliquant la méthode de balance, nous obtenons :
 *   0.294 ; 0.245 ; 0.254 ; 0.205
Nous devons prévoir qu’il faudra changer environ 20% des pneus chaque
mois.
Bien évidemment si nous imaginons que nous sommes dans le premier cas
(sans réparation), l’état limite prendra la forme particulière :  *   0, 0, 0, 1 .

Notes de cours 38 I. KHEMILI / 2023

Utilisation des chaînes de MARKOV Fiabilité des Systèmes Industriels

Il est néanmoins intéressant de déterminer l’évolution de notre matériel et de

calculer la probabilité de se trouver dans chacun des états d’usure, au bout d’une
période, de deux périodes,…
Ainsi, dans l’exemple précédent des pneus, si au temps 0, tous les pneus sont
neufs :  0  1, 0, 0, 0  , on aura au bout d’une période :

 0,3 0,5 0,1 0,1 

 
 1   11 ,  21 ,  31 ,  41 
0 0, 4 0, 4 0, 2 
 1, 0, 0, 0     0.3, 0.5, 0.1, 0.1 .
 0 0 0,5 0,5 
 
 0 0 0 1 
10% des pneus vont être inutilisable après une période.
Au bout de deux périodes :
 0,3 0,5 0,1 0,1 
 
 2   12 ,  22 ,  32 ,  42   0 0, 4 0, 4 0, 2 
  0.3, 0.5, 0.1, 0.1   0.09, 0.35, 0.26, 0.28 
 0 0 0,5 0,5 
 
 0 0 0 1 

Après deux périodes nous aurons 28% des pneus hors d’usage. S’il n’y aura
pas d’intervention cette propagation va évidemment croître jusqu’à 100%.

4.6 Probabilité d’absorption

Dans un système comportant plusieurs états absorbants comme, par

exemple, différents états de panne en fiabilité (panne par usure, panne par
rupture, panne par grippage…), il est évidemment intéressant de déterminer à
l’avance quelles sont les probabilités des différentes « fin de carrière ». Ceci
correspond aux probabilités d’absorbtion par chacun des états absorbants j
lorsque le système se trouve dans l’état transitoire i.
Si nous désignons par :
aij : la probabilité d’absorbtion par j (absorbant) lorsque l’on est dans l’état i,

E : l’ensemble de tous les états du système,

Ea : l’ensemble des états absorbants,
Et : l’ensemble des états transitoires,
k : le premier état visité en partant de i.
Nous pouvons écrire :
aij   Pik .akj   Pik .akj   Pik .akj .
kE kEa kEt

Or si k est absorbant akj  0 sauf pour k  j où akj  akk  1.

Donc aij  Pij .1   Pik .akj  aij  Pij   Pik .akj

kEt kEt

Notes de cours 39 I. KHEMILI / 2023

Utilisation des chaînes de MARKOV Fiabilité des Systèmes Industriels

En écrivant une expression identique pour les différentes akj (avec k non
absorbant), nous obtiendrons un système de t équations linéaires à t inconnues
qui nous permettra de déterminer les t probabilités aij correspondant aux t états
transitoires.
Exemple :
Supposons un système sans réparation pour lequel nous avons défini deux
états de fonctionnement (1 et 2) et deux états de panne (3 et 4). Supposons que la
matrice de transition soit :
 0,3 0,5 0,1 0,1 
 
 Pij    0 0 1 0  .
 0 0, 7 0,1 0, 2 

 0 1 

 0 0
 Calculons les probabilités d’absorbtion par l’état 3 (rupture) :
- à partir de l’état 1 : a13  P13  P11.a13  P12 .a23 .
- à partir de l’état 2 : a23  P23  P21.a13  P22 .a23 .
Ces deux équations constituent un système à deux inconnues.
a13  0,380
0, 7.a13  0,5.a23  0,1
 ; d’où 1 .
0,3.a23  0,1 a23 
3
 Calculons les probabilités d’absorbtion par l’état 4 (usure) :
- à partir de l’état 1 : a14  P14  P11.a14  P12 .a24  0,1  0,3.a14  0,5.a24 .

- à partir de l’état 2 : a24  P24  P21.a14  P22 .a24  0, 2  0  0, 7.a24 .

a14  0, 618
0, 7.a14  0,5.a24  0,1
D’où le système :  , donc 2 .
0,3.a24  0, 2 a24 
3
Remarque :
Les états, 1 et 2 étant transitoires, on est certain qu’à partir de l’un ou l’autre
de ces états, le système finira forcément par se faire absorber soit par l’état 3, soit
par l’état 4.
On vérifie bien cette propriété, en effet :
a13  a14  0,380  0, 618  1
1 2 .
a23  a24    1
3 3

4.7 Temps d’attente avant absorbtion

Lorsque notre matrice de transition comporte un ou plusieurs états

absorbants, nous pouvons nous interroger sur le nombre de transitions entre les

Notes de cours 40 I. KHEMILI / 2023

Utilisation des chaînes de MARKOV Fiabilité des Systèmes Industriels

états transitoires auquel nous pouvons nous attendre, avant de « tomber »

définitivement dans un état absorbant.
Ce nombre de transitions ou de périodes avant l’état de panne nous indiquera
sur la durée de vie probable du système.
Ce nombre de transition noté Nij est évidemment une variable aléatoire
dépendant de l’état de départ, i et de l’état d’absorbtion, j.
Nous allons essayer de calculer la moyenne de cette variable aléatoire
notée : nij  E ( Nij ) .

Nous désignons par :

E : l’ensemble de tous les états du système,
Ea : l’ensemble des états absorbants,
Et : l’ensemble des états transitoires,
Hypothèse Hk : k le premier état visité en partant de i.
Nous pouvons écrire : p  Nij   p  Nij / H k  . p  H k  ,

d’où : E  Nij    E  Nij / H k  . p  H k  .

kE

Mais dans ces conditions : N ij  1  N kj et donc : E  Nij   E 1  Nkj  .

Nous pouvons donc écrire sous forme récursive :

nij  E  N ij    E 1  N kj  .Pik
kE
.
nij   E 1  N kj  .Pik   E 1  N kj  .Pik
kEa kEt

Or si k  Ea, Nkj  N jj  0 .

Il reste donc : nij   Pik   Pik   nkj .Pik  nij  1   nkj .Pik
kEa kEt kEt kEt

En écrivant une expression identique pour les différentes nkj (avec k non
absorbant), nous obtiendrons un système de t équations linéaires à t inconnues
qui nous permettra de déterminer les t probabilités nij correspondant aux t états
transitoires.
Exemple :
 0, 4 0,5 0,1 
 Pij    0 0, 7 0,3  ; L’état 3 est absorbant.
 0 1 
 0

- à partir de l’état 1 : n13  1  P11.n13  P12 .n23 .

- à partir de l’état 2 : n23  1  P21.n13  P22 .n23 .

Notes de cours 41 I. KHEMILI / 2023

Utilisation des chaînes de MARKOV Fiabilité des Systèmes Industriels

0, 6.n13  0,5.n23  1 n13  4, 44 périodes

D’où le système :  , on en tire .
0,3.n23  1 a23  3,33 périodes

Si l’état 3 correspond à l’état de panne ces nombres moyens de transitions

nous donnent le nombre moyen de périodes avant la panne.
Exercice :
Une pièce mécanique est examinée à la fin de chaque semaine par le
technicien de maintenance.
Cette pièce non réparable peut se trouver dans différents états :
E1 : pièce neuve.
E2 : pièce faiblement usée.
E3 : pièce fortement usée.
E4 : pièce totalement usée (non utilisable).
E5 : pièce cassée (rupture accidentelle).
Si une pièce est dans un état i (=1, 2, 3) à la fin d’une semaine, elle peut à la
fin de la semaine suivante se trouver :
- dans le même état avec la probabilité p.
- dans l’état i+1 avec la probabilité q.
- dans l’état E5 avec la probabilité r.
Il n’y a évidemment pas d’évolution à partir des états E4 et E5.
1°) représentez l’évolution de l’état de cette pièce par une chaîne de
MARKOV à 5 états et établir la matrice de transition.
2°) Déterminer la probabilité pour que cette pièce finisse sa vie par rupture.
3°) déduire la probabilité de finir par usure.
4°) déterminez la durée de vie moyenne de cette pièce.

Notes de cours 42 I. KHEMILI / 2023