oui - Université de technologie de Troyes

Sujet de thèse
Optimisation des maintenances préventives des systèmes
technologiques en tenant compte de leurs niveaux de
performances et de leur dégradation
Directeur de thèse : Eric CHÂTELET, UTT, ICD-LM2S
Co-directeur de thèse : Nazir CHEBBO, UL, IUT Saïda
1. Sujet de recherche détaillé
Introduction et contexte
Ce projet de thèse s’inscrit dans la suite de plusieurs travaux effectués depuis plusieurs années
sur le problème de la prise en compte des comportements fiabilistes de systèmes industriels
pour définir des politiques de maintenance à l’UTT/ICD-LM2S (par exemple, thèse M.
Mohamad Samrout, soutenue le 01/12/2006 sur l’optimisation des dates et actions de
maintenance préventive [1], thèse financée par l’AUF en collaboration avec l’IUT de Saïda,
Liban).
La détermination de périodes de maintenance préventive optimales des composants peut
permettre une réduction notable des coûts de possession ou d'exploitation d'un système
industriel en particulier, réduction des coûts de maintenances curatives et d’indisponibilités
fortuites.
Celle-ci nécessite l’étude des aléas qui peuvent apparaître au cours de la vie d’un système en
connaissant le comportement des composants dans diverses situations (déterministes ou
aléatoires), mais aussi celui des activités de maintenance, en particulier préventive. En effet,
celle-ci ne sont pas toujours « parfaite » et présentent également des aléas qui peuvent créer
des écarts notables entre les états réels des composants et leurs états supposés. Or, une
mauvaise estimation de l’état d’un composant peut conduire à des pannes précoces entre deux
interventions de maintenance préventive engendrant un surcoût de maintenance et pouvant
affaiblir voire mettre à défaut le système entier. Ce cas de figure est non seulement
préjudiciable pour la production ou le service rendu par le système (disponibilité) mais aussi
pour sa sécurité (fiabilité, gravité).
Si la connaissance de cet état peut être améliorée par la maintenance conditionnelle (suivi
d’indicateurs de dégradation par exemple), il est utile, dans la mesure du possible, de d’abord
s’intéresser à l’optimisation de la maintenance préventive (en prenant en compte les
informations qu’elle délivre).
En effet, la maintenance conditionnelle est plus efficace que la maintenance préventive
systématique, mais plus coûteuse et parfois guère plus efficace qu’une maintenance
prévisionnelle (planification d’après un schéma théorique de dégradation) si les modes de
dégradation du système sont bien connus dans la pratique ou encore peu dépendants ou
sensibles aux variabilités potentielles de l’environnement du système. Elle a néanmoins un
intérêt pour les PMI/PME si elle relève d’une démarche globale intégrant tous les aspects de
la maintenance (curative, préventive et conditionnelle).
Descriptif des objectifs de recherche
Le projet proposé s’intéresse à la problématique de l’optimisation de la maintenance
préventive ce qui implique, d’une part, le développement d’un modèle d’évaluation de
performances de la maintenance préventive (coût, disponibilité, fiabilité), et d’autre part, la
formalisation et la résolution d’un problème d’optimisation (construction d’une fonction de
coût, spécification des contraintes, détermination du schéma d’optimisation sous contrainte).
Il s’agit de contribuer à la modélisation semi-analytique de la maintenance préventive en
prenant en compte les autres modes de maintenance (curative, conditionnelle) et à son
optimisation grâce à des modèles plus aptes à prendre en compte ce couplage avec l’ensemble
des caractéristiques des actions de maintenance. Ainsi, la recherche d’une solution optimale
(coût minimal) reste possible en dépassant les limites dues à des hypothèses trop
simplificatrices comme l’indépendance des composants ou concernant les actions de
maintenance (voire des ressources associées). Cela doit également prendre en compte les
contraintes liées à l’activité industrielle (disponibilité, sécurité).
Ainsi, l’étude de l’impact des actions de maintenances en termes de performance et de coût
permet de l’intégrer dans une démarche d’optimisation [9] (celles déjà développées à l’aide
d’algorithmes stochastiques : [1-6]) et donc d’évaluer la contribution de chacune d’elles, pour
en déduire la réelle nécessité ou non. Du point de vue théorique, la maintenance
conditionnelle pourrait être traitée comme un processus stochastique complexe dont on
connaîtrait de multiples réalisations, alors qu’une maintenance prévisionnelle ne s’appuie que
sur des comportements moyens, des évaluations de probabilités d’atteinte de niveaux de
dégradation et des observations issues de maintenances systématiques, curatives ou des
contrôles. Pour atteindre cet objectif, l’amélioration de la modélisation du comportement des
systèmes industriels vis-à-vis des dégradations est nécessaire [11,18,19]. Cela permet donc
d’envisager raisonnablement des actions de maintenance prévisionnelle : à partir des
connaissances de la maintenance prévisionnelle systématique et de celle des processus de
dégradation, on décide de modifier les futurs actions de maintenance (date et type d’action) en
essayant tout à la fois de réduire les coûts et d’assurer un niveau de maintenance au moins
équivalent [2,3,11,14,16,18,19] ou de respecter des contraintes de productivité
[2,3,7,12,15,17] et/ou de ressources disponibles [10]. De plus, l’approfondissement des
connaissances des modes de dégradation des systèmes peut être exploité pour la réduction des
risques (cas de défaillances à conséquences importantes : risques de dégradations coûteuses,
impacts sur les personnes ou l’environnement).
Les méthodes envisagées s’appuient sur des modèles à base de processus stochastiques
(approches markoviennes, UGF [1-7,12,17], voire des approches dynamiques probabilistes
i.e. couplage déterministe-stochastique) prenant en compte les éventuelles dépendances entre
composants (des travaux préliminaires sont en cours sur ce dernier aspect [8]). Des
développements innovants, en particulier en ce qui concerne les descriptions des processus de
dégradation et des dépendances sont ainsi envisagés.
Intégrées dans des modèles d’optimisation de la maintenance préventive et conditionnelle, ces
méthodes pourront apporter des réponses plus réalistes que celles disponibles à l’heure
actuelle. En particulier, les algorithmes stochastiques d’optimisation actuellement développés
(méta-heuristiques : algorithmes génétiques, colonies de fourmis [1-6,13,17]) seront adaptés
pour prendre en compte les contraintes spécifiquement industrielles et les apports des modèles
de dégradations. Une telle approche est originale et peu de publications traitent actuellement
cette problématique. Elle est d’un intérêt certain du point de vue industriel mais n’est
abordable qu’à condition de bien maîtriser à la fois les méthodes avancées d’optimisation
stochastique et de modélisation des processus de dégradation.
2. Programme de recherche prévu pour la thèse et échéancier
Programme de recherche prévu
Le programme de recherche est divisé en trois parties. La première partie concerne
l’approfondissement de l’état de l’art et l’identification plus précise des pistes de recherche
relatives à l’exploitation des processus markoviens et de l’UGF (voire d’autres méthodes de
couplages déterministes-stochastiques) appliquées à la sûreté de fonctionnement. Les
propriétés et performances des modèles utilisés en optimisation de la maintenance préventive
seront alors comparées à ces processus.
La seconde partie consiste à développer des modèles à base de processus markoviens et de
l’UGF (et en s’inspirant des résultats de l’état de l’art) pour les appliquer à des
problématiques d’optimisation de maintenance préventive. Une comparaison des résultats
obtenus pourra être faite avec ceux issus des modèles développés précédemment (résultats de
la thèse de M. Samrout en particulier). Le but est de montrer leur efficacité et d’identifier les
améliorations potentielles à réaliser pour s’approcher d’hypothèses réalistes. Au cours de ces
travaux, la prise en compte des modes de dégradation des composants et des dépendances sera
prioritaire.
La troisième partie est dédiée aux applications des modèles développés à des problèmes
d’optimisation de maintenance préventive issus de la réalité industrielle. Dans ce cadre,
l’extension des modèles à de plus grands nombres de composants pourrait conduire à
exploiter la simulation Monte Carlo.
L’échéancier ci-dessous présente la planification de l’exécution de ces trois parties ainsi que
les « livrables » prévus.
Echéancier
D’après les recherches proposées ci-dessus, l’échéancier suivant est proposé :
Etape 1 : Etat de l’art et identification de pistes de recherche en particulier concernant les
processus markoviens et l’UGF appliqués à l’optimisation de la maintenance préventive, et en
prenant en compte les dépendances, les dégradations et les contraintes industrielles (en
particulier, la productivité).
Durée : 6 + 3 mois
Livrables : rapport bibliographique, rapport synthétique d’orientation des recherches, premiers
développements sur un modèle simplifié.
Etape 2 : Développement de modèles à base de processus markoviens et d’UGF (voire avec
d’autres aspects), comparaison aux performances d’autres modèles appliqués à l’optimisation
de maintenance préventive.
Durée : 15 mois (dont 3 mois en parallèle avec l’étape 1)
Livrables : rapports intermédiaires pour l’application de chaque modèle, rapport de synthèse
comparatif entre modèles, publications dans des revues nationales et internationales à comité
de lecture (relatives aux applications des différents modèles et leurs performances) et
communications dans des conférences internationales.
Etape 3 : Application des modèles développés à des problèmes d’optimisation de la
maintenance préventive en s’appuyant sur des cas concrets si possible. Etude d’extensions
possibles, en particulier pour traiter des cas à grands nombres de composants (approche semianalytique).
Durée : 12 mois (dont 6 mois de rédaction de mémoire de thèse et de finalisation des
publications).
Livrables : rapport sur l’optimisation de la maintenance préventive à l’aide de méthodes
originales (prise en compte des dépendance, des dégradations et des contraintes
opérationnelles), mémoire de thèse de doctorat, publications dans des revues nationales et
internationales à comité de lecture (relatives aux applications des différents modèles et leurs
performances) et communications dans des conférences internationales.
3. Liste de publications les plus significatives
[1] M. Samrout, Optimisation de la maintenance préventive des systèmes série-parallèle à l’aide de
métaheuristiques, thèse de doctorat de l’Université de technologie de Troyes, décembre 2006, n°0016.
[2] M. Samrout, E. Châtelet, R. Kouta, et N. Chebbo, Optimization of maintenance policy using
proportional hazard model, Reliability Engineering and System Safety, sous presse, janvier 2009, 94 (1),
44-52.
[3] M. Samrout, E. Châtelet, R. Kouta, et N. Chebbo, Decision Making Optimization in Complex System's
Maintenance Policy Using Metaheuristics, UGF and Proportional Hazard Model, International Journal of
Computational Science, 2007, 1 (1), 40-57.
[4] M. Samrout, R. Kouta, F. Yalaoui, E. Châtelet, et N. Chebbo, Parameter's setting of the ant colony
algorithm applied in preventive maintenance optimization, Journal of Intelligent Manufacturing, juillet
2007, 18 (6), 663-677.
[5] M. Samrout, F. Yalaoui, E. Châtelet et N. Chebbo, New methods to minimize the preventive
maintenance cost of series-parallel systems using ant colony optimization, Reliability Engineering and
System Safety, 89 (3), septembre 2005, 346-354.
[6] R. Bris, E. Châtelet, et F. Yalaoui, New method to minimize the preventive maintenance cost of seriesparallel systems, Reliability Engineering and System Safety, 82 (3), 2003, 247-255.
[7] A. Lisnianski, Extended block diagram method for a multi-state system reliability assessment, Reliability
Engineering and System Safety, 92 (12), décembre 2007, 1601-1907.
[8] H. Yu, C. Chu, E. Châtelet, F. Yalaoui, Reliability optimization of a redundant system with failure
dependencies, Reliability Engineering and System Safety, 92 (12), décembre 2007, 1627-1634.
[9] R. Dekker, Applications of maintenance optimization models : a review and analysis, Reliability Engineering
and System Safety, 1996, 51, 229-240.
[10] R. Dekker, F. van der Duyn Schouten, R. Wildman, A review of multi-component maintenance models with
economic dependence, Mathematical Model of Operational Research, 1996, 45 (3), 411-435.
[11] H. Wang, A survey of maintenance policies of deterioring systems, European Journal of Operational
Research, 2002, 139, 469-489.
[12] G. Levitin, A. Linianski, Optimisation of imperfect preventive maintenance for multi-state systems,
Reliability Engineering and System Safety, 2000, 67, 193-203.
[13] C. M. F. Lapa, C. M. Pareira, M. P. De Barros, A model for preventive maintenance planning by genetic
algorithms based in cost and reliability, Reliability Engineering and System Safety, 2006, 91 (2), 233-240.
[14] S. Sheu, W. S. Grith, T. Nakagawa, Extended optimal replacement model with random minimal repair
costs, European Journal of Operational Research, 1995, 85, 636-649.
[15] H. Wang, H. Pham, Some maintenance models and availability with imperfect maintenance in production
systems, Annals of Operations Research, 1999, 91, 305-218.
[16] R. I. Zequeira, C. Bérenguer, Periodic imperfect preventive maintenance with two categories of competing
failure modes, Reliability Engineering and System Safety, 2006, 91, 460–468.
[17] N. Nahas, A. Khatab, D. Ait-Kadi, M. Nourelfath, Extended great deluge algorithm for the imperfect
preventive maintenance optimization of multi-state systems, Reliability Engineering and System Safety 93
(2008) 1658–1672.
[18] B. Saassouh, L. Dieulle, A. Grall, Online maintenance policy for a deteriorating system with random change
of mode, Reliab Eng Syst Safety 2007, 92, 1677–1685.
[19] C.T. Barker, M. J. Newby, Optimal non-periodic inspection for a multivariate degradation model
Reliability Engineering & System Safety, 94 (1), sous presse, janvier 2009, 33-43.