Démarche bayésienne et applications à la sûreté de fonctionnement
Hermes Science
Préface19
André Lannoy
Préface23
C. Pierre Zaleski
Avant-propos27
Henri Procaccia
Notations31
Première partie. Les bases mathématiques de la sûreté de fonctionnement. Principes de la démarche bayésienne33
Chapitre 1. Les bases mathématiques de la fiabilité, maintenabilité, disponibilité, sûreté de fonctionnement35
Jérôme de Reffye
1.1. Introduction35
1.2. Rappels des définitions pratiques36
1.2.1. La fiabilité36
1.2.2. La maintenance36
1.2.3. La disponibilité36
1.2.4. La sécurité36
1.3. Notion d'espace probabilisé, de variable aléatoire, de fonction aléatoire et de processus stochastique37
1.4. Théorie markovienne38
1.5. La théorie du renouvellement38
1.6. Les modèles de base en FMDS : l'approche en valeurs moyennes38
1.7. Modèles avancés39
1.7.1. L'approche en moyenne quadratique. Cas de la loi de Weibull39
1.7.2. L'approche en loi de probabilité. Distributions de probabilité utilisées dans la démarche bayésienne41
1.7.3. L'approche stochastique45
1.8. Les principes de la démarche bayésienne48
1.8.1. L'approche bayésienne usuelle49
1.8.2. Le mécanisme d'inférence50
1.8.3. Les différents types d'informations a priori51
1.8.4. Le théorème de Bayes, Rappel51
1.8.5. Problèmes rencontrés dans la démarche bayésienne52
1.9. L'approche bayésienne adoptée en pratique52
1.9.1. Rappels sur l'estimation récursive53
1.9.2. Modélisation dynamique physico-statistique du comportement du taux de défaillance d'un équipement53
1.9.3. Mise en œuvre de la méthode à partir de l'analyse markovienne54
1.9.4. Mise en œuvre de la méthode dans le cas des paramètres de Weibull55
1.9.5. Résolution du système d'équations. Données a priori55
1.10. Bibliographie55
Chapitre 2. Démarche probabiliste bayésienne pour la sûreté de fonctionnement57
Henri Procaccia
2.1. Le théorème de Bayes58
2.2. Principe d'actualisation60
2.3. Choix de la distribution a priori. Calcul de la distribution a posteriori61
2.3.1. Informativité des connaissances a priori61
2.3.2. Principe de conjugaison63
2.3.3. Exemple d'application du principe de conjugaison64
2.3.4. Application numérique : évaluation de la fiabilité de compteurs66
2.4. L'élicitation (le recueil) et la modélisation de l'expertise69
2.5. Perspectives70
2.6. Bibliographie71
Chapitre 3. Estimation fréquentielle et bayésienne73
Jean-Luc Pelletier et Henri Procaccia
3.1. Introduction aux méthodes d'estimation73
3.2. L'estimation statistique fréquentielle76
3.2.1. L'estimation ponctuelle77
3.2.2. Propriétés de l'estimateur du maximum de vraisemblance85
3.2.3. Influence du plan d'échantillonnage86
3.2.4. Estimation par intervalle - Mesure de l'incertitude88
3.3. Application à un cas industriel : évaluation de la fiabilité de calculateurs92
3.3.1. Application de l'approche fréquentielle aux défauts logiciels d'un calculateur94
3.3.2. Principe de l'estimation bayésienne95
3.3.3. Application de l'approche bayésienne aux défauts logiciels d'un calculateur99
3.4. Conclusions et inconvénients des méthodes d'estimation100
3.5. Bibliographie101
Deuxième partie. Applications courantes de la démarche bayésienne103
Chapitre 4. Théorème de la probabilité des causes105
Bernard Dumon
4.1. Formulation discrète du théorème de Bayes106
4.1.1. Rappelons quelques notions et définitions de bases106
4.1.2. Théorème de Bayes106
4.2. Exemple d'application : origine d'un matériel défaillant107
4.3. Extension du théorème de la probabilité des causes à une variable continue109
Chapitre 5. Actualisation bayésienne d'une banque de données de fiabilité111
Henri Procaccia
5.1. Principe d'actualisation bayésienne111
5.2. Actualisation des paramètres de fiabilité112
5.3. Calcul des paramètres de fiabilité a posteriori113
5.3.1. Test d'exponentialité113
5.3.2. Méthode d'actualisation des paramètres de fiabilité pour les matériels exponentiels113
5.3.3. Taux de défaillance a posteriori116
5.4. Application : actualisation du taux de défaillance de compresseurs116
5.4.1. Estimation des paramètres de la distribution de probabilité a priori par la méthode du Khi-Deux116
5.4.2. Estimation du taux de défaillance actualisé par la méthode des moments118
5.4.3. Utilisation du logiciel Bayes 2000119
5.5. Application à la probabilité de défaillance à la sollicitation Gamma119
5.5.1. Principe d'actualisation119
5.5.2. Application aux alternateurs des groupes électrogènes. Cas zéro défaillance121
5.6. Conclusions123
5.7. Bibliographie124
Chapitre 6. Comparaison d'échantillons125
Henri Procaccia
6.1. Contexte125
6.2. Application à l'évaluation de l'efficacité d'une modification de conception d'un matériel126
6.2.1. Densité a priori non informative127
6.2.2. Densités a priori informatives132
6.3. Conclusion134
6.4. Bibliographie135
Troisième partie. Modélisation de la connaissance a priori et expertise137
Chapitre 7. Définition et modélisation de la connaissance a priori139
Emmanuel Usureau, Fabrice Guérin, Bernard Dumon
7.1. Problématique et état de l'art pour définir la connaissance a priori139
7.2. Liens avec l'étude de sûreté de fonctionnement140
7.3. Outils de sûreté de fonctionnement utilisés pour modéliser la connaissance a priori141
7.3.1. L'analyse des modes de défaillance, de leurs effets et de leur criticité (AMDEC)141
7.3.2. Diagrammes de fiabilité142
7.3.3. Arbres de défaillance144
7.4. Utilisation des résultats de l'étude sûreté de fonctionnement pour définir la loi a priori146
7.4.1. Principes146
7.4.2. Méthode de l'algèbre des variables aléatoires148
7.4.3. Méthode de simulation de Monte Carlo150
7.4.4. Méthode FORM/SORM153
7.4.5. Analyse comparative - Application à un cas test154
7.5. Analyse sur la modélisation de l'a priori.158
7.5.1. Etude de sensibilité158
7.5.2. Impact du choix de la loi de distribution pour modéliser l'incertitude sur les événements de base163
7.6. Généralisation de la méthode168
7.6.1. Intégration directe de l'avis de plusieurs experts168
7.6.2. Exemple d'application pour des distributions différentes172
7.7. Annexes174
7.7.1. Annexe 1 : théorèmes de l'algèbre de Boole174
7.7.2. Annexe 2 : algèbre des variables aléatoires175
7.7.3. Annexe 3 : méthode FORM/SORM176
7.8. Bibliographie177
Chapitre 8. Estimation de la loi de durées de vie fortement censurées179
Edwige Idée, André Lannoy, Thierry Meslin
8.1. Contexte179
8.2. Des données brutes à l'échantillon statistique180
8.3. Méthodologie utilisée181
8.3.1. Estimations suivant le maximum de vraisemblance181
8.3.2. Estimations utilisant le prolongement bayésien185
8.4. Application : estimation de la durée de vie de pompes identiques (conception/fonctionnement/maintenance)190
8.4.1. Hypothèse du modèle exponentiel190
8.4.2. Hypothèse du modèle de Weibull192
8.4.3. Bilan193
8.5. Conclusion194
8.6. Bibliographie194
Chapitre 9. Compatibilité entre connaissance a priori et observations de vraisemblance197
Emmanuel Usureau, Fabrice Guérin, Bernard Dumon
9.1. Introduction197
9.2. Etat de l'art198
9.2.1. Pondération de l'estimateur bayésien198
9.2.2. Adaptation et efficacité de l'estimateur a priori par suppression des données observées aberrantes199
9.2.3. Vérification de la compatibilité de la distribution a priori à partir d'un test d'hypothèse199
9.3. Compatibilité de l'a priori avec les résultats d'essais réels201
9.3.1. Constats de base201
9.3.2. Principe de calcul d'un facteur de pondération normalisé K203
9.3.3. Restriction de l'intervalle d'intégration204
9.3.4. Calcul pratique du facteur K205
9.3.5. Utilisation du facteur de pondération K comme facteur de pondération de l'a priori207
9.3.6. Intérêt de la pondération de k0 et N0212
9.3.7. Conditions et contraintes d'utilisation de la pondération213
9.3.8. Interprétation du facteur de pondération K213
9.3.9. Exemple d'application sur des dispositifs monocoups214
9.3.10. Intérêts et perspectives216
9.4. Bibliographie217
Quatrième partie. Optimisation bayésienne219
Chapitre 10. Optimisation de la maintenance d'un groupe électrogène221
Henri Procaccia et Sébastien Descamps
10.1. Le programme de base de maintenance préventive des chemises des groupes électrogènes222
10.2. Le retour d'expérience disponible222
10.3. L'analyse du retour d'expérience223
10.4. L'interrogation d'experts223
10.5. Modélisation de l'expertise225
10.5.1. Distribution de l'expertise a priori225
10.5.2. Prise en compte du retour d'expérience et densité de probabilité a posteriori229
10.6. Arbres de décision230
10.7. Optimisation de la maintenance conditionnelle232
10.8. Détermination de la périodicité optimale de maintenance préventive233
10.9. Utilisation des réseaux bayésiens et des diagrammes d'influence235
10.9.1. Les réseaux bayésiens235
10.9.2. Les diagrammes d'influence235
10.9.3. Optimisation du remplacement des chemises236
10.10. Conclusions243
10.11. Bibliographie243
Chapitre 11. Optimisation bayésienne d'un test de contrôle qualité245
Lambert Pierrat
11.1. Introduction245
11.2. Formulation du problème246
11.3. Optimalisation bayésienne247
11.4. Application numérique248
11.5. Intérêt de l'approche bayésienne249
11.6. Conclusions250
11.7. Bibliographie251
Chapitre 12. Dispositifs monocoups. Retour d'expérience et fiabilité253
Jean-Claude Heymann
12.1. Introduction253
12.2. Méthode classique254
12.2.1. Estimateur de la PBF (probabilité de bon fonctionnement) et intervalle de confiance254
12.2.2. Nombre d'essais à réaliser pour démontrer une valeur de PBF255
12.3. Méthode bayésienne256
12.3.1. Loi a priori de P257
12.3.2. Fonction de vraisemblance257
12.3.3. Théorème de Bayes257
12.3.4. Loi a posteriori de P258
12.3.5. Détermination des paramètres de la loi a priori258
12.3.6. Exemple259
12.4. Annexes261
12.4.1. Annexe 1 : théorème de Bayes261
12.4.2. Annexe 2 : estimation bayésienne262
12.4.3. Annexe 3 : détermination des paramètres a priori pour la loi Bêta264
Chapitre 13. Optimisation bayésienne du contrôle de la fiabilité269
Philippe Carer et Nicolas Polge
13.1. Introduction269
13.1.1. Le réseau électrique d'EDF270
13.1.2. La politique d'EDF GDF Services en matière de SdF pour les matériels électriques270
13.1.3. Rappel concernant le cycle en «V» pour le développement d'un nouveau matériel271
13.1.4. Questions posées pour la démarche SdF entre EDF et les fournisseurs272
13.2. Démarche de SdF adoptée dans un premier temps272
13.3. Exemples d'application de la démarche de SdF à des nouveaux matériels273
13.3.1. Exemple du projet «compteur Prisme Emeraude»273
13.3.2. Exemple du projet PCCN. Rappels des objectifs du projet275
13.4. Démarche de sûreté de fonctionnement mise en œuvre dans ce projet276
13.5. Positionnement de l'applicabilité de la norme CEI 61124 en fonction du niveau d'exigences spécifié277
13.6. Intérêt des méthodes statistiques bayésiennes pour l'acceptation de nouveaux systèmes en terme de fiabilité dans la zone II279
13.6.1. Premier cas théorique : application directe de la norme CEI 61124 au projet compteur Emeraude279
13.6.2. Deuxième cas théorique : utilisation des méthodes bayésiennes pour optimiser les essais de fiabilité du compteur Emeraude279
13.7. Conclusions283
13.8. Annexe : illustration de la méthode avec l'outil «Fiabayes V4.0»284
13.8.1. Cas A : intervalles de confiance symétriques284
13.8.2. Cas B : intervalles de confiance asymétriques285
13.9. Bibliographie287
Cinquième partie. Vieillissement bayésien289
Chapitre 14. Croissance de fiabilité d'un matériel vieillissant291
Henri Procaccia, Jean-Yves Longère, André Lannoy
14.1. Le problème292
14.2. Evaluation des performances des matériels avant et après modification. La démarche fréquentielle293
14.2.1. Méthode du maximum de vraisemblance293
14.2.2. Méthode SEM294
14.2.3. Méthode des rangs médians de Johnson295
14.2.4. Conclusions sur l'analyse fréquentielle297
14.3. Utilisation de la démarche bayésienne pour évaluer les performances du matériel modifié298
14.3.1. Principe de l'élicitation de l'expertise, démarche Bastard298
14.3.2. Principe du recueil, de l'étalonnage, de l'agrégation et de la modélisation des expertises dans le logiciel Bastard298
14.3.3. Distribution a priori des paramètres Eta et Bêta de la loi de Weibull299
14.3.4. Etude de sensibilité : démarche BRM302
14.4. Résumé des résultats et conclusions304
14.5. Annexe : principes de la démarche Bastard306
14.5.1. Evaluation du paramètre de forme Bêta et du paramètre d'échelle Eta306
14.5.2. Cas d'un expert - Elicitation du paramètre de forme de la distribution a priori à partir de l'expertise i306
14.5.3. Cas de deux experts interdépendants308
14.5.4. Estimation du paramètre d'échelle Eta308
14.5.5. Densité de probabilité a posteriori312
14.5.6. Application à l'étude des matériels modifiés313
14.6. Bibliographie315
Chapitre 15. Analyse fiabiliste de la durée de vie d'un mât de grue par les méthodes Weibull et bayésienne317
Thien-My Phan et Alain Mathieu
15.1. Introduction317
15.2. Démarche proposée318
15.2.1. Caractéristiques des données d'entrées318
15.2.2. Démarche de traitement des données319
15.3. Estimation de la fiabilité avec la loi Weibull325
15.4. Exploitation de la démarche bayésienne325
15.5. Conclusion328
15.6. Bibliographie329
Sixième partie. Inférence bayésienne «systèmes»331
Chapitre 16. Processus NHPP et inférences bayésiennes333
Jean-Pierre Baudet
16.1. Problématique333
16.2. Représentation et traitement des données de retour d'expérience334
16.2.1. Problème posé par l'hétérogénéité des données334
16.2.2. Modèles de distribution des défaillances utilisés335
16.2.3. Problème posé par les homonymes337
16.3. Méthode338
16.3.1. Flux des données338
16.3.2. Données complémentaires : retour d'expérience et avis d'expert339
16.4. Mise en œuvre : exemple341
16.4.1. Définition des données de l'exemple341
16.4.2. Identification des modes342
16.5. Modalités de l'analyse343
16.5.1. Calcul pour un mode isolé : cas de la défaillance chambre/tuyère344
16.5.2. Mise en œuvre pour les autres modes (via Homonyme/a priori/Homonyme)345
16.6. Analyse et résultats346
16.7. Conclusion347
Chapitre 17. Les réseaux bayésiens349
Marc Bouissou
17.1. Qu'est ce qu'un réseau bayésien ?349
17.2. Un problème simple faisant intervenir des faits incertains350
17.3. Un réseau bayésien pour représenter la connaissance350
17.4. Exploitation du réseau bayésien pour faire des déductions352
17.5. Comment créer un réseau bayésien à partir de connaissances expertes354
17.6. Comment créer un réseau bayésien à partir d'un jeu de données356
17.7. Conclusion et perspectives357
17.8. Bibliographie357
Septième partie. Synthèse et conclusions359
Chapitre 18. Les principes de la démarche bayésienne361
Marie-Christine Suhner
18.1. Les principales étapes de la démarche bayésienne361
18.2. Choix et construction de la loi a priori362
18.2.1. Critères de choix du type de la distribution a priori362
18.2.2. Les différentes types de distribution a priori364
18.3. Construction de la distribution a priori368
18.3.1. Les principes de construction de l'a priori368
18.3.2. La méthode des quantiles et la méthode du Khi-Deux369
18.3.3. Valeur moyenne et quantile369
18.3.4. La méthode des moments369
18.3.5. Méthode des échantillons fictifs370
18.3.6. La modélisation des avis d'experts370
18.4. Validation des résultats370
18.4.1. Etude de sensibilité370
18.4.2. Notion de poids371
18.4.3. Notion de compatibilité a priori/vraisemblance371
18.5. Bibliographie371
Chapitre 19. Les cas courants d'applications373
Marie-Christine Suhner
19.1. Etude du taux de défaillance Lambda373
19.1.1. Distribution a priori non informative (Lhoste ou jeffreys)373
19.1.2. Distribution a priori uniforme tronquée U (Lambdainf ; Lambdasup)375
19.1.3. Distribution a priori conjuguée Gamma G (Alpha0 ; Bêta0)377
19.2. Etude de la probabilité de défaillance à la sollicitation380
19.2.1. Distribution a priori de Lhoste380
19.2.2. Distribution a priori de Jeffreys382
19.2.3. Distribution a priori uniforme U (0 ; 1)384
19.2.4. Distribution a priori uniforme tronquée U (pinf ; psup)386
19.2.5. Distribution a priori conjuguée Bêta B (Alpha0 ; Bêta0)389
19.3. Modélisation des avis d'experts392
19.3.1. Principe392
19.3.2. Les étapes de la modélisation392
19.4. Conclusion396
19.5. Bibliographie396
Annexe. Tables statistiques397
Index407