Tel 00009407

UNIVERSITE DANGERS Anne 2005
N 669

ESTIMATION DES LOIS DE FIABILITE EN MECANIQUE
PAR LES ESSAIS ACCELERES

Thse de Doctorat
Spcialit : Sciences pour lingnieur
ECOLE DOCTORALE DANGERS
Prsente et soutenue publiquement
Le 09 mars 2005
A lInstitut des Sciences et Techniques de lIngnieur dAngers

Par Mme Ouahiba TEBBI

Devant le jury ci-dessous :
Abdelkhalak EL HAMI Rapporteur Professeur lINSA de Rouen
Olivier GAUDOIN Rapporteur Professeur lINP de Grenoble
Yves DUTUIT Examinateur Professeur lUniversit Bordeaux I
Bernard DUMON Examinateur Professeur lUniversit dAngers
Fabrice GUERIN Examinateur Matre de Confrences lUniversit dAngers (HDR)
Pierre DARFEUIL Invit Turbo Mca -TARBES

Directeur de thse : Bernard DUMON
Co-encadrant : Fabrice GUERIN

Laboratoire : Laboratoire en Sret de Fonctionnement, Qualit et Organisation
(UPRES EA 3858)
62, avenue Notre Dame du Lac
F-49000 ANGERS
Tl. 02-41-22-65-00 ED 363
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
2
Remerciements

Il ma t trs difficile dcrire cette page par souci d'oublier les nombreuses
personnes qu'il me faut citer pour leur aide, leur accueil, leur soutien... ! Qu'elles
soient toutes assures de ma plus profonde reconnaissance mme si leur nom ny
figure pas !
Je teins exprimer mes plus vifs remerciements monsieur Bernard DUMON
qui fut pour moi un directeur de thse attentif et disponible malgr ses
responsabilits nombreuses. Je lui suis trs reconnaissante pour la libert qu'il a
bien voulu me laisser. Sa comptence, sa clairvoyance, son humanisme, mont
beaucoup appris.
Je suis extrmement reconnaissante monsieur Fabrice GUERIN mon co-
encadreur, pour laide quil ma fournie mes dbuts dans la recherche (en
particuliers en mcanique) et pour ses avis toujours clairs, pour sa grande
disponibilit ainsi que son dynamisme et son ouverture desprit. Jai beaucoup
appris son contact.
Mille mercis vous deux , Bernard et Fabrice, pour la confiance que vous
mavez tmoigne tout au long de ces annes de thse. Je vous remercie pour
votre contribution au dveloppement et la prsentation de ce mmoire et
surtout pour votre soutien continu. Vous mavez offert une ouverture vers
dautre domaine que les statistiques, ouverture que jai beaucoup apprcies.
Je remercie monsieur le Abdelkhalak EL HAMI, professeur lINSA de
Rouen, pour l'intrt qu'il a manifest pour mon travail, pour ses questions
constructives et ses prcieux conseils. Je le remercie davoir accept de juger ce
travail en tant que rapporteur et prsident de jury.
Je remercie monsieur Olivier GAUDOIN, professeur lINP de Grenoble,
pour lattention quil a accorde mon travail, pour le temps quil a bien voulu
consacrer ce mmoire, sa lecture attentive, entre autres, du manuscrit et enfin
pour ses questions et remarques constructives et intressantes. Ses commentaires
ainsi que ses recommandations mont t dune grande importance dans
lamlioration de la qualit de ce manuscrit.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
3
Je remercie Monsieur Yves DUTUIT, professeur luniversit Bordeaux 1,
pour lintrt quil a port mon travail et ses encouragements. Je lui suis
reconnaissante d'avoir accept d'tre examinateur de ce travail.
Je remercie Monsieur Pierre DARFEUIL, Ingnieur Turbo Mca, pour son
point de vue industriel trs encourageant. Je le remercie davoir accepter notre
invitation.
Je remercie chacun des membres du dpartement Qualit & Sret de
Fonctionnement pour leur disponibilit et leur soutien. Je remercie tout
particulirement Abdelsamad KOBI et Rida HAMBLI pour leur aide et leur
soutien surtout la prparation de la soutenance.
La ralisation de certains essais de fatigue n'aurait pas t rapide sans l'aide
prcieuse de mes deux camarades thsards Pascal LANTIENI et Daniel
LEPADATU. Je leur souhaite ainsi que mes autres camarades thsards tout le
courage pour finir leur thse.
Merci mes amis pour laffectueuse amiti dont ils ont toujours fait preuve.
Je pense particulirement mes amis : Thodore et sa femme Anita, Hamida et
son mari Marc, Smahane, Yasmina, Zohra, Fayal (bon courage pour la dernire
ligne de ta thse) et enfin Haouari(toutes mes flicitations pour ton doctorat) .
Un merci tout particulier mon cher poux Essad pour sa confiance, son
soutien et son amour. Je pense aussi mon petit poussin Lokmann, sa naissance
a rempli ma vie de joie et de bonheur et a cr en moi de nouveaux sentiments trs
agrables (cest la maternit).
Enfin jadresse toute mon affection mes trs chers parents, mes frres et
surs. Malgr mon loignement depuis de nombreuses annes, leur amour, leur
soutien, leur confiance me portent et guident tous les jours.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
4
Rsum
Le premier objectif fix en dbut de ma thse est de bien comprendre le contexte industriel
et thorique de la fiabilit mcanique ainsi que les mthodes employes, afin de prouver
lefficacit de la mthodologie adopte. Nous prsentons en dtails les caractristiques des
systmes mcaniques ayant un effet direct sur lvaluation de leur fiabilit. Aprs, nous
passons en revue les principales mthodes dvaluation de la fiabilit mcanique. Deux types
de mthodes dvaluation de la fiabilit sont prsents, la dmarche traditionnelle et la
mthode probabiliste, avec quelques commentaires sur leurs limites dutilisation.
Ensuite, nous prsentons essentiellement les mthodes destimation de la fiabilit par les
essais dans le cycle de dveloppement d'un produit. Diffrentes catgories dessais
interviennent dans les tudes conceptuelles, les programmes de dveloppement et les
processus de fabrication. Nous montrons que les essais acclrs sont les plus courts avec un
avantage certain conomiquement.
La dernire partie, est consacre ltude des mthodes dessais acclrs et leurs
applications en mcanique. En particulier, nous considrons l'application des modles
standards de vie acclre (SVA) des composants soumis au dommage par fatigue, en
menant des analyses thoriques, par simulation et exprimentales. Pour cela, nous avons
dvelopp un modle d'essai de fatigue partir des modles dendommagement par fatigue,
ce modle a t valid par des outils de simulation. Ensuite nous avons appliqu les modles
SVA selon deux types de plans d'expriences, un plan dessai par rgression et un deuxime
avec endommagement pralable acclr. Des approches paramtrique, semi-paramtrique et
non paramtrique sont utilises pour estimer les paramtres des modles en question.
Cette tude a permis destimer la fiabilit des systmes soumis des dgradations
mcaniques, dans les conditions normales dutilisation et pour la premire fois de dmontrer
lapplicabilit des modles SVA avec des donnes relles des plans dexpriences dans le
domaine de la mcanique.
Mots cls: Basquin, Dommage par Fatigue, Essais de fiabilit, Estimation, Fiabilit,
Miner, Modle Standard de vie acclre, Plan dexpriences, Tests de vie acclre.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
5
Abstract
The beginning of my thesis aims at understanding industrial and theoretical context of the
mechanical reliability as well as the methods used, in order to demonstrate the efficiency of
the adopted methodology. For that, we analysed the mechanical systems characteristics,
which have a direct effect on the evaluation of their reliability and we also review the main
methods of evaluation of the mechanical reliability including comments on their limits of use.
Then, we present specifically the methods of estimating reliability by designing tests
during the lifetime of product. Various techniques of tests are useful in the conceptual studies,
the programs of development and the manufacturing processes. We show that the accelerated
life testing has an unquestionable advantage economically.
The last part presents basic concept of mathematical models for accelerated Life tests and
their application to mechanical product. In particular, we consider the application of the
Standard Accelerated Life Testing Models (SALT) to components subjected to fatigue
damage, by leading theoretical analyses, by simulation and experimental. For that, a model of
simulation of fatigue data is built using a damage model and validated by simulation. To
apply the SALT models, we consider tow designs of experiments, the first plan by regression
and the second one with previously accelerated damage. To estimate unknown parameters of
the models, we use parametric, semi-parametric and non-parametric approaches.
This study allowed predicting reliability of mechanical systems, subjected to more severe
environment, under normal operating conditions and for the first time to demonstrate the use
of SALT models in one mechanical problem, with analytical and real failure data.
Key words: Accelerated Life Testing, Basquin, Design of experiments, Estimation,
Fatigue damage, Miner, Reliability, Reliability Testing, Standard accelerated life model.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
6
Table des matires
1 Introduction gnrale .............................................................................................14
2 Concepts gnraux de la fiabilit mcanique et Problmatique ...........................20
2.1 Objectifs et intrts de la fiabilit en mcanique................................................20
2.2 Principales caractristiques probabilistes de la fiabilit......................................20
2.2.1 Fonction fiabilit ou fonction de survie.....................................................20
2.2.2 Taux de dfaillance instantan..................................................................22
2.2.3 Temps moyen de bon fonctionnement.......................................................22
2.2.4 Principales lois de probabilit utilises en fiabilit....................................23
2.2.4.1 La loi exponentielle..................................................................23
2.2.4.2 La loi normale (Laplace-Gauss)..............................................24
2.2.4.3 La loi Log-normale (ou de Galton) .........................................25
2.2.4.4 La loi de Weibull......................................................................25
2.2.4.5 La loi Gamma..........................................................................26
2.2.4.6 La loi uniforme .......................................................................27
2.2.4.7 La loi du Khi-deux ...................................................................27
2.2.4.8 La loi de Birnbaum-Saunders...................................................27
2.3 Spcificit de la fiabilit en mcanique..............................................................28
2.3.1 Les diffrentes phases du cycle de vie dun produit ..................................28
2.3.1.1 Taux de dfaillance pour des composants lectroniques...........29
2.3.1.2 Taux de dfaillance pour des composants mcaniques .............30
2.3.2 Complexit des phnomnes physiques de dgradation.............................31
2.3.2.1 Fatigue des matriaux..............................................................31
2.3.2.2 Rupture par fissuration............................................................31
2.3.2.3 Fluage .....................................................................................31
2.3.2.4 Lusure et lrosion..................................................................31
2.3.3 Recueils de donnes de fiabilit ................................................................32
2.3.3.1 Donnes de fiabilit disponibles pour des composants
lectroniques.............................................................................................33
2.3.3.2 Donnes de fiabilit pour des composants mcaniques.............34
2.3.3.3 Limite dutilisation des bases de donnes mcaniques..............35
2.3.4 Fiabilit systme- Modlisation de la fiabilit des quipements mcaniques .
..............................................................................................................36
2.3.4.1 Procdure gnrale..................................................................36
2.3.4.2 Illustration...............................................................................37
2.3.4.3 Conclusion...............................................................................39
2.4 Gnralits sur les mthodes dvaluation de la fiabilit d'un composant
mcanique ..................................................................................................................40
2.4.1 Problmatique ..........................................................................................40
2.4.2 Approche dterministe..............................................................................41
2.4.3 Approche probabiliste...............................................................................42
2.4.3.1 Lapproche probabiliste de la thorie Contrainte- Rsistance.
.. ................................................................................................43
2.4.3.2 Mthode dEstimation de la fiabilit par les essais ...................45
2.5 Conclusions.......................................................................................................46
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
7
Table des matires (suite)
3 Les Essais en Fiabilit.............................................................................................50
3.1 Introduction sur les essais de fiabilit ................................................................50
3.2 Les essais dans le cycle de dveloppement dun produit ....................................51
3.3 Principaux types dessais de fiabilit .................................................................53
3.3.1 Les essais aggravs...................................................................................53
3.3.2 Les essais destimation de la fiabilit........................................................55
3.3.2.1 Les essais de dtermination et de dmonstration......................56
3.3.2.2 Les Essais Acclrs ................................................................57
3.3.2.3 Les Essais Baysiens................................................................58
3.3.3 Les essais de deverminage ........................................................................61
3.3.4 Conclusions..............................................................................................62
3.4 Mthode destimation de la fiabilit par les essais .............................................63
3.4.1 Objectifs de la mthode ............................................................................63
3.4.2 tapes de la dmarche ..............................................................................63
3.4.2.1 tudes pralables.....................................................................63
3.4.2.2 Ralisation des Essais de Fiabilit...........................................63
3.4.2.3 Traitements statistiques des rsultats acquis ............................64
3.4.2.4 Dcision sur les actions mettre en place................................64
3.5 Exemple numrique dessais de dmonstration..................................................64
3.5.1 Essai classique..........................................................................................65
3.5.2 Essais baysiens .......................................................................................66
3.5.2.1 Essai baysien sans connaissance............................................66
3.5.2.2 Essai baysien avec connaissance correcte..............................67
3.5.2.3 Essai baysien avec connaissance incorrecte...........................68
3.5.3 Essai acclr ...........................................................................................69
3.5.4 Conclusion ...............................................................................................70
3.5.5 Tableau rcapitulatif .................................................................................70
3.6 Conclusions.......................................................................................................71
4 Estimation des lois de fiabilite par les essais acceleres ..........................................74
4.1 tat de lArt sur les Essais Acclrs Accelerated Life Testing .....................74
4.1.1 Dfinition.................................................................................................74
4.1.2 Hypothses de base des Essais Acclrs..................................................74
4.1.3 Dfinition d'un plan d'essais acclrs ......................................................75
4.1.3.1 Types de stress appliqus.........................................................76
4.1.3.2 Types de chargement ...............................................................76
4.1.3.3 Mode et mcanisme de dfaillance...........................................78
4.1.3.4 Modles de vie acclre .........................................................79
4.1.4 Modles statistiques de vie acclre ........................................................79
4.1.4.1 Introduction.............................................................................79
4.1.4.2 Modles dacclration usuels (Relations Dure de vie-Stress)..
..................................................................................................81
4.1.4.3 Estimation des caractristiques des modles statistiques de vie
acclre . .................................................................................................84
4.1.4.4 Modle standard de vie acclre ............................................86
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
8
Table des matires (suite)
4.2 Les modles standard de vie acclrs appliqus aux composants mcaniques ..90
4.2.1 Introduction..............................................................................................90
4.2.2 Rappels sur lendommagement par fatigue................................................91
4.2.2.1 Description de lendommagement par fatigue ..........................91
4.2.2.2 Facteurs influenant la tenue en fatigue...................................93
4.2.2.3 Cumul du dommage par fatigue ...............................................94
4.2.3 Construction dune loi dacclration........................................................96
4.2.4 tude des modles SVA en mcanique .....................................................98
4.3 Plan d'essai acclr par rgression .................................................................101
4.3.1 Dfinition du plan dessai .......................................................................101
4.3.2 Applications des modles SVA...............................................................101
4.3.2.1 Application du modle SVA paramtrique..............................101
4.3.2.2 Application du modle SVA semi-paramtrique......................103
4.3.2.3 Application du modle semi-paramtrique hasards
proportionnelles (modle de Cox)............................................................104
4.3.3 Exemples par simulation dun essai de fatigue........................................106
4.3.3.1 Exemple dapplication dun modle paramtrique .................106
4.3.3.2 Exemple dapplication dun modle semi-paramtrique. ........109
4.3.3.3 Exemple dapplication du modle de Cox...............................110
4.3.3.4 Analyse des rsultats du premier plan dessai ........................112
4.4 Plan dessai acclr avec endommagement pralable.....................................113
4.4.1 Dfinition du plan dessai .......................................................................113
4.4.2 Application du modle SVA...................................................................115
4.4.2.2 Application du modle SVA non paramtrique .......................116
4.4.3 Exemples par simulation et Analyse .......................................................118
4.5 Exemples exprimentaux d'application des Modles standards de Vie Acclr
la Mcanique...............................................................................................................120
4.5.1 Introduction............................................................................................120
4.5.2 Plan dessai acclr par rgression ........................................................120
4.5.2.1 Exprimentation.....................................................................120
4.5.2.3 Application du modle SVA semi-paramtrique......................123
4.5.2.4 Analyse des rsultats..............................................................124
4.5.3 Plan dessai acclr avec endommagement pralable ............................125
4.5.3.1 Exprimentation.....................................................................125
4.5.3.3 Application du modle SVA non paramtrique .......................128
4.5.3.4 Analyse des rsultats..............................................................129
4.6 Conclusions.....................................................................................................130
5 Conclusion gnrale et perspectives.....................................................................132
5.1 Conclusion gnrale ........................................................................................132
5.2 Perspectives ....................................................................................................135

t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
9
Bibliographie................................................................................................................137
Glossaire.......................................................................................................................147
Annexes ........................................................................................................................155
Annexe A. Quelques mthodes danalyse prvisionnelle de la fiabilit dun
produit.. ..........................................................................................................155
Annexe B. Bases de donnes sur des systmes lectroniques et mcaniques ........157
Annexe C. Approche probabiliste de la thorie Contrainte-Rsistance ..............164
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

Liste des Figures
Chapitre 2
Figure 2.1. Fonction de fiabilit............................................................................................21
Figure 2.2. Proprit sans mmoire de la loi exponentielle....................................................24
Figure 2.3. Courbe en baignoire............................................................................................28
Figure 2.4. La courbe du taux de dfaillance en mcanique...................................................30
Figure 2.5. Rducteur de vitesse ...........................................................................................37
Figure 2.6. Exemple dune modlisation du rducteur en schma bloc..................................38
Figure 2.7. Prsentation graphique de la fiabilit du systme et de ses composants ...............39
Figure 2.8. Approche classique dterministe.........................................................................41
Figure 2.9. Diagramme de Warmer.......................................................................................44
Figure 2.10. valuation de la probabilit de dfaillance instantane dun composant
mcanique ....................................................................................................................45
Chapitre 3
Figure 3.1. Cycle de Maturation des produits........................................................................51
Figure 3.2. Croissance de la fiabilit au cours de dveloppement dun produit ......................52
Figure 3.3. Maturation des produits par les essais aggravs...................................................53
Figure 3.4. Profil dessai aggrav..........................................................................................54
Figure 3.5. Dfinition des zones caractristiques du produit..................................................55
Figure 3.6. Principe des essais acclrs ...............................................................................57
Figure 3.7. Courbe en baignoire............................................................................................58
Figure 3.8. Principe dun Essai Baysien..............................................................................60
Figure 3.9.a. Profil dessai de deverminage...........................................................................61
Chapitre 4
Figure 4.1. Risque de ne pas reproduire le mode de dfaillance dorigine ([Daniel,1999]) ....74
Figure 4.2. Reprsentation graphique des distributions de vie diffrents niveaux de
temprature exprime en Kelvin (tir de [Vassilious and Mettas, 2001]) .......................75
Figure 4.3. Chargement de contrainte indpendant du temps (contrainte constante) ..............77
Figure 4.4. Reprsentations graphiques des chargements en fonction du temps.....................78
Figure 4.5. Classification des modles de vie acclre.........................................................79
Figure 4.6. Reprsentations graphiques dun Modle Statistique de vie Acclr..................80
Figure 4.7. Dfinition de la fonction de transfert...................................................................87
Figure 4.8. a. Propagation de la fissuration ...........................................................................91
Figure 4.9. Courbe de Whler ( pour
m
=0)..........................................................................92
Figure 4.10. Diagramme dendurance de Goodman-Smith....................................................93
Figure 4.11.a. Exemple de diagramme dvolution de la limite de rupture selon la temprature
(tir de [Brand and al., l992])........................................................................................94
Figure 4.12. volution du dommage jusqu rupture suivant la rgle de Miner .....................94
Figure 4.13. Cumul dendommagement appliqu la fatigue................................................95
Figure 4.14. Construction simplifie de la courbe de Whler partir du modle de Basquin.96
Figure 4.15. Svrisation du cycle de contrainte ...................................................................97
Figure 4.16. Fonction de transfert dans le cas de la fatigue ...................................................99
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
11
Liste des Figures (suite)

Figure 4.17. Dfinition du plan dessai par rgression.........................................................101
Figure 4.18. Droites dHenry des 4 sries dessai................................................................107
Figure 4.19. Fonction de fiabilit estime par le modle paramtrique ................................108
Figure 4.20. Estimation de la fonction de survie par le modle semi-paramtrique..............110
Figure 4.21. Fonction de fiabilit estime par le modle de Cox .........................................111
Figure 4.22. Exemple de propagation dincertitude.............................................................112
Figure 4.23. Dfinition du plan dessai avec endommagement pralable............................113
Figure 4.24. Dfinition du plan dessai par rgression.........................................................114
Figure 4.25. Exemple dapplication du modle paramtrique..............................................119
Figure 4.26. Exemple dapplication du modle non-paramtrique.......................................119
Figure 4.27.a. Dformation du trombone ............................................................................120
Figure 4.28. Les 3 niveaux de dformation. .......................................................................120
Figure 4.29. Les droites dHenry ........................................................................................122
Figure 4.30. Fonction fiabilit par un modle SVA paramtrique........................................123
Figure 4.31. Fonction de fiabilit par un modle SVA semi-paramtrique...........................124
Figure 4.32. Les 2 niveaux de dformation .........................................................................125
Figure 4.33. Fonction fiabilit estime par un modle SVA paramtrique...........................128
Figure 4.34. Fonction de fiabilit estime par un modle SVA non paramtrique................129

t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

Liste des Tableaux

Tableau 2.1. Recueils de donnes de fiabilit en lectronique ...............................................33
Tableau 2.2. Recueils de donnes de fiabilit en mcanique..................................................34
Tableau 2.3. Paramtres de la loi de dfaillance des lments du rducteur (distribution de
Weibull) .......................................................................................................................38
Tableau 3.1. Dure optimale pour chaque type dessai de fiabilit ........................................70
Tableau 4.1. Modles usuels de la courbe de Whler ............................................................92
Tableau 4.2. Points caractristiques de la courbe de Whler .................................................96
Tableau 4.3. Paramtres de simulation................................................................................106
Tableau 4.4. Rsultats de simulation d'essais de fatigue ......................................................107
Tableau 4.6. Rsultats de simulation...................................................................................109
Tableau 4.8. Rsultats des simulations................................................................................119
Tableau 4.9. Rsultats Exprimentaux du premier plan d'essai............................................121
Tableau 4.10. Rsultats exprimentaux...............................................................................126

t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
CHAPITRE 1. Introduction Gnrale
13
CHAPITRE 1
Introduction Gnrale
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
14
1 INTRODUCTION GENERALE
Lenjeu de ces prochaines annes sera la gnralisation et lextension de garantie deux
ans minimum des produits de grande consommation. Cette dmarche rentre dans
lharmonisation europenne et est favorise par une directive de la communaut europenne.
[Directive 1999/44/CE].
Ainsi, pour valuer la fiabilit de leurs produits, les entreprises doivent mettre en uvre
des mthodes dvaluation appropries :
A partir de banques de donnes de fiabilit de composants connaissant larchitecture du
systme, et ventuellement de la simulation de son fonctionnement. Cette mthode donne
de bons rsultats dans le domaine de llectronique mais de plus mauvais rsultats dans le
domaine de la mcanique, dautant que certains composants ne figurent pas dans les
recueils de donnes disponibles (voir [Doyle, 1992], [Leemis, 1994], [BT-HRD, 1995],
[EIREDA, 1998], [MIL-HDBK-217 F, 1995] etc.)
A partir des retours garanties. Cette mthode permet dobtenir une bonne estimation de
la fiabilit mais uniquement sur des produits dj en vente (fiabilit oprationnelle). On ne
peut corriger les fautes qua posteriori, ce qui peut donner une mauvaise image de
lentreprise. Ce retour dexprience riche en information, peut servir par contre pour le
dveloppement de futurs produits, pour liminer les dfaillances constates sur les produits
antrieurs mais galement dans lvaluation du niveau de fiabilit prvisionnelle. Linstitut
de matrise des risques et de sret de fonctionnement a montr que moins de 10% des
industriels franais, effectuant des valuations prliminaires de fiabilit, pratiquaient une
exploitation exhaustive de leur propre retour dexprience ; de ce fait, ils ne peuvent
dcider de manire totalement rationnelle de la pertinence de leurs choix de politique
dexploitation des matriels mis en uvre et en particulier de la maintenance (voir [Lannoy
and Procaccia, 1994], ...)
A partir de lavis dexperts quand on na aucune connaissance sur la fiabilit dun
nouveau composant ou systme. En effet, dfaut dautres informations utiles, ces experts
donnent par exemple un intervalle approximatif contenant le taux de dfaillance ou le
temps moyen avant la premire dfaillance du matriel, dsign par le MTTF ou encore
mettent un avis sur son fonctionnement ou pas au bout dune priode donne ([Lannoy
and Procaccia, 2001],...).
En ralisant des essais de qualification ou de dtermination sur le nouveau produit afin
de vrifier ses performances avant de lancer la production. Si le nombre dessais est
suffisant, cette mthode permet dobtenir une bonne estimation de la fiabilit. Cependant le
contexte conomique actuel ne permet pas de tester suffisamment de produits et de
consacrer suffisamment de temps pour observer des dfaillances de moins en moins
probables. Les industriels ne peuvent plus se permettre de tels cots financiers. A
lextrme, certains systmes se fabriquent lunit, ce qui rend les politiques dessai
difficiles. Ainsi, cette problmatique a t la source, pour la communaut scientifique, de
nombreuses voies de recherche ([Afnor, 1981], [Afnor, 1988], [Birolini, 1997], [Nelson,
1990], [Crowe and Feinberg, 2001], [ASTE, 1993], [OConnor, 2003], [Ligeron and M.
Neff, 1984], [Pags and Gondran, 1980], [Villemeur, 1988]),
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
15
Que le systme soit simple ou complexe, qu'il s'agisse d'une automobile ou d'une centrale
nuclaire, la connaissance des caractristiques de fiabilit est essentielle : elle conditionne la
maintenance, les dures de vie et un niveau de scurit acceptable. L'usure et le
renouvellement des quipements engendrent des cots, qu'il s'agit de grer de manire
optimale. Cest pour ces raisons quun nouveau champ dinvestigation sest dvelopp afin de
rduire les cots. Celui-ci est bas principalement sur la modlisation stochastique des
apparitions des dfaillances au cours du temps et sur lestimation statistique des paramtres
des modles partir des rsultats dessai.
Les premiers travaux ont consist tudier les essais raliss en conditions normales
dutilisation du produit, provoquant des temps dessai importants, et avec des tailles
dchantillon leves. Par la suite des travaux ont t mens pour rduire les tailles
dchantillon et temps dessai. En effet, le cot dune campagne dessais dpend de deux
paramtres essentiels : le nombre dessais et le temps ncessaire leur ralisation. Lobjectif
industriel tant de faire des essais moindre cot, on distingue donc deux mthodes :
Rduction en volume (le nombre de produits tests) en considrant quune entreprise a
toujours une connaissance a priori (avis dexperts, similitude avec des produits antrieurs,
banques de donnes, ) sur le nouveau produit. P. Sander, R. Badoux , H. Procaccia,
C.Clarotti, A. Lannoy, J. Ringler, ...([Sander and Badoux, 1991], [Procaccia et al., 1992],
[Procaccia and Morilhat, 1996], [Clarotti, 1998], [Ringler, 1979], [Lannoy and Procaccia,
1994]) ont propos dintgrer toute la connaissance disponible sur la fiabilit des systmes
tests dans les plans dessais, laide des statistiques baysiennes, permettant de rduire le
nombre de produits tester. Il serait donc possible dvaluer les performances du produit
en effectuant un minimum dessais. Toutefois, dans bien des cas, cela ne suffit pas puisque
le produit ayant un niveau de fiabilit lev, si les essais sont raliss dans les conditions
normales cela demande beaucoup trop de temps pour constater des dfaillances.
Rduction en temps par la svrisation des conditions dessai pour acclrer les
processus de dfaillances. W. Nelson, E. Elsayed, OConnor, H. Caruso, Kececioglu, P.
Hoang, V. Bagdonavicius, M. Nikulin, ... ([Nelson, 1990], [Shyur et al., 1999],[OConnor,
2003], [Caruso and Dasgupta, 1998], [kececioglu, 1994], [Hoang, 2003], [kececioglu,
1993], [Bagdonavicius and Nikulin, 2002], ...) ont propos dutiliser les essais acclrs
(svrisation des conditions dessai permettant de provoquer les dfaillances plus
rapidement) pour estimer la fiabilit dun produit.
Mon travail de thse est dvelopp autour de ces derniers types dessais.
Dans la littrature, plusieurs mthodes dessais acclrs sont proposes.
Malheureusement, la production scientifique franaise dans ce domaine est trs pauvre
compare la production anglo-saxonne. On trouve une littrature abondante sur lapplication
des mthodes et modles dessais acclrs dans le domaine de llectronique pour lequel on
considre le taux de dfaillance constant et les donnes de retour dexpriences prcises et
nombreuses, de plus des bases de donnes de fiabilit plus au moins rcentes et exactes sont
disponibles ce qui permet de prvoir la fiabilit de composants nouveaux. La situation nest
pas la mme pour des composants mcaniques, pas de grandes tudes menes pour valuer le
plus prcisment possible la fiabilit dun systme laide des essais acclrs.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
16
Dans le cadre de ma thse, nous nous sommes intresss la svrisation des essais de
pices mcaniques soumises la fatigue. Le dimensionnement de ce type de pices seffectue
en considrant la limite dendurance qui est caractrise par une courbe de Whler. Cette
courbe permet de dfinir lamplitude de la contrainte ne pas dpasser pour viter une rupture
avant un temps donn (nombre N de cycles) correspondant la dure de vie ([Ford et al.,
1961], [Ligeron, 1979], [Little and Ekvall, 1979], [Catuneau and Mihalache, 1989], [Doyle,
1992], [Lalanne, 1999], etc.)
Ainsi, mon travail de recherche porte essentiellement sur lestimation de la fiabilit des
systmes mcaniques par les essais acclrs. En particulier je propose dtudier les modles
standards de vie acclre, nots SVA, appliqus aux composants soumis au dommage par
fatigue. Ces modles ont t dcrits par Bagdonavicius et Nikulin ([Bagdonavicius et al.,
2000], [Bagdonavicius and Nikulin, 2002],) et sont bass sur la dfinition dune fonction de
transfert. Jindique la signification mcanique de cette fonction et applique les modles SVA
paramtrique, semi-paramtrique et non paramtrique selon deux plans dessais nous
permettant destimer la loi de fiabilit dans les conditions normales dutilisation des pices
mcaniques testes ([Tebbi et al., 2004a], [Tebbi et al., 2004b], [Tebbi et al., 2004c],) .
Le premier objectif fix en dbut de ma thse est de bien comprendre le contexte industriel
et thorique de la fiabilit mcanique ainsi que les mthodes employes, afin de prouver
lefficacit de la mthodologie adopte. Pour cela nous avons pass en revue les principales
mthodes dvaluation de la fiabilit mcanique avec quelques commentaires sur leurs limites
dutilisation et nous avons analys les caractristiques des systmes mcaniques qui ont un
effet direct sur lvaluation de leur fiabilit.
Le second objectif est d'utiliser les mthodes dvaluation de la fiabilit des composants
mcaniques par les essais acclrs. Ces essais permettent d'valuer les paramtres de sret
de fonctionnement donns par les caractristiques comportementales telles que les
performances oprationnelles, fiabilit, dures de vie, , dans les conditions normales
demploi, cela dans des dlais compatibles avec les contraintes calendaires associes la
phase de dveloppement.
Au final, mon travail de thse constituera :
Un rappel de lensemble des outils de modlisation et les mthodes destines au
dveloppement et la mise en uvre, ds la phase de conception, dun systme
mcanique.
Un manuel de recommandation sur la mise en uvre dessais acclrs, raliss pour
acqurir le comportement dun nouveau matriel mcanique au cours du temps et/ou
estimer sa fiabilit (ou dure de vie) dans son environnement dexploitation dans un
contexte cot/dlai acceptable.
Un guide sur les diffrentes formes dessais acclrs et les modles analytiques de ces
essais tout en prcisant les limites dapplication des modles analytiques inventoris ainsi
que les recommandations de mise en uvre des diffrentes formes dessais pour les
industriels.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
17
Ce document est organis de la manire suivante :
Dans le deuxime chapitre, je prsente les principales caractristiques des systmes
mcaniques qui peuvent influencer le calcul de la fiabilit. Ces caractristiques peuvent tre
rsumes en quelques points:
1. La notion du taux de dfaillance constant nexiste pas,
2. Le recueil de linformation sur la fiabilit est plus difficile,
3. Les dfaillances ont des origines trs varies (la dure de vie des composants est
principalement conditionne par les problmes de fatigue avec une forte influence
des diffrentes contraintes),
4. Le systme mcanique est de plus en plus complexe et performant.
5. Un endommagement ou une rupture dun composant peut entraner larrt global
du systme avec des dtriorations irrversibles .
Ensuite, je prsente, dune faon gnrale, deux philosophies dvaluation de la fiabilit
des systmes industriels : la dmarche dterministe traditionnelle, o chaque paramtre est
caractris par une valeur unique, et les mthodes probabilistes, o chaque paramtre est
caractris par une distribution de probabilit.
Le troisime chapitre porte sur ltude de la mthode destimation de la fiabilit par les
essais. Cette mthode est applicable aux composants et aux systmes, elle est base sur
lvaluation dune probabilit de dfaillance instantane, qui permet un suivi permanent de
lvolution de la fiabilit des systmes mcaniques. Je prsente les diffrentes techniques
dessai de fiabilit en les situant dans le cycle de dveloppement dun produit.
Le quatrime chapitre est consacr ltude des mthodes dessais acclrs et leurs
applications en mcanique. Ces mthodes sont largement utilises en lectronique mais trs
peu en mcanique. Les changements technologiques, la demande pour le dveloppement
rapide de nouveaux produits et le besoin de toujours amliorer la fiabilit des produits,
ncessitent de dvelopper de meilleures mthodes d'essais acclrs en mcanique. Les
rsultats de ces essais sont utiliss pour faire des prvisions sur la dure de vie, la loi de
fiabilit ou la performance des produits en question en conditions normales d'utilisation.
Dans ce chapitre, je montre que pour des systmes mcaniques, la planification des essais
acclrs utilisant un phnomne physique de dgradation est conditionne par un certain
nombre de facteurs importants. De nombreux problmes statistiques intressants se posent
lors de la modlisation des phnomnes physiques de dgradation, de l'utilisation
d'information provenant des domaines de l'ingnierie ou de la physique, de la planification de
tests acclrs et de la quantification de l'incertitude.
Jaborde la spcificit de la mcanique et je mets en vidence les lacunes des lois
dacclration courantes. Pour palier celles-ci, je propose de btir un modle de simulation
paramtrique partir des modles dendommagement mcanique qui caractrisent les vitesses
de dgradation en fonction des paramtres de svrisation : cycle de contrainte, temprature,
etc.
Pour illustration, je traite le cas de systme soumis la fatigue pour lequel nous
construisons une quation dacclration base sur le modle de Basquin, la distribution
paramtrique des dures de vie est suppose log-normale. Par consquent, nous choisissons
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
18
d'appliquer, le modle standard de vie acclr selon deux plans d'expriences avec des
mthodes d'estimation paramtriques, semi-paramtriques et non-paramtriques labores par
Bagdonavicius et Nikulin ([Bagdonavicius et al., 2000], [Bagdonavicius and Nikulin,
2002],). Le premier plan dessai consiste dterminer les paramtres du modle SVA
partir de rsultats dessais effectus uniquement dans des conditions svrises et de dduire
par rgression la loi de fiabilit en conditions normales dutilisation. Le second plan est bas
sur l'ide que pour des systmes hautement fiables les dfaillances ncessaires pour
l'estimation de la fiabilit dans les conditions normales sont obtenues par un essai avec deux
groupes de composants: le premier groupe est test sous un stress acclr et le deuxime sous
un stress chelonn : sous un stress acclr jusqu'un certain moment et sous le stress nominal
aprs ce moment.
Le cinquime chapitre prsente les conclusions de notre travail et des perspectives
ouvertes concernant lutilisation et lapplication des essais acclrs en mcanique.
Ensuite, nous avons regroup une bibliographie riche mais non exhaustive, de livres et
darticles se rapportant au sujet.
Un glossaire est insr la fin du document, pour aider le lecteur mieux comprendre
certains termes techniques et statistiques. Ce glossaire est suivi de plusieurs annexes
pouvant apporter des informations complmentaires sur certaines notions mentionnes
dans le documents.

t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
CHAPITRE 2. Concepts gnraux de la fiabilit mcanique et problmatique
19
CHAPITRE 2
Concepts gnraux de la
fiabilit mcanique et
problmatique
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

20
2 CONCEPTS GENERAUX DE LA FIABILITE MECANIQUE
ET PROBLEMATIQUE
2.1 Objectifs et intrts de la fiabilit en mcanique
Lanalyse de la fiabilit constitue une phase indispensable dans toute tude de sret de
fonctionnement. A l'origine, la fiabilit concernait les systmes haute technologie (centrales
nuclaires, arospatial). Aujourd'hui, la fiabilit est devenue un paramtre cl de la qualit et
daide la dcision, dans l'tude de la plupart des composants, produits et processus "grand
public": Transport, nergie, btiments, composants lectroniques, composants mcaniques.
De nombreux industriels travaillent lvaluation et lamlioration de la fiabilit de leurs
produits au cours de leur cycle de dveloppement, de la conception la mise en service
(conception, fabrication et exploitation) afin de dvelopper leurs connaissances sur le rapport
Cot/Fiabilit et matriser les sources de dfaillance.
Lanalyse de la fiabilit dans le domaine de la mcanique est un outil trs important pour
caractriser le comportement du produit dans les diffrentes phases de vie, mesurer limpact
des modifications de conception sur lintgrit du produit, qualifier un nouveau produit et
amliorer ses performances tout au long de sa mission.
En mcanique, lanalyse de la fiabilit apporte des rponses plusieurs interrogations :
Quels sont les composants qui provoquent la panne du systme mcanique ? Quelles sont les
influences des incertitudes sur les donnes, en particulier sur la performance du produit ? Quel
niveau de contrle de qualit doit-on satisfaire ? Quelles sont les paramtres qui interviennent
dans le dimensionnement de la structure pour une prcision donne? Comment optimiser
lutilisation du matriel ? etc.
2.2 Principales caractristiques probabilistes de la fiabilit
Ce paragraphe est un recueil de principaux lments probabilistes permettant de mesurer la
fiabilit. Nous pouvons trouver plus de dtails dans les ouvrages suivants :[Procaccia et al.,
1992], [Bon, 1995], [Ayyub and Mccuen, 1997], [Hoang, 2003], [Birolini, 1997], [Villemeur,
1988],[Pags and Gondran, 1980], [Afnor, 1988].
2.2.1 Fonction fiabilit ou fonction de survie
La fiabilit d'un dispositif au bout d'un temps t correspond la probabilit pour que ce
dispositif n'ait pas de dfaillance entre 0 et l'instant t.
En dsignant par T la variable alatoire caractrisant l'instant de dfaillance du dispositif, la
fiabilit s'exprime par la fonction R(t) de l'anglais "Reliability"- telle que:
R(t) = Prob (quune entit E soit non dfaillante sur la dure [0 ; t], en supposant quelle
nest pas dfaillante linstant t = 0)
) t ( F 1 ) t T ( P ) t ( R = = (2.1)
F(t) est la fonction de rpartition de la variable T.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

21
On note que, la variable "temps" doit tre considre comme une unit d'usage. En effet,
dans le cas de certains dispositifs particuliers, il conviendra de considrer: une distance
parcourue (kilomtre), nombre de tours, nombre de sollicitations,
La fonction de fiabilit a, en gnral, la forme suivante (figure 2.1):
Figure 2.1. Fonction de fiabilit
La caractristique contraire de la fiabilit est appele dfiabilit ou probabilit de
dfaillance du systme. Elle est le complment 1 de la fiabilit.
Dans le cas particulier o ltude porte sur des matriels fonctionnant la sollicitation
(dmarreur, air-bag, interrupteur, munition), la mesure de la Fiabilit est assimile la
probabilit que le matriel fonctionne au moment de sa sollicitation. En pratique, on mesure
plutt la probabilit de dfaillance la sollicitation, note p = 1- R.
Une estimation de cette probabilit eu vu dun test de N matriels est dfinie par le rapport
du nombre de dfaillances la sollicitation et le nombre total de sollicitations.
N
k
p= (2.2)
Avec
N : nombre de matriels tests
k : nombre de matriels nayant pas fonctionn la sollicitation
p : probabilit de dfaillance la sollicitation
La dfaillance la sollicitation correspond au fait que le matriel test refuse de changer
dtat lorsquon le lui demande : marche-arrt, ouverture-fermeture, mise feu, ...
Un estimateur de la fiabilit est donn par:
N
k
p 1 R = =
)
0
1
t
) (t R
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
CHAPITRE 2. Concepts gnraux de la fiabilit et problmatique

22
2.2.2 Taux de dfaillance instantan
Lcriture mathmatique du taux de dfaillance linstant t, not (t), est la suivante :
) (
) ( ) (
.
1
0
lim
) (
|
\
| +

=
t R
t t R t R
t
t
t (2.3)
Physiquement le terme (t)t, mesure la probabilit quune dfaillance dun dispositif se
produise dans lintervalle de temps [t, t+t] sachant que ce dispositif a bien fonctionn
jusqu linstant t.
Le taux de dfaillance d'un dispositif linstant t est donc dfini par:
) (
) (

) (
1
.
) (

) (
1
.
) (
) (
t R
t f
t R dt
t dF
t R dt
t dR
t
=
=
=
(2.4)
Sa connaissance suffit dterminer la fiabilit, grce la formule suivante :
)
`
t
ds s t R
0
). ( exp ) ( (2.5)
2.2.3 Temps moyen de bon fonctionnement
Le temps moyen de bon fonctionnement (ou de dfaillance ou de panne) correspond
lesprance de la dure de vie T, on le note MTTF ( en anglais Mean Time To Failure):

+ +
= = =
0 0
) ( ) ( . ] [ du u R dt t f t T E MTTF
(2.6)
Par dfinition le MTTF est la dure de vie moyenne du systme.
Note : les autres caractristiques de fiabilit que nous navons pas cites sont bien dcrites
dans toute bibliographie traitant le sujet de la fiabilit: [Droesbeke et al, 1989], [Procaccia et
al., 1992], [Ayyub and Mccuen, 1997], [Hoang, 2003], [Birolini, 1997], [Villemeur,
1988],[Pags and Gondran, 1980], [Afnor, 1988], [Bon, 1995], etc.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

23
2.2.4 Principales lois de probabilit utilises en fiabilit
Dans ce paragraphe, nous prsenterons quelques distributions de vie qui interviennent le
plus frquemment dans lanalyse des donnes de vie et qui sont communes plusieurs
disciplines. Nous parlerons en particuliers des lois continues. Nous noncerons les principales
proprits de ces lois (densit de probabilit, fonctions fiabilit et taux de dfaillance) ainsi
que leur application en fiabilit ([Afnor, 1988], [Ayyub and Mccuen, 1997], [Birolini, 1997],
[Hoang, 2003], [Leemis, 1994], [Procaccia et al., 1992], [Pags and Gondran, 1980],
[Villemeur, 1988]),Il y a galement d'autres lois de fiabilit spcifiques un domaine
particulier, nous parlerons de la loi de Birnbaum et Saunders qui caractrise des dfaillances
dues la propagation de fissure par fatigue ([Birolini, 1997], [Owen and Padgett, 1998]).
2.2.4.1 La loi exponentielle
Cette loi a de nombreuses applications dans plusieurs domaines. Cest une loi simple, trs
utilise en fiabilit dont le taux de dfaillance est constant. Elle dcrit la vie des matriels qui
subissent des dfaillances brutales.
La densit de probabilit dune loi exponentielle de paramtre s'crit :
t
e t f

= ) ( (2.7)
La fonction fiabilit :
t
e t R

= ) ( (2.8)
Le taux de dfaillance est constant dans le temps :
= ) (t (2.9)
Proprits sans mmoire de la loi exponentielle :
Une proprit principale de la loi exponentielle est d'tre sans mmoire ou "Memoryless
property" en anglais ([Bon, 1995], [Leemis, 1994]) :
0 0 ) ( ) / (
.
) .(
> > = = = +

+
, , t t T P e
e
e
t T t t T P
t
t
t t
(2.10)
Comme lindique la figure 2.2, ce rsultat montre que la loi conditionnelle de la dure de
vie dun dispositif qui a fonctionn sans tomber en panne jusqu linstant t est identique la
loi de la dure de vie dun nouveau dispositif. Ceci signifie qu linstant t, le dispositif est
considr comme neuf (ou as good as new en anglais), de dure de vie exponentielle de
paramtre .
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

24
Figure 2.2. Proprit sans mmoire de la loi exponentielle
2.2.4.2 La loi normale (Laplace-Gauss)
La loi normale est trs rpandue parmi les lois de probabilit car elle sapplique de
nombreux phnomnes. En fiabilit, la distribution normale est utilise pour reprsenter la
distribution des dures de vie de dispositifs en fin de vie (usure) car le taux de dfaillance est
toujours croissant. On ne l'utilisera que si la moyenne des dures de vie est suprieur a 3 fois
l'cart type. En effet, t est toujours positif, alors que la variable normale est dfinie de -
+; la restriction impose rduit la probabilit thorique de trouver une dure de vie ngative
environ 0.1 %.
La densit de probabilit dune loi normale de moyenne et dcart-type scrit :
2
t
2
1
e
2
1
) t ( f
|
\
|

(2.11)
La fonction de rpartition scrit :
dx e
2
1
) t ( F
t
2
) x (
2
2

(2.12)
La fiabilit est donne par: R(t)=1-((t-)/)
O est la fonction de rpartition de la loi normale centre (=0) rduite (=1):
du e
2
1
) t (
t
2
u
2
(2.13)
0
1
Loi
exponentielle
de paramtre
t
0
1
Loi
exponentielle
de paramtre
t
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

25
2.2.4.3 La loi Log-normale (ou de Galton)
Une variable alatoire continue et positive T est distribue selon une loi log-normale si son
logarithme nprien est distribu suivant une loi normale. Cette distribution est largement
utilise pour modliser des donnes de vie, en particulier les dfaillances par fatigue en
mcanique.
La densit de probabilit dune loi log-normale de paramtres positifs et est :
0 t , e
2 . t .
1
) t ( f
2
) t log(
2
1
> =
|
\
|

(2.14)
La fonction fiabilit:
|
\
|
=
) t log(
1 ) t ( R (2.15)
dx e .
x
1
2
1
1 ) t ( R
2
) x log(
2
1
t
0
|
\
|

(2.16)
: Fonction de rpartition de la loi normale centre rduite.
Le domaine de dfinition n'tant jamais ngatif, il n'y a aucune limitation l'emploi de la
distribution log-normale en fiabilit. Le taux de dfaillance est croissant dans le dbut de vie
puis dcroissant en tendant vers zro et la distribution est trs dissymtrique.
2.2.4.4 La loi de Weibull
C'est la plus populaire des lois, utilise dans plusieurs domaines (lectronique,
mcanique,..). Elle permet de modliser en particulier de nombreuses situations dusure de
matriel. Elle caractrise le comportement du systme dans les trois phases de vie : priode de
jeunesse, priode de vie utile et priode dusure ou vieillissement. Dans sa forme la plus
gnrale, la distribution de Weibull dpend des trois paramtres suivants : , et . La densit
de probabilit dune loi de Weibull a pour expression :

|
\
|
=
|
\
|

t e
t
t f
t
1
) ( (2.17)
o : est le paramtre de forme (>0)
est le paramtre dchelle (>0)
est le paramtre de position ( 0)
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

26
La fonction fiabilit scrit:
\
|
=
t
e t R ) ( (2.18)
Le taux de dfaillance est donne par:
1
t
t

|
\
|
= ) (
(2.19)
Suivant les valeurs de , le taux de dfaillance est soit dcroissant (< 1) soit constant
(=1), soit croissant ( > 1). La distribution de Weibull permet donc de reprsenter les trois
priodes de la vie d'un dispositif dcrites par la courbe en baignoire.
Le cas > 0 correspond des dispositifs dont la probabilit de dfaillance est nulle jusqu'
un certain ge .
2.2.4.5 La loi Gamma
La loi gamma est la loi de linstant doccurrence du
me
vnement dans un processus de
Poisson.
Soit { }
, 1 = i
i T le vecteur reprsentant les dures inter-vnements ( les temps entre les
dfaillances successives dun systme). Si ces dures sont des variables alatoires
indpendantes et identiquement distribues selon une loi exponentielle de paramtre , alors
le temps cumul dapparition de dfaillances suit une loi Gamma de paramtre (, ). Sa
densit de probabilit scrit :
0 et 1 0, t
t

=

) (
e . t .
) t ( f
1
(2.20)
Le taux de dfaillance est donn par :
=
t
t 1
du ) u ( f ) (
e . t .
) t ( (2.21)
La loi gamma est trs utilise dans lapproche baysienne, elle est la conjugue naturelle
de la loi exponentielle de paramtre.
Un cas particulier intressant consiste, pour un entier naturel n fix, choisir les
paramtres: =n/2 et =1/2. La loi obtenue est celle du Khi-deux n degrs de libert.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

27
2.2.4.6 La loi uniforme
C'est une loi utilise dans lapproche baysienne pour modliser l'avis dexperts face une
situation donne. La densit de probabilit et la fiabilit d'une loi uniforme sur [0, a] sont
donnes par les formules suivantes:
>

=
a t si 0
a t 0 si
1

) (
a
t f (2.22)
Plus gnralement, la distribution de probabilit d'une loi uniforme sur [a, b] s'crit:
=
sinon 0
b t a si
a b
1
) t ( f (2.23)
2.2.4.7 La loi du Khi-deux
La loi du Khi-deux, ou loi de Pearson, ne sert pas modliser directement la fiabilit, mais
essentiellement au calcul des limites de confiance lors des estimations par intervalle de
confiance. Elle est caractrise par un paramtre positif appel degrs de libert et dfinie
que pour des valeurs positives.
La densit de probabilit dune loi de Khi-deux degrs scrit :
0 t
2
t
-
e t
2
=
1
2
)
2
( 2
1
) t ( f (2.24)
La loi du Khi-deux est dcrite par une table statistique.
2.2.4.8 La loi de Birnbaum-Saunders
Pour caractriser des dfaillances dues la propagation de fissure par fatigue, Birnbaum et
Saunders (1969) ont propos une distribution de vie base sur deux paramtres ([Birolini,
1997], [Owen and Padgett, 1998]). Cette distribution, pour une variable alatoire non ngative
T, est obtenue en tenant compte des caractristiques de base du processus de fatigue. La
variable alatoire T reprsente les instants de dfaillance.
La densit de probabilit d'une loi Birnbaum et Saunders de paramtres et est donne
par la formule :

(
\
|
\
|
\
|

= 2
t
t
2
1
exp .
t
t
t
.
t 2 2
1
) t ( f
2
2
1
2 2
2 2
2
1
(2.25)
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

28
Avec 0 , 0 0; t > > >
La fonction de fiabilit est donne par la formule:
0 0, > >
(
(
(
\
|
\
|

=
2
1
2
1
t
t 1
1 ) t ( R (2.26)
O est la fonction de rparation de la loi normale centre rduite.
2.3 Spcificit de la fiabilit en mcanique
Dans ce paragraphe, nous abordons la spcificit des composants mcaniques dans les
tudes des dures de vie, nous mettons en vidence certains paramtres pouvant influencer
lvaluation de leur fiabilit.
2.3.1 Les diffrentes phases du cycle de vie dun produit
Lvolution du taux de dfaillance dun produit pendant toute sa dure de vie est
caractrise par ce quon appelle en analyse de fiabilit la courbe en baignoire. (figure 2.3)
Le taux de dfaillance est lev au dbut de la vie du dispositif. Ensuite, il diminue assez
rapidement avec le temps (taux de dfaillance dcroissant), cette phase de vie est appele
priode de jeunesse. Aprs, il se stabilise une valeur qu'on souhaite aussi basse que possible
pendant une priode appele priode de vie utile (taux de dfaillance constant). A la fin, il
remonte lorsque l'usure et le vieillissement font sentir leurs effets, cest la priode de
vieillissement (taux de dfaillance croissant):
) (t
t
Priode de
jeunesse
Vie utile
Priode de
vieillissement
0

Figure 2.3. Courbe en baignoire
De nombreux lments, tels que les composants lectroniques, ont un taux de dfaillance
qui volue de cette manire l.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

29
Pour souligner la particularit des composants mcaniques dans lanalyse de la fiabilit par
rapport aux composants mcaniques, nous allons comparer lvolution du taux de dfaillance
dans les deux cas.
2.3.1.1 Taux de dfaillance pour des composants lectroniques
Lexprience a montr que pour des composants lectroniques la courbe, reprsentant le
taux de dfaillance en fonction du temps t, a la mme allure que la courbe en baignoire
(figure2.3). Elle est donc compose de trois phases ([Pags and Gondran, 1980],..):
(1) Phase 1
La premire phase dfinit la priode de jeunesse, caractrise par une dcroissance rapide
du taux de dfaillance. Pour un composant lectronique cette dcroissance sexplique par
llimination progressive de dfauts dus aux processus de conception ou de fabrication mal
matris ou un lot de composants mauvais. Cette priode peut tre minimise pour les
composants vendus aujourdhui. En effet, las fabricants de composants lectroniques se sont
engags vrifier la qualit de leurs produits en sortie de fabrication.
(2) Phase 2
La deuxime phase dfinie la priode de vie utile gnralement trs longue. Le taux de
dfaillance est approximativement constant. Le choix de la loi exponentielle, dont la proprit
principale est dtre sans mmoire, est tout fait satisfaisant. Les pannes sont dites alatoires,
leur apparition nest pas lie lge du composant mais dautres mcanismes
dendommagement. Les calculs prvisionnels de fiabilit se font presque souvent dans cette
priode de vie utile .
(3) Phase 3
La dernire phase est la priode de vieillissement, elle est caractrise par une
augmentation progressive du taux de dfaillance avec lge du dispositif. Ceci est expliqu
par des phnomnes de vieillissement tels que lusure, lrosion, etc. Cette priode est trs
nettement au-del de la dure de vie relle dun composant lectronique. Parfois, on ralise
des tests de vieillissement acclrs pour rvler les diffrents modes de dfaillance des
composants.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

30
2.3.1.2 Taux de dfaillance pour des composants mcaniques
Les composants mcaniques sont soumis, ds le dbut de leur vie, au phnomne dusure
ou de vieillissement. Si on trace la courbe du taux de dfaillance, en fonction du temps, on
obtient une courbe qui ne prsente pas le plateau de la figure 2.3; la priode de vie utile (taux
de dfaillance constant) nexiste pas ou elle est rduite. Le taux de dfaillance du dispositif est
une fonction non linaire du temps et ceci dans chaque phase de sa vie (voir figure 2.4,
[Doyle, 1992] , [McLean, 2000]):
Figure 2.4. La courbe du taux de dfaillance en mcanique
o La premire phase dfinit la priode de mortalit infantile. Cest une dure de vie en
principe trs courte. Elle dcrite par une dcroissance progressive du taux de dfaillance
avec le temps d une amlioration des caractristiques internes (caractristiques de
dfauts) et des interfaces, par un rodage pralable des pices. Par consquent il nest pas
souhaitable de tester les composants mcaniques dans cette priode de leur vie.
o La dernire phase dfinit la priode de vieillissement qui comporte la majorit de la vie du
dispositif. Elle est caractrise par une augmentation progressive du taux de dfaillance.
Les pices mcaniques sont soumises des phnomnes de vieillissement multiples qui
peuvent agir en combinaison: corrosion, usure, dformation, fatigue, et finalement perte
de rsilience ou fragilisation.
Contrairement aux composants lectroniques les calculs de la fiabilit pour des composants
mcaniques se font essentiellement dans la priode de vieillissement, en utilisant des lois de
probabilit dont le taux de dfaillance est fonction du temps telles que la loi Log-normale,
Weibull, etc.
) (t
t
P r i o d e d e v i e i l l i s s e m e n t
Priode de
Mortalit
infantile
R o d a g e U s u r e
0
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

31
2.3.2 Complexit des phnomnes physiques de dgradation
Les composants mcaniques sont caractriss par de multiples mcanismes de dgradation
souvent complexes, dorigines varies (fissuration, fluage, usure, fissuration par fatigue, etc.).
Ces modes de dgradation font intervenir plusieurs paramtres :
Caractristiques matriaux (limite lastique, limite la rupture, limite dendurance,
limite de fatigue, tnacit, duret,...),
Caractristiques dimensionnelles (gomtrie,),
Sollicitations extrieures (temprature, chargement, pression, ).
Forte interaction entre le composant et son environnement, etc.
Les effets dus au fluage, lusure et la corrosion peuvent tre matriss par des
dimensionnements de pices correctes et des traitements de surfaces appropris. Les
problmes majeurs de la fiabilit en mcanique proviennent essentiellement des contraintes
trop leves et des phnomnes de fatigue. Par consquent lanalyse de la fiabilit des
structures et des systmes mcaniques devient de plus en plus une procdure complexe ([Ford
et al., 1961], [Ligeron, 1979], [Lalanne, 1999], [Little and Ekvall, 1979], [Doyle, 1992] ,etc.).
2.3.2.1 Fatigue des matriaux
La fatigue des matriaux consiste en la dgradation ou la modification des proprits
mcaniques des matriaux, suite lapplication rpte dun chargement cyclique ou non,
conduisant une rupture. Le comportement du systme est caractris par une courbe dite
courbe de Whler.
2.3.2.2 Rupture par fissuration
Le phnomne de rupture par fissuration, comme son nom lindique, conduit la rupture
du matriau mcanique cause de lvolution dune fissure existante, par exemple la
propagation dun dfaut de fabrication ou la prsence de dfauts internes. Cette volution est
provoque par une application rpte dun chargement cyclique. Ltude du comportement
dune fissure sous contrainte est la base de la mcanique de la rupture.
2.3.2.3 Fluage
Le fluage est un mcanisme de dgradation li au chargement et la temprature
conduisant une dformation du matriau (allongement ou longation). Ce mcanisme
intervient ds que la temprature du matriau dpasse 0.3 0.4 fois la temprature absolue de
fusion (environ 400C pour les aciers)
2.3.2.4 Lusure et lrosion
Ces deux modes sont lis au frottement entre deux pices mcaniques provoquant
laugmentation du jeu entre elles (limination de matire).
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

32
2.3.3 Recueils de donnes de fiabilit
Parmi les problmes rencontrs lors du calcul prvisionnel de la fiabilit des systmes
mcaniques, les plus frquents sont la quasi absence de normalisation et de standardisation
internationales et labsence des donnes de vie sur les composants des systmes mcaniques.
Ceci est principalement d la complexit des composants, comme nous lavons bien
expliqu dans le paragraphe prcdent.
En lectronique, un domaine o le calcul de la fiabilit est pratiqu depuis de nombreuses
annes, les bases de donnes de fiabilit sont disponibles et nombreuses. En revanche, en
mcanique les recueils de donnes existants sont moins reconnus quen lectronique, et moins
nombreux mais ils sont tout de mme trs utiliss surtout ces dernires annes.
En pratique, on utilise souvent des bases de donnes connues, mais il est prfrable, quand
cela est possible de recueillir les donnes de retours d'expriences auprs des fabricants des
composants que l'on utilise. Cependant, ces donnes sont difficiles obtenir pour des
composants mcaniques. Les constructeurs ne s'efforcent pas de les collecter
systmatiquement, du fait quil est difficile de trouver une mtrique de sret de
fonctionnement. Dans le cas o elles existeraient, elles sont conserves confidentiellement.
Les recueils de donnes de fiabilit les plus connus pour des dispositifs lectroniques et
mcaniques sont prsents dans les tableaux 2.1 et 2.2 des paragraphes suivants. Des
exemples de feuilles de calculs pour chaque domaine sont donns en annexe (Annexe B).
Dans la majorit des recueils, les donnes de fiabilit sont fournies sous forme de taux de
dfaillance constants principalement pour les composants lectroniques et sous forme de
dures de vie moyennes, valeurs minimales et maximales ou de probabilit de bon
fonctionnement, en particulier pour les composants mcaniques
Ces recueils sont mis jour rgulirement pour tenir compte des volutions
technologiques.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

33
2.3.3.1 Donnes de fiabilit disponibles pour des composants lectroniques
Dans ce paragraphe nous prsentons les bases de donnes les plus utilises pour des
composants lectroniques, elles sont regroupes dans le tableau suivant (tableau 2.1), pour
plus dexplication voir lannexe B:
Source Titre Editeur Dernire
version
IEEE STD IEEE Guide to the
Collection and Presentation
of Electrical, Electronic
Sensing Component and
Mechanical Equipment
Reliability Data for Nuclear
Power Generating Stations.
Institution of
Electrical and
Electronic Engineers,
New York, USA.
IEEE
STD500,1984.
MIL-HDBK-217 Military Handbook-
Reliability Prediction of
Electronic Equipment.
United States
Department Of
Defense.
MIL-HDBK-
217F, notice 2,
28 Fvrier 1995.
BT-HRD Handbook for Reliability
Data.
BritishTelecommunic
ations.
HRD 5,1995.
EPRD
Electronic Parts Reliability
Data.
Reliability Analysis
Center, RAC,NEW
YORK, USA.
EPRD 97, 1997.
GJB

Chinese Military Standard. Beijing Yuntong
Forever Sci.-Tech.
GJB/Z229B,1998
.
RDF (CNET) Recueil de Donnes de
Fiabilit.
Centre National
dEtudes des
Tlcommunications,
UTE, Paris, France.
RDF 2000-UTE.
C80-810, Juillet
2000.
Telcordia/Bellcore Reliability Prediction
Procedure for Electronic
Equipment.
Telcordia
Technologies, New
Jersey, USA.
Telcordia SR-332
Issue1, Mai
2001.
Tableau 2.1. Recueils de donnes de fiabilit en lectronique
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

34
2.3.3.2 Donnes de fiabilit pour des composants mcaniques
Les principales bases de donnes de fiabilit en mcanique sont prsentes dans le tableau
suivant (tableau 2.2, [Doyle, 1992] , [Leemis, 1994],):
Source Titre diteur Dernire
version
AVCO Failure Rates. D.R.Earles&M.F.Eddins
AVCO Corporation, USA.
Avril 1962.
NPRD Nonelectronic Parts Reliability
Data.
Reliability Analysis Center,
RAC, New York, USA.
NPRD 97, 1997.
NSWC Handbook of Reliability
Prediction Procedures for
Mechanical Equipment.
Carderock Division, Naval
Surface Warfare Center,
United States Navy.
NSWC-98/LE1,
1998.
EIREDA European Reliability Industry
Data Handbook
European Commission and
Electricit de France CRETE
UNIVERSITY PRESS
1998
FARADA Failure Rate Data GIDEP-Government Indus-
try Data Exchange Program
(USA)
Mil-STD-1556 B,
24 fvrier 1986
Tableau 2.2. Recueils de donnes de fiabilit en mcanique
(1) AVCO
LAVCO est un manuel amricain trs ancien regroupant des tables de donnes de fiabilit
pour des composants mcaniques : des dures de vie moyennes, des taux de dfaillance
gnriques sous forme de nombre de dfaillances par million dheures et par million de cycles
en fonction des conditions denvironnement (gnralement, on trouve des intervalles
[
min
,
max
] avec un certain niveau de confiance).

(2) NPRD
Le NPRD est un rapport du centre RAC Reliability Analysis Center trs utilis pour
valuer la fiabilit des composants et dispositifs non lectroniques, cest un complment du
MIL-HDBK-217. Il fournit des taux de dfaillance moyens pour une large varit de
composants non couverts par le MIL-HDBK-217 (plus de 25000 composants): des
composants mcaniques, lectromcaniques ou physico-chimiques.
Les donnes collectes, depuis lanne 1970 jusqu 1994, sont reprsentes par des
tableaux contenant : une prsentation du composant, son niveau de qualit (militaire,
commercial ou inconnu),des conditions denvironnement et dutilisation du composant, des
sources de donnes, des taux de dfaillance moyen par millions dheures ainsi que des
intervalles de confiances, des nombres de pannes observes, le nombre dheures de
fonctionnement (en million), etc.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

35
Lhypothse dune loi exponentielle pour les temps de dfaillance nest pas souvent
adopte car la majorit des composants prsents dans le manuel ont une distribution de dure
de vie Weibull ou Log-normale. Le manuel prsente des mthodes qui permettent de calculer
les paramtres des lois considres. Lannexe B donne un extrait du NPRD 1997.
(3) NSWC
Le NSWC est un catalogue publi par la Marine des tats-Unis Naval Surface Warfare
Center, il fournit des modles de taux de dfaillance, supposs constant, pour des classes
fondamentales de composants mcaniques tels que les ressorts, les moteurs, les freins, les
embrayages, etc.
Les modles du taux de dfaillance incluent des facteurs pouvant avoir un impact sur la
fiabilit des composants. Ces facteurs tiennent compte des modes de dfaillance et des
paramtres qui les engendrent, par exemple les caractristiques matriaux, les conditions
denvironnement, les forces appliques, etc. Ces paramtres constituent des donnes dentre
pour les modles de taux de dfaillance.
Le NSWC est une norme relativement nouvelle et seule dans son genre. Nanmoins lun
de ces inconvnients est d au fait que les modles prsents exigent une quantit suffisante
de donnes dentre, ce qui nest pas toujours disponible.
(4) EIREDA
Le manuel EIREDA (European Reliability Industry Data Handbook) donne des taux de
dfaillance, supposs constants, pour des produits mcaniques et lectroniques en
fonctionnement et en sollicitation, lusage des centrales nuclaires.
(5) FARADA
Le FARADA (Failure Rate Data) fournit des donnes de fiabilit pour des composants de
toutes natures : une estimation des taux de dfaillance, nombre de pannes observes, type de
pice, mode dutilisation, etc.
2.3.3.3 Limite dutilisation des bases de donnes mcaniques
La comparaison de ces cinq recueils de donnes de fiabilit pour des composants
mcaniques mne quelques rsultats intressants :
Le NPRD-97 est le plus utilis, il offre plus dinformation ncessaire une valuation
simple de la fiabilit. Ses donnes proviennent de lutilisation relle des composants, cest
pour cette raison quelles sont juges bonnes, nanmoins elles sont toutes donnes en nombre
de dfaillance par million dheures, ce qui nest pas une mesure adquate pour certains
quipements (de dures de vie cycliques).
Le NSWC-98 prsente des donnes plus rcentes, compar aux autres manuels, il peut
offrir une alternative plus prcise si les donnes dentres sont de plus en plus disponibles.
Le document AVCO contient des donnes de vie pour des composants utiliss dans des
environnements divers. Nanmoins, ces donnes datent de 1962, or depuis lvolution des
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

36
technologies na pas cess davancer, en particuliers dans le domaine de la science des
matriaux, et la performance des systmes augmente de plus en plus.
En fin, nous pouvons citer le IEEE STD 500 qui offre des donnes pour des matriels
utiliss dans les centrales nuclaires. Il y a plus de donnes pour des composants lectriques
et lectroniques que les composants mcaniques.
Ces recueils de donnes de fiabilit sont fonds soit sur des rsultats dexploitation ou des
rsultats dessais en laboratoire. Le processus de dgradation des quipements (modes,
mcanismes et causes de dfaillance), les conditions dutilisation et lvolution des
technologies sont des paramtres ncessaires pour le calcul des taux de dfaillance et
llaboration des modles prvisionnels de la fiabilit, or il est difficile de les prendre tous en
considration. Les donnes sont souvent inappropries aux systmes et environnements rels.
Par consquent, aucune de ces sources de donnes ne fournit des donnes parfaites pour
une valuation plus prcise de la fiabilit, les informations recueillies ne permettent quune
exploitation partielle des donnes, cependant elles restent toujours utiles pour de nouvelles
conceptions.
2.3.4 Fiabilit systme- Modlisation de la fiabilit des quipements mcaniques
2.3.4.1 Procdure gnrale
La dtermination de la fiabilit dun systme lectronique, mcanique ou autre ncessite
tout dabord de connatre la loi de la fiabilit (ou la loi de dfaillance) de chacun des
composants intervenant dans le systme ([Bon, 1995], [Cox and Oakes, 1984], [Cocozza-
Thivent, 1997], [Pags and Gondran, 1980]). Ceci est simple pour certains types de systmes
tels que les systmes lectroniques, or ce nest pas le cas pour des systmes mcaniques
cause de la complexit de la structure du systme tudi. Les systmes mcaniques sont des
ensembles d'lments technologiques lis par des relations statiques et dynamiques assez
complexes.
Pour un systme lectronique chaque composant a un poids important dans la fiabilit du
systme, la fiabilit du systme est donc calcule en fonction de la fiabilit de tous ses
composants. Les calculs sont effectus sous lhypothse que les taux de dfaillance sont
constants dans le temps, une hypothse acceptable pour la plupart des composants, ce qui rend
les calculs beaucoup plus simple. La dtermination des taux de dfaillance des composants est
effectue soit partir des modles dvelopps dans des bases de donnes disponibles, soit
partir dessais effectus sur les composants ou bien partir des rsultats dexploitation des
produits.
La fiabilit dun systme mcanique, contrairement llectronique, repose sur la fiabilit
de quelques composants lmentaires responsables de son dysfonctionnement, dits
composants responsables ou critiques (parfois un seul), contribuant presque totalement
la probabilit de dfaillance de lensemble Voir ([Doyle, 1992] et [DEBRAY, 2000]). Les
autres composants pouvant tre considrs de probabilit de dfaillance pratiquement nulle.
Lidentification de ces composants se fait en effectuant des analyses qualitatifs, telles que
lAPR (Analyse Prliminaire des Risques) et lAMDEC (Analyse de Modes de dfaillance, de
leurs Effets et de leurs Criticit),et des analyses quantitatives telles que lanalyse par arbres de
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

37
dfaillance (voir Annexe A). Ensuite, nous en crerons un modle partir dun diagramme de
fiabilit, par exemple sous forme d'un schma bloc. Le taux de dfaillance du systme sera
donc calcul en fonction de larchitecture du systme donne par ce schma.
Le plus souvent, les systmes mcaniques sont considrs configuration srie, Du fait
quon gard que les composants critiques. Dans ce cas et lorsque les composants du systme
sont supposs indpendants, les caractristiques de fiabilit sont les suivantes :
La fiabilit R(t) dun systme mcanique non rparable est le produit des
fiabilits des composants "critiques", la dfaillance de lun de ces lments entrane
la dfaillance du systme:
) ( ) ( t R t R
n
1 i
i
=
=
(2.27)
Le taux de dfaillance (t) du systme est approximativement gal la somme des
taux de dfaillance individuels (
i
(t),i=1,..,n) :
=
=
n
1 i
i
t t ) ( ) (
(2.28)
2.3.4.2 Illustration
l'aide d'un exemple tir de [Bertshe and Gisbert, 1999], nous claircissons la procdure.
Soit le rducteur de vitesse, reprsent par la figure 2.5.
Figure 2.5. Rducteur de vitesse
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

38
(1) Donnes
Les diffrents composants critiques vis--vis de la fiabilit sont les suivants: deux roues
dentes, un engrenage, deux roulements et deux joints lvres. Bertsche et Lechner proposent
de leurs associer comme loi de dfaillance la distribution de Weibull dont les paramtres
figurent dans le tableau 2.3 ( s'exprime en tours d'arbre d'entre), en supposant les
paramtres de dcalage nuls (=0).
Composant Mode de dfaillance
Composant 1 Roue dente 1 Rupture de la roue dente 1 38.000 1,4
Composant 2 Roue dente 2 Rupture de la roue dente 2 70.500 1,8
Composant 3 Engrenage Pitting de l'engrenage 1.966.600 1,3
Composant 4 Roulement 1 Dfaillance du roulement 1 9.100.000 1,11
Composant 5 Roulement 2 Dfaillance du roulement 2 15.200.000 1,11
Composant 6 Joint lvre radial 1 Dfaillance du joint lvres radial 1 66.000.000 1,0
Composant 7 Joint lvre radial 2 Dfaillance du joint lvres radial 2 6.000.000 1,0
Tableau 2.3. Paramtres de la loi de dfaillance des lments du rducteur (distribution de
Weibull)
(2) Modlisation du systme
En gnral, un systme se reprsente sous forme d'un schma bloc. Ceci sous-entend
qu'une analyse topologique pralable du systme doit tre ralise. La dfaillance de tel
composant entrane-t-elle la dfaillance du systme ?. Si la rponse est affirmative alors ce
composant doit tre associe en srie.
Figure 2.6. Exemple dune modlisation du rducteur en schma bloc
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

39
(3) Calcul et rsultats
La fiabilit du systme est calcule en fonction des fiabilits des sept composants qui le
constituent :
1,..,7 i 0 t
t
t R o t R t R
i
i
i
7
1 i
i
=
|
|
\
|
|
\
|
= =
exp ) ( ) ( ) (

Les rsultats sont reprsents par un seul graphique (voir figure 2.7).
Figure 2.7. Prsentation graphique de la fiabilit du systme et de ses composants
On remarque que la courbe des deux premiers composants (les deux roues dentes) sont
prpondrantes. Il en rsulte que la fiabilit du rducteur de vitesse dpend principalement de
la fiabilit des deux roues dentes.
2.3.4.3 Conclusion
partir d'un exemple simple, nous avons montr que la fiabilit d'un systme mcanique
dpend principalement de la fiabilit d'un ou deux composants. Ainsi, la fiabilit mcanique
consiste principalement en l'tude des composants.
0
0,2
0,4
0,6
0,8
1
1,2
0,00E+00 5,00E+04 1,00E+05 1,50E+05 2,00E+05 2,50E+05 3,00E+05
Dure de vie
F
i
a
b
i
l
i
t
R1(t)
R2(t)
R3(t)
R4(t)
R5(t)
R6(t)
R7(t)
R(t) syst
R3(t)
R2(t)
R1(t)
R(t)
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

40
2.4 Gnralits sur les mthodes dvaluation de la fiabilit d'un
composant mcanique
([Afnor, 1981], [Afnor, 1988], [ASTE, 1993], [Catuneau and Mihalache, 1989], [Birolini,
1997], [Doyle, 1992] , [Ligeron, 1979], [Mclinn, 1998], [Pags and Gondran, 1980],
[Procaccia and Morilhat, 1996] , [Salzman et al., 2003], [Villemeur, 1988],)
2.4.1 Problmatique
On dfinit la thorie de la fiabilit des structures mcaniques (systmes ou composants)
comme un ensemble de mthodes, bases sur des concepts probabilistes et des techniques
doptimisation directement issues de la recherche, destines estimer la fiabilit (probabilit
de bon fonctionnement ou de succs) ou un autre indicateur de fiabilit (taux de dfaillance,
probabilit de dfaillance, marges de scurit,) dun lment de structure ou de la structure
elle-mme permettant ainsi de matriser, cots de calcul rduits, les issues possibles dun
dimensionnement ([Procaccia and Morilhat, 1996]).
Lvaluation et loptimisation de la fiabilit des structures mcaniques sont indispensables
pour concevoir des systmes de plus en plus performants. Pour cela, plusieurs mthodes sont
dfinies, leur utilisation est conditionne par la connaissance de certaines donnes, les outils
disponibles et les objectifs atteindre.
La fiabilit des systmes mcaniques peut tre dtermine partir des modles de taux de
dfaillance dvelopps dans des bases de donnes. Cest lapproche la plus simple et la plus
directe. Or et comme nous lavons expliqu, les sources de donnes sur les taux de dfaillance
de composants mcaniques ne sont pas trs nombreuses et aucune delles ne fournit des
donnes parfaites pour une valuation plus prcise de la fiabilit (le taux de dfaillance est
souvent suppos constant). Les informations recueillies ne permettent quune exploitation
partielle des donnes. Cependant, elles restent toujours utiles pour de nouvelles conceptions.
Par dfinition, la fiabilit est l'aptitude d'un dispositif accomplir une fonction requise,
dans des conditions (contraintes) donnes, durant un intervalle de temps donn [Norme CEI
271, 1974]. Les conditions sont les contraintes physiques, chimiques et mcaniques subis par
les dispositif du fait de son environnement. Le temps est exprim au sens large, ce sera bien
souvent un nombre de cycles ou une caractristique qui exprime la dure de vie [Liegeron,
1979]. Cependant, deux approches de calcul sont possibles :
1. On fixe le temps et la contrainte est une variable alatoire. Par exemple, pour un nombre
de cycle fixe (n), la contrainte est une variable alatoire de distribution normale.
2. On fixe la contrainte et le temps est une variable alatoire. Par exemple, pour un niveau
de contrainte constant, le nombre de cycle jusqu' rupture (N) est une variable alatoire
de loi log-normale.
Pour garantir une conception sre et comptitive, le dimensionnement et lvaluation de la
fiabilit dune structure se font en prenant en compte simultanment toutes les informations
concernant les composants. Dans les paragraphes suivants, nous prsentons les principes
gnraux des diffrentes mthodes de calcul de la fiabilit des structures mcaniques, les
mthodes dterministe et probabiliste.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

41
2.4.2 Approche dterministe
De manire gnrale, le dimensionnement de structure se fait en considrant un mode de
dfaillance donn, et est base sur ltablissement dun modle mcanique caractrisant son
tat en fonction des variables de conception de la structure : chargement, gomtrie,
caractristiques matriaux, caractristiques de lenvironnement, etc. ([Afnor, 1981] [Procaccia
and Morilhat, 1996], [Doyle, 1992] , [Ligeron, 1979], [Mclinn, 1998],]
Le modle mcanique reliant ces variables de conception, est compos de deux termes :
Un premier terme donnant ltat de sollicitation de la structure, dcrit par des variables de
sollicitation, en fonction dun mode de ruine donn ( chargement, caractristiques
matriau, gomtrie, contrainte environnementales,..). Ce terme est dsign par
Contrainte et not C.
Un deuxime terme caractrisant la capacit de la matire choisie pour raliser la
structure, rsister aux contraintes exerces. Elle est dcrite par des variables ressources
(tnacit du matriau, limite lastique, etc.)et directement lie au mode de ruine tudi. Ce
terme est dsign par Rsistance et est not R.
Depuis le 20
ime
sicle les analyses mcaniques de dimensionnement et de conception des
structures mcaniques sont fondes sur lapproche classique de la mthode Contrainte -
Rsistance ( Stress-strength en anglais). Cette approche est base sur un calcul
dterministe dun coefficient appel coefficient de scurit, dfinit par:
C
R
applique Contrainte
structure la de rsistance de Paramtre
K = = (2.29)
Les termes R et C , comme le montre la figure 2.8, sont assimiles des valeurs moyennes
(du fait des htrognits de la matire, des erreurs de prcision sur le dimensionnement,
lenvironnement, etc.) ou des valeurs caractristiques dfinies exprimentalement (telles que
la rsistance minimum la contrainte et la contrainte maximum applique). Ce coefficient
caractrise la qualit de conception des structures et permet de se prmunir contre les modes
de dfaillance envisageables sur une structure durant sa dure de vie.
Figure 2.8. Approche classique dterministe
C R
Coefficient de scurit
C
R
K =
Contrainte Rsistance
C R
Coefficient de scurit
C
R
K =
Contrainte Rsistance
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

42
Le coefficient de scurit fournit une mesure qualitative de la probabilit de dfaillance. Le
risque est valu sous forme dun jugement binaire. On donne une valeur a priori K
0
,
10 K 1
0
< , impos par des rglementations et des normes. Ensuite, on la compare avec le
rapport R/C:
Si K K
0
le dimensionnement est acceptable
Si K < K
0
le dimensionnement est inacceptable
Le coefficient de scurit est tabli essentiellement sur la base de lexprience ou
lintuition des experts et dobservations physiques, ceci mne souvent des
surdimensionnements. Il na de valeur que dans le domaine pour lequel il a t vrifi par
lexprience, son extension dautres conditions peut entraner des checs ou accidents.
De plus en assimilant R et C des valeurs moyennes, on nglige le caractre incertain des
variables du modle mcanique, dans la conception ou pendant la vie de la structure (une
variabilit des caractristiques matriaux, une incertitude sur le modle mcanique, la
prsence de dfauts physiques, etc.), par consquent il devient impossible dune part
daborder le problme de prvision de fiabilit dune structure, surtout pour des structures
mcaniques assez complexes, et dautre part doptimiser la conception ou daugmenter les
performances du produit fabriqu.
Le lecteur peut trouver plus de dtails sur cette mthode dans les rfrences suivantes:
[Afnor, 1981], [Procaccia and Morilhat, 1996], [Doyle, 1992] , [Ligeron, 1979], [Mclinn,
1998], etc. .
2.4.3 Approche probabiliste
Aujourdhui les systmes mcaniques sont de plus en plus performants et les facteurs de
scurit ne prennent pas en compte les fluctuations des diffrentes variables qui agissent sur
les structures. Par exemple lorsque lon cherche, allger une structure, ce qui revient
diminuer le coefficient de scurit, quel risque prenons-nous ? Pour rpondre cette
interrogation les concepteurs ont ralis la ncessit de mettre en uvre une analyse moins
exprimentale que celle utilisant des coefficients de scurit. Il sagit donc de lanalyse de la
fiabilit par des mthodes probabilistes, tenant compte de la dispersion des variables de
conception ( de sollicitations et de ressources) dcrites pas des distributions probabilistes.
Mayer, ds 1926 propose de considrer chaque paramtre incertain entrant dans le calcul
des structures comme une variable alatoire caractrise par une distribution de probabilit,
mais cest essentiellement aprs la seconde guerre mondiale que la thorie probabiliste va
voluer ([Procaccia and Morilhat, 1996]).
La dmarche probabiliste permet la modlisation raliste et la quantification des effets des
incertitudes sur la performance du systme travers le concept de la probabilit de dfaillance
ou de dysfonctionnement, note
f
P (cest le complment par rapport 1 de la probabilit de
bon fonctionnement). Ainsi, elle permet d'orienter les oprations de maintenance, en fonction
de l'influence des incertitudes sur les paramtres du systme.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

43
Une dmarche probabiliste dans le processus de conception de produit nouveau est une
mthodologie compose dun ensemble doutils mcaniques et statistiques trs puissants,
permettant principalement:
Le calcul et loptimisation de la fiabilit dune structure afin damliorer la qualit de
ses composants,
Ltude de leffet des variations des caractristiques matriaux, des variations des
dimensions et des variations de l'environnement, sur la dure de vie dune structure.
Le dimensionnement dune structure par rapport un objectif de fiabilit donn en
calculant sa probabilit de dfaillance.
Plusieurs approches probabilistes sont mises en uvre pour valuer la probabilit de
dfaillance des structures. Elles bnficient ce jour dun grand intrt conomique et
industriel. En France, des laboratoires dingnierie mcanique et des industriels se sont
entirement investis, dans lamlioration des mthodes existantes et dans la recherche de
nouvelles mthodologies. Ces travaux leur permettent datteindre des objectifs de fiabilit
plus prcise et de rentabiliser leurs investissements. Parmi ces tablissements, nous citons : le
Centre Technique des Industries Mcaniques (CETIM), linstitut franais de mcanique
avanc, Rseau des Centres Techniques Industriels, la socit INTES, Renault, PSA Peugeot
CITROEN, etc.
Dans ce paragraphe nous allons introduire deux grandes familles de mthodes probabilistes
dvaluation de la fiabilit mcanique en environnement stressant. Celle qui repose sur
lapproche probabiliste de la thorie Contrainte-Rsistance (souvent applique en phase de
conception) et celle qui repose sur la mthode destimation des lois de fiabilit ou de
certaines caractristiques statistiques telles que les dures de vie moyennes des structures
elles-mmes, taux de dfaillance instantan fonction du temps (base sur des essais de
fiabilit ou des rsultats dexploitation et applicable tout au long du cycle de dveloppement
de la structure).
2.4.3.1 Lapproche probabiliste de la thorie Contrainte- Rsistance
Contrairement lapproche dterministe dcrite par un coefficient de scurit dfini par un
simple rapport de deux caractristiques physiques :
C
R
, cette mthode est base sur la
comparaison probabiliste de la Rsistance et la Contrainte, considres cette fois-ci comme
des variables alatoires, en utilisant leurs distributions de probabilit ou tout simplement leurs
paramtres reprsentatifs.
Pour simplifier, prenons le cas lmentaire dune structure ayant une rsistance R et
soumise un chargement unique C par rapport un mode de dfaillance donn. On dfinit la
probabilit de dfaillance
f
P de la structure par la probabilit que la rsistance la contrainte
soit infrieure la contrainte applique pendant la mission (la dure de vie de la structure).
Nous pouvons synthtiser cela par le schma suivant, appel diagramme de Warmer (figure
2.9)
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

44
= =
f
D
C R f
dc dr c r f C R P P ) , ( ) (
,
(2.30)
O est le domaine de dfaillance de la structure.

Figure 2.9. Diagramme de Warmer
La fiabilit, ou la probabilit de bon fonctionnement de la structure est ainsi dfinie par la
probabilit pour que la rsistance R soit suprieure la contrainte applique.
) ( 1 C R P P P
f R
> = = (2.31)
Plusieurs mthodes de calculs de
f
P sont proposes suivant la nature des distributions des
variables de conception. Ces mthodes peuvent tre classes en trois catgories:
a) Mthodes directes : bases sur un calcul, analytique ou numrique, de la probabilit de
dfaillance (intgration directe); mises en uvre avec des distributions simple telle
que la loi normale ([Afnor, 1981]).
b) Mthodes dapproximation : base sur une approximation de la loi de distribution des
variables de conception par une loi continue normale. Le calcul de
f
P est alors
effectu partir d'indice de fiabilite. Les mthodes les plus utilises sont
First/Seconde Order Reliability Methods connues sous le nom FORM/SORM ([Ayyub
and Mccuen, 1997], [Madsen et al., 1986], [Castillo et al., 1999]).
c) Mthodes par simulation : base sur un calcul approximatif de la probabilit de
dfaillance selon la mthode de Monte-Carlo ([afnor, 1981], [Ayyub and Mccuen,
1997], [Villemeur, 1988]);
Le cas o lon plus de deux variables de conception est prsent en dtails annexe
(Annexe C), le lecteur y trouvera aussi un inventaire des diffrentes mthodes de calcul de la
probabilit de dfaillance.
PP
ff
D
e
n
s
i
t

d
e

p
r
o
b
a
b
i
l
i
t
D
e
n
s
i
t

d
e

p
r
o
b
a
b
i
l
i
t
Dure de vie
donnes
Distribution de Distribution de
la Contrainte la Contrainte
la Rsistance la Rsistance
Probabilit de
dfaillance PP
ff
D
e
n
s
i
t

d
e

p
r
o
b
a
b
i
l
i
t
D
e
n
s
i
t

d
e

p
r
o
b
a
b
i
l
i
t
Dure de vie
donnes
la Contrainte la Contrainte
la Rsistance la Rsistance
Probabilit de
dfaillance
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

45
2.4.3.2 Mthode dEstimation de la fiabilit par les essais
Cette mthode est base sur un Traitement Statistique des Donnes de Vie (voir [Afnor,
1981], [Afnor, 1988], [ASTE, 1993]), [Birolini, 1997], [Catuneau and Mihalache, 1989],
[Ligeron and et M. Neff, 1984], [Pags and Gondran, 1980], [Salzman et al., 2003],
[Villemeur, 1988]), afin de les ajuster une distribution de vie thorique pour valuer la
probabilit de dfaillance.
On dsigne par T la variable alatoire positive reprsentant la dure de vie du produit
tudi. Comme cest indiqu par la figure 2.10, pour un niveau de contrainte donn, la
probabilit de dfaillance la date t est ainsi reprsente par la fonction de rpartition F, :
) ( ) ( t F t T P = (2.32)
Figure 2.10. valuation de la probabilit de dfaillance instantane dun composant
mcanique
La fiabilit, qui reprsente la probabilit de non-dfaillance jusqu linstant t, se
caractrise aussi par le taux de dfaillance (t) et elle scrit :
|
|
\
|
= > =
t
ds s t T P t R
0
) ( exp ) ( ) ( (2.33)
Ainsi, les produits au cours de leur exploitation verront leur taux de dfaillance voluer
dans le temps.
temps
Distribution des Distribution des
Dures de Vie Dures de Vie
TT
t
C
0
PP
ff
C
1
Conditions dutilisation donnes
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

46
Suivant la nature des donnes disponibles, des mthodes destimation et danalyse
statistique sont proposes. Les donnes statistiques utilises proviennent soit dessais en
laboratoires (Essais de Fiabilit) ou de rsultats dexploitation (bases de donnes disponibles,
retour dexpriences, etc..). Or lun des problmes que lon rencontre lors de lvaluation de
la fiabilit mcanique est le manque de bases de donnes mcaniques, par consquent nous
allons diriger notre tude vers le premier point concernant les essais de fiabilit.
Lintroduction des essais de fiabilit dans le processus de dveloppement de produits
nouveaux permet damliorer la fiabilit oprationnelle, avant de disposer des donnes du
retour dexprience.
Un autre objectif principal des essais de fiabilit est dobtenir des donnes de vie pour des
produits mcaniques (instants de dfaillance, nombre de cycles la rupture,..) en phase de
conception, dans des dlais raisonnables afin dajuster des lois de probabilit pour valuer et
amliorer la fiabilit du produit tout au long de sa vie (de la conception la mise en service).
Parmi les essais de fiabilit les plus utiliss, on cite les essais acclrs, les essais aggravs,
les essais baysiens etc. Cette mthode dvaluation de la fiabilit mcanique, sera tudie en
dtail par la suite.
2.5 Conclusions
Le calcul de la fiabilit mcanique prsente des limitations et cela pour plusieurs raisons, la
notion du taux de dfaillance constant nexiste pas, labsence de modles satisfaisants pour
dcrire certains processus complexes de dgradation et de leur interaction, la quasi absence de
normalisation et de standardisation internationales et le manque de donnes (Le systme
mcanique est de plus en plus performant).
En lectronique, un domaine o la fiabilit est pratique depuis de nombreuses annes, les
bases de donnes de fiabilit sont disponibles et nombreuses. En revanche, en mcanique les
recueils de donnes existants sont moins reconnus quen lectronique et moins nombreux.
Elles ne permettent quune exploitation partielle des donnes, cependant elles restent toujours
utiles pour de nouvelles conceptions et le deviennent de plus en plus surtout ces dernires
annes.
La fiabilit dun systme mcanique, contrairement llectronique, repose sur la fiabilit
de quelques composants lmentaires responsables de son dysfonctionnement parfois un seul,
contribuant presque totalement la probabilit de dfaillance de lensemble. Les autres
composants pouvant tre considrs de probabilit de dfaillance pratiquement nulle.
On peut considrer deux grandes familles de mthodes permettant dvaluer la fiabilit
mcanique. La premire est la mthode dterministe traditionnelle Contrainte -Rsistance,
o chaque paramtre est caractris par une valeur unique, est base sur lutilisation de
coefficient de scurit dterministe. Ce coefficient est introduit dans les calculs afin de
respecter des marges importantes et garantir leur intgrit. Cette mthode est remise en
question, depuis la fin de la deuxime guerre mondiale, par lmergence des mthodes
probabilistes des structures.
Les mthodes probabilistes se divisent, elles aussi, en deux groupes. Le premier groupe est
reprsent par la mthode probabiliste Contrainte -Rsistance o chaque paramtre est
caractris par une distribution de probabilit : lexistence de deux variables qui caractrisent
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

47
lenvironnement et la rsistance lenvironnement, conduit lexistence dun risque de
dfaillance
f
P . Lvaluation de la fiabilit des structures consiste estimer ce risque partir
de la probabilisation dun modle physique de dgradation (modles mcaniques). On
dtermine la probabilit que la rsistance la contrainte de la structure soit suprieure aux
contraintes appliques pendants toute la mission considre. Cette probabilit est ensuite
compare une valeur limite qui traduit le niveau de dgradation acceptable. Les modles
mcaniques, permettant une modlisation thorique et numrique des comportements dune
structure (fatigue, mcanique de la rupture), sont donns soit explicitement soit par calculs
lments finis.
Le deuxime groupe est compos des mthodes probabilistes qui consistent valuer la
probabilit de dfaillance des systmes et son volution au cours du temps, en mettant au
point un modle de fiabilit, qui permet de distinguer les composant haut risque des
composants moins sensibles.
Le premier type des mthodes probabilistes, donne une valuation ponctuelle de la fiabilit
un certain stade de dveloppement du produit, ceci ne permet pas le suivi de lvolution
temporelle de la fiabilit et la matrise de la maturit de nouveaux produits durant tout leur
cycle de dveloppement, surtout que les enjeux actuels de comptitivit industrielle en termes
dinnovation, de dlai de dveloppement, de sret de fonctionnement, imposent de mettre
en uvre des stratgies de qualification de produit, de plus en plus efficaces et rigoureuses.
Face ces problmes, les mcaniciens ont dcid dorienter leurs recherches vers lanalyse
de fiabilit base sur les mthodes probabilistes donnant une probabilit de dfaillance en
fonction du temps. La prise en compte de lvolution de la fiabilit dans le temps et du
vieillissement afin doptimiser les stratgies de maintenance et damliorer les performances
des systmes, revient construire et matriser la fiabilit du produit durant tout le cycle de vie
et dans des conditions dutilisation et denvironnement spcifies, partir des Essais de
Fiabilit.
En France, jusque dans les annes 80, lentreprise PEUGEOT dimensionnait
traditionnellement ses vhicules pour quils rsistent des longs kilomtrages et de trs
mauvaises conditions de roulage sur les pistes dAfrique des annes 1950, le principe tait
bas sur lide que le client le plus svre ne devait jamais casser une pice. Une telle
approche gnrait souvent des pices surdimensionnes et donc plus lourdes que ncessaire.
Cette priode est rvolue, la meilleure approche est alors probabiliste, elle est particulirement
bien adapte leurs problmatiques de tenue des pices en clientle. Le succs de la
dmarche chez PEUGEOT dpend essentiellement de la connaissance prcise de la clientle.
Elle est difficile obtenir car elle ncessite des campagnes de mesures en vraies grandeurs
trs coteuses. Malgr cela, comme par le pass une part importante de leurs efforts va dans
ce sens ([Perrou, 2000], [Perrou, 2003]).
En dehors de lidentification du comportement mcanique de matriaux et de structures
complexes, lintrt pratique de la mthode destimation de la fiabilit par les essais est de
permettre la prvision de la dure de vie des structures, de leurs fluctuations, et plus
gnralement daccder des analyses de risque. Ce point intresse particulirement les
partenaires industriels des diffrents laboratoires ainsi que les personnes et organismes
impliqus dans la rglementation.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

48
Le couplage mcanique et fiabilit est le seul moyen permettant lanalyse des structures
relles avec des comportements complexes. Nanmoins, ce couplage pose des difficults
numriques qui freinent lapplication des mthodes fiabilistes.
Dans le chapitre suivant, nous prsentons les diffrentes techniques dessai de fiabilit en
les situant dans le cycle de dveloppement dun produit, ensuite nous donnerons des dtails
sur la mthode destimation de la fiabilit et le rle de certains types dessais, dans sa mise en
uvre.

t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
CHAPITRE 3. Les essais en fiabilit
49
CHAPITRE 3

Les Essais en Fiabilit
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
50
3 LES ESSAIS EN FIABILITE
Lefficacit de la construction de la fiabilit dun produit travers les essais permet le suivi
de son volution dans les divers stades de son dveloppement afin de le rendre plus mature.
Toutefois, cette procdure ncessite une collaboration entre lingnierie de lenvironnement
(conditions demploi, modles de dgradation mcaniques, ..) et lingnierie de fiabilit
(caractristiques de Sret de Fonctionnement).
Dans ce chapitre nous prsentons un certain nombre dessai de fiabilit de plus en plus
efficaces et trs utiliss, en les situant dans le cycle de dveloppement dun produit, il sagit
des essais aggravs, des essais acclrs et les essais baysiens. ([Afnor, 1981], [Afnor,
1988], [Birolini, 1997], [Nelson, 1990], [Crowe and Feinberg, 2001], [ASTE, 1993],
[OConnor, 2003], [Ligeron and M. Neff, 1984], [Pags and Gondran, 1980], [Villemeur,
1988]),
3.1 Introduction sur les essais de fiabilit
Les essais de fiabilit sont destins vrifier ou complter les donnes de fiabilit
existantes ou les laborer lorsquelles ne sont pas disponibles, et ceci en procdant des
tests sur un certain nombre dentits.
La norme UTE C20-321 [Afnor, 1988] dfinit les diffrents types dessais de fiabilit :
Les essais de fiabilit sont en gnral des essais de conformit en fiabilit. Ils sappliquent
en gnral dans lun des cas suivants :
Modles dtude ou prototypes,
Lot de prsrie,
Lot (ou lots) de production.
Quant leur ralisation, diffrentes mesures sont prises :
La population doit tre homogne : les dispositifs sont de mme type, produit par les
mmes moyens et dans des conditions similaires, afin que les essais soient
reprsentatifs,
Le choix des dispositifs mettre en essai doit tre fait dans la population concerne
selon un chantillonnage alatoire,
Durant le droulement des essais les dispositifs sont exposs aux mmes contraintes
que les quipements livrables.
Des essais de diffrents types peuvent tre effectus. Nous les distinguons en fonction:
De leur objectif qui peut tre soit la mesure de taux de dfaillance et lajustement dun
modle de loi de fiabilit, ou le contrle dhomologation, de maintenance et rduction
du temps de fabrication, ou bien faire des analyses technologiques des dfaillances et
matrise des causes de dfauts.
Des contraintes appliques qui peuvent tre constantes (normales ou fortes),
cycliques ou chelonnes.
De la procdure ou des rsultats attendus. Sur un chantillon de dispositifs de taille
dfinie, on choisit lavance : un critre darrt (lessai est termin lorsque tous les
dispositifs sont dfaillants : essai complet), une dure limite (lessai est arrt au bout
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
51
dun temps fix lavance, avec ou sans remplacement des produits dfectueux : essai
tronqu ou censure de type I), un nombre de dfaillance limit (lessai est arrt au bout
dun nombre de dfaillances fix lavance, avec ou remplacement des produits
dfectueux : essais censurs de type II), ou pas de critre pralable relatif la dure de
lessai ou au nombre maximal de dfaillances (larrt nest dcid quen fonction des
rsultats cumuls au cours de lessai : essai progressif ou squentiel).
Du type de produit. Composant ou quipement.
Du cot dessai. Le cot dune campagne dessais dpend de deux paramtres
essentiels : le nombre dessai et le temps dun essai. Lobjectif industriel tant de faire
des essais aux moindres cots, il faudrait donc soit rduire les tailles dchantillons ou
rduire les dures dessais; pour chaque solution est accord un certain type dessai.
3.2 Les essais dans le cycle de dveloppement dun produit
Les essais de fiabilit sont ralisables au cours du cycle de vie du produit, ils interviennent
dans les tudes conceptuelles, les programmes de dveloppement et les processus de
fabrication (voir figure. 3.1)
Figure 3.1. Cycle de Maturation des produits
Lanalyse de la fiabilit dun produit au cours de son cycle de dveloppement se fait en
trois grandes phases :
1. Estimation prvisionnelle de la fiabilit :
Cette phase consiste ds le dbut du projet tudier la fiabilit travers des analyses
qualitatives (APR, AMDEC, ...) et quantitatives (Arbre de dfaillance, Diagramme de
fiabilit, ...). Pour des systmes plus complexes, il est possible de modliser la fiabilit par des
rseaux de Petri (RdP) ou chanes de Markov. Nous donnons en annexe plus de dtails sur
cette phase (voir Annexe A).
Conception Conception Intgration / Intgration /
Validation Validation
Qualification Qualification Production Production
Mise en Service Mise en Service
AMDEC
APR
Arbre de
dfaillance
Avis
dexperts
...
Essais Aggravs
Essais Acclrs
Essais baysiens
Essais Acclrs
Dverminage
Retour
dexprience
Qualification Qualification Dverminage Dverminage Robustesse
Fiabilit
Fiabilit Fiabilit
prvisionnelle exprimentale oprationnelle
Conception Conception Intgration / Intgration /
Validation Validation
Qualification Qualification Production Production
Mise en Service Mise en Service
AMDEC
APR
Arbre de
dfaillance
Avis
dexperts
...
Essais Aggravs
Essais Acclrs
Essais baysiens
Essais Acclrs
Dverminage
Retour
dexprience
Qualification Qualification Dverminage Dverminage Robustesse
Fiabilit
Fiabilit Fiabilit
prvisionnelle exprimentale oprationnelle
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
52
2. Estimation exprimentale
Ds que le dveloppement du produit est suffisamment avanc et que lon dispose des
premiers prototypes, il est possible de raliser des essais de robustesse afin de connatre les
faiblesses et les marges de conception. Une fois que le produit est mature (marges
suffisantes), une campagne dessai peut tre mene pour estimer la fiabilit. Pour finir, lors de
la production, llimination des dfauts de jeunesse (drive process, composant faible, ...) est
opre par un essai de dverminage.
3. Estimation oprationnelle de la fiabilit
Une fois que le produit est en exploitation, une estimation de la fiabilit est ralise partir
des donnes de retour dexpriences (REX).
Lensemble des essais de fiabilit (robustesse, qualification et dverminage) contribue
largement la croissance de la fiabilit du produit au cours de son dveloppement et de sa
production (voir figure 3.2).
Figure 3.2. Croissance de la fiabilit au cours de dveloppement dun produit
Les dernires techniques dessais dveloppes consistent acclrer cette croissance de
fiabilit par lutilisation dessais acclrs et hautement acclrs [Crowe and Feinberg,
2001]. Ainsi, on peut citer :
Essais de robustesse tels que les tests de vie acclre, connus sous lacronyme HALT
(Highly Accelerated Life Test)
Essais destimation tels que les tests de vie hautement acclre, connus sous
lacronyme ALT (Accelerated Life Test)
Essais de dverminage tels que les essais de dverminage aggrav, connus sous
lacronyme HASS (Highly Accelerated Stress Screen)
tape 1
temps
C
r
o
i
s
s
a
n
c
e

d
e

f
i
a
b
i
l
i
t
tape 3 tape 2 tape 4

E
s
s
a
i
s

d
e

r
o
b
u
s
t
e
s
s
e
M
o
d
l
i
s
a
t
i
o
n

d
e

l
a

f
i
a
b
i
l
i
t
E
s
s
a
i
s

d
e

q
u
a
l
i
f
i
c
a
t
i
o
n
E
s
s
a
i
s

d
e

d
e
v
e
r
m
i
n
a
g
e
tape 1
temps
C
r
o
i
s
s
a
n
c
e

d
e

f
i
a
b
i
l
i
t
tape 3 tape 2 tape 4

E
s
s
a
i
s

d
e

r
o
b
u
s
t
e
s
s
e
M
o
d
l
i
s
a
t
i
o
n

d
e

l
a

f
i
a
b
i
l
i
t
E
s
s
a
i
s

d
e

q
u
a
l
i
f
i
c
a
t
i
o
n
E
s
s
a
i
s

d
e

d
e
v
e
r
m
i
n
a
g
e
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
53
3.3 Principaux types dessais de fiabilit
3.3.1 Les essais aggravs
Les essais aggravs ou Hautement Acclrs sont utiliss en phase de conception avant la
phase de qualification sur les premiers sous-ensembles disponibles ltat de maquettes ( des
composants de conception trs rcente). Leur application permet, en un temps rduit,
dacclrer la maturation des performances du produit, de construire et damliorer leur
robustesse, dacclrer la croissance de fiabilit, ds la ralisation des premiers prototypes, et
ainsi de matriser les sources de dfaillance afin dapporter des corrections.
Par rapport aux essais de qualification classique largement employs depuis longtemps par
les industriels, les essais aggravs sont considrs comme de nouvelles mthodes et
bnficient ce jour dune exprience limite en France. Ils sont devenus une ncessit pour
les entreprises fabriquant du matriel lectronique, lectromcanique, et trs rcemment des
produits mcaniques. En effet lextension des essais aggravs aux quipements mcaniques
devient une ncessit incontournable pour les constructeurs.
Le principe de ce type dessais consiste appliquer au produit des contraintes chelonnes,
progressives et croissantes, jusqu lapparition dune dfaillance, et ensuite effectuer des
analyses technologiques et correctives de cette dfaillance afin daugmenter la fiabilit du
produit et par consquent de diminuer le taux de dfaillance (voir figure 3.3).
Figure 3.3. Maturation des produits par les essais aggravs
Les contraintes appliquer peuvent tre :
Climatiques : Temprature, humidit, etc.
lectriques : Cycles ON-OFF, surtension, intensit de courant, etc.
Mcaniques : Torsion/flexion, chocs mcaniques, vibrations, etc.
Autres, spcifiques aux produits : par exemple pour des produits lectroniques on
trouve, dcharges lectrostatiques, champs magntiques/lectriques, rayonnement, etc.
Taux de dfaillance
avec essai aggrav
) (t
t
Priode de
jeunesse
Priode utile
Priode de
vieillissement
Taux de dfaillance
sans pratique dessai
aggrav
Taux de dfaillance
avec essai aggrav
) (t
t
Priode de
jeunesse
Priode utile
Priode de
vieillissement
Taux de dfaillance
aggrav
) (t
t
Priode de
jeunesse
Priode utile
Priode de
vieillissement
Taux de dfaillance
aggrav
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
54
A chaque dfaillance on effectue les analyses technologiques afin de dterminer si celle-ci
est la consquence dune faiblesse latente, dans ce cas on ralise les actions correctives
ncessaires, ou si la limite technologique est atteinte, dans ce cas lessai est fini. Cette
procdure est dcrite par la figure 3.4. Au cours de lessai on peut galement sintresser la
limite de fonctionnement.
On note que :
Limite fonctionnelle : limite au-del de laquelle le fonctionnement du produit est
dgrad (dfaillance rversible)
Limite technologique : limite au-del de laquelle le produit est dfaillant (dfaillance
irrversible)
Figure 3.4. Profil dessai aggrav
Ainsi, lors de lessai aggrav nous pouvons mettre en vidence, pour une contrainte
donne, quatre zones caractristiques du fonctionnement du produit (voir figure 3.5, [ASTE,
1993] et [McLean, 2000]) qui sont:
a) Zone correspondant la spcification : cest le domaine de dfinition du produit, ces
limites sont dfinies de faon contractuelle entre le constructeur et le client.
b) Zone de fonctionnement optimal : cest un domaine o le fonctionnement est assur, la
limite de ce domaine marque lapparition des premires dfaillances du systme.
c) Zone de fonctionnement dgrad : cest un domaine o le systme ne remplit plus sa
mission totalement ceci de faon irrversible, le fonctionnement redevient normal quand
le niveau de contrainte est bais.
d) Zone de destruction (dfaillance) : cest un domaine o le systme ne remplit plus et
dfinitivement plus sa mission.
Contrainte
Temps
0
chelon 1
chelon 2
chelon 3
chelon 4
Limite
fonctionnelle
Limite
technologique
Dfaillance
Limite de
spcification
Analyse de dfaillance
Contrainte
Temps
0
chelon 1
chelon 2
chelon 3
chelon 4
Limite
fonctionnelle
Limite
technologique
Dfaillance
Limite de
spcification
Analyse de dfaillance
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
55
Figure 3.5. Dfinition des zones caractristiques du produit
Ainsi, lessai aggrav nous permet :
Dobtenir les limites inhrentes aux technologies utilises,
De mettre en vidence des dfaillances en dehors des spcifications,
Dapporter des corrections au produit en phase de conception,
Dobtenir un produit stabilis et mature ds les premiers exemplaires du produit
dans des dlais rduits,
De prsenter en qualification un produit de robustesse amliore.
De nombreux essais aggravs existent comme : STRIFE (STREss for lIFE en anglais) et
HALT (Highly Accelerated Life Test en anglai) ([ASTE, 1993] [McLean, 2000]).
Les essais aggravs type HALT, propos par Greg Hobbs, sont les plus utilis dans
lindustrie. Ils sont trs recommands voir imposs par certains donneurs dordre. Ils ne
mettent en uvre que deux contraintes denvironnement : la temprature et les vibrations.
3.3.2 Les essais destimation de la fiabilit
Ces essais consistent mesurer la fiabilit en phase de conception et de production. La
dtermination des paramtres dune loi de fiabilit pour un systme ncessite de connatre les
temps de dfaillance dun chantillon de taille n de systmes en nombre suffisant. Or dans le
cas dun systme trs fiable, il sera ncessaire dattendre trs longtemps pour obtenir tous les
temps de dfaillance. Dans une application industrielle, il est inconcevable davoir une dure
dessai aussi importante. Cest ainsi que lon trouve les essais acclrs et baysiens.
Vibration
Temprature
Stress combins
(Temprature + Vibration)
Chocs
thermiques
Dfaillance
(Domaine irrversible)
Robustesse
(Marge)
Fonction dgrade
(Domaine rversible)
Conformit
(Spcification)
Vibration
Temprature
Stress combins
(Temprature + Vibration)
Chocs
thermiques
Dfaillance
(Domaine irrversible)
Robustesse
(Marge)
Fonction dgrade
(Domaine rversible)
Conformit
(Spcification)
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
56
3.3.2.1 Les essais de dtermination et de dmonstration
Les essais destimation classiques consistent vrifier que les objectifs de fiabilit sont
respects en reproduisant les conditions dutilisation du produit (cycle de marche/arrt,
temprature, humidit, ...). Pour cela, on dispose de deux stratgies dessai :
1. Les essais de dtermination consistant dterminer la valeur dune caractristique (taux
de dfaillance, MTTF, probabilit de dfaillance, ...) ou les paramtres de la loi de mortalit
dun systme. Dans ce cas, on considre pour diffrents plans dessais, lestimation ponctuelle
et par intervalle de confiance des paramtres de la fiabilit. Pour cela , il faut disposer
dchantillons, ce qui est lobjectif dun plan dessai de fiabilit, et lestimateur dpendra des
caractristiques des essais. Ladoption dun type de plan dessai dpendra bien entendu du
type dquipements envisags.
2. Les essais de dmonstration permettant de montrer si la valeur dune caractristique de
fiabilit dun systme est conforme ou non aux objectifs fixs. Par exemple, on considre un
plan dessai qui consiste dterminer le temps cumul dessai assurant un MTTF dun
systme suprieur une valeur objective MTTF
0
(en considrant un faible nombre de
dfaillances pour un niveau de confiance donn). Ou dans certains cas, on recherche la taille
de lchantillon n tester vrifiant que la probabilit de dfaillance dun systme est
infrieure une valeur objective (en considrant un faible nombre de dfaillances) pour un
niveau de confiance donn .
Les essais les plus frquemment utiliss sont caractriss par plusieurs paramtres :
n : le nombre dlments soumis lessai,
M : plans dessais pour lesquels les lments dfaillants ne sont pas remplacs,
V : plans dessais pour lesquels les lments dfaillants sont immdiatement
remplacs par des lments neufs,
r : nombre de dfaillances que lon dsire observer a priori au cours de lessai,
T : dure a priori de lessai.
Les plans dessais sont alors nots de la manire suivante [Pags and Gondran, 1980]:
[n, M] : essais non censurs, poursuivi jusqu la dfaillance des n lments,
[n, M, T] et [n, V, T] : essais censurs o le critre darrts est une dure (type I),
[n, M, r] [n, V, r] : essais censurs o le critre darrt est un nombre de
dfaillances (type II),
[n, M, (r,T)] [n, V, (r,T)] : plans mixtes pour lesquels les observations sont
conduites jusqu la r-ime dfaillance si celle-ci a lieu un instant t
r
<T, ou
jusquau temps T sinon.
On trouve une littrature abondante (voir [Pags and Gondran, 1980], [Bon, 1995], [ASTE,
1993], [Birolini, 1997], [Afnor, 1988], [Ligeron and Neff, 1984], ...) sur ces essais appliqus
aux taux de dfaillance, MTTF et la probabilit de dfaillance.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
57
3.3.2.2 Les Essais Acclrs
Lorsque le matriel considr est trs fiable, les dfaillances constituent des vnements
rares et le traitement du retour dexprience pour lestimation des paramtres de la fiabilit ne
permet pas dobtenir un chantillon comportant des dfaillances. Ceci sera dautant plus
sensible la taille de la population du matriel.
Ainsi, la ncessit de connatre le comportement dun produit de longue dure de vie avant
sa mise en service conduit bien souvent appliquer des essais acclrs ou Tests de Vie
Acclre (en anglais Accelerated Life Testing), en qualification et en production.
Le principe des essais acclrs est de soumettre le produit des sollicitations dutilisation
ou denvironnement amplifies par rapport aux valeurs attendues en utilisation oprationnelle
afin destimer des caractristiques comportementales (loi de fiabilit, performances
oprationnelles, ) du produit dans les conditions normales demploi partir des conditions
acclres dutilisation et cela dans des dlais compatibles avec les contraintes calendaires
associes la phase de dveloppement. Le passage des conditions acclres (ou svrises)
aux conditions normales en ce qui concerne la dure de vie seffectue laide dune loi
appele loi dacclration (voir figure 3.6). (voir [Nelson, 1990], [OConnor, 2003], [Caruso
and Dasgupta, 1998], [Vassiliou and Mettas, 2001]).

Figure 3.6. Principe des essais acclrs
En gnral, les conditions ncessaires la ralisation des essais acclrs, se rsument en
quatre points essentiels :
Choix des contraintes appliquer et de leurs niveaux (les niveaux de contraintes
doivent rester infrieurs aux valeurs limites technologiques).
Connatre le phnomne physique de dgradation (les mcanismes de dfaillances
provoqus doivent tre reprsentatifs des conditions normales demploi),
Connatre le modle analytique reliant la vitesse de dgradation lamplitude des
sollicitations appliques (connatre la loi dacclration).
Connatre la valeur des paramtres intervenant dans ces modles (estimation des
modles et de leurs paramtres).
Contrainte
Limite
fonctionnelle
0
t
* * * *
*
*
*
*
Essai 1 en conditions Acclres
Loi de fiabilit estime
sous stress nominal s
0
Spcification
*
*
*
*
Loi de fiabilit sous stress s
1
2
L
o
i

d
a
c
c
r
a
t
i
o
n
s
1
s
2
s
0
Contrainte
Limite
fonctionnelle
0
t
* * * *
*
*
*
*
Loi de fiabilit estime
sous stress nominal s
0
Spcification
*
*
*
*
1
2
L
o
i

d
a
c
c
r
a
t
i
o
n
s
1
s
2
s
0
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
58
Les essais acclrs permettent entre autre (voir figure 3.7):
Dacclrer les mcanismes dendommagement,
De rduire la dure ncessaire pour estimer certaines caractristiques
comportementales du produit dans les conditions normales demploi (obtenir
rapidement la fiabilit oprationnelle du produit, voir figure 3.7),
De mesurer linfluence des contraintes dutilisation et denvironnement sur le produit,
pendant son cycle de vie,
De sassurer des marges de conception.
Figure 3.7. Courbe en baignoire
3.3.2.3 Les Essais Baysiens
Les techniques baysiennes sont utilises pour rduire la taille des essais destimation,
amliorer lestimation des paramtres de la fiabilit du produit par lintgration du pass
(donnes disponibles sur le produit concern) et traiter le cas zro dfaillance observe,
difficile traiter avec une approche statistique classique qui demanderait une taille
dchantillon grande.
Il existe de nombreux travaux traitant les techniques baysiennes. Nous pouvons citer les
travaux fondamentaux : [Robert, 1992], [Robert, 2001], [Congdon, 2001], [Ibrahim et al.,
2001]...et les travaux concernant les applications la fiabilit : [Ringler, 1979], [Procaccia et
al., 1992], [Procaccia and Morilhat, 1996], [Lannoy and Procaccia, 1994], [Lannoy and
Procaccia, 2001], [Sander and Badoux, 1991], [Marts and Walter, 1982], [Ross, 2003].... .
Dans un plan dessai baysien, les rsultats dessais raliss au cours du cycle de
dveloppement sont combins avec un modle de fiabilit a priori , pour obtenir un
modle a posteriori , par le biais du thorme de Bayes. Le modle a priori est construit
laide des informations connues, acquises avant la mise en uvre du premier essai (avis
dexpert, informations provenant des tudes pralables telles que les analyses prvisionnelles,
les AMDEC,).
Les essais de fiabilit classiques sont destins fournir des chantillons ncessaires pour
estimer des caractristiques de fiabilit (les paramtres dune loi de vie, taux de dfaillance,
etc.). Les informations contenues dans ces chantillons sont appeles informations objectives.
t
) (t
Taux de dfaillance
avec essais acclrs
Taux de dfaillance
sans essais acclrs
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
59
En plus des informations objectives, on dispose parfois dinformations supplmentaires de
nature subjectives (informations subjectives) telles que des donnes sur des matriels de
technologies similaires celle du matriel que lon tudie.
Sil est possible de traduire cette information subjective en attribuant aux paramtres
valuer, une distribution de probabilit a priori , il sera possible, en utilisant le thorme de
Bayes, de combiner linformation subjective et linformation objective afin de construire une
distribution a posteriori des paramtres considrs. Il est indispensable dutiliser un
modle a priori simple permettant un traitement analytique du modle a posteriori .
La procdure suivre dans la mise en uvre d'un plan dessai bayesien est une procdure
mixte utilisant lexpertise et les rsultas antrieures. Elle se rsume en trois tapes principales:
Rassembler toutes les donnes disponibles sur le produit concern : Avis dexpert, tudes
prvisionnelles, Architecture du systme, Matriels de technologies similaires,.
Traduire ces donnes dans un modle de fiabilit a priori (Construction dune loi a
priori sur les paramtres). On note que, le problme le plus difficile rsoudre dans le
cadre des techniques baysiennes reste la modlisation de la connaissance a priori.
Combiner ce modle a priori avec les rsultats dessai (informations issues des tests)
pour obtenir le modle a posteriori en utilisant le thorme de Bayes.
A lissu dun essai baysien, on obtient la distribution du paramtre fournie par le
thorme de Bayes. Cette distribution est donne, dans le cas de variables alatoire continue,
par la formule:
=
) ( D
d ). ( g ). / T ( f
) ( g ). / T ( f
) T / ( g

(3.1)
Avec :
- : Vecteur des paramtres inconnus de la loi de dure de vie (taux de dfaillance, taux
de rparation, etc.),
- T : Rsultats dessai (instants de dfaillance, )
- ) ( g : Densit de probabilit a priori du paramtre ,
- ) / T ( f : Fonction de vraisemblance de lchantillon,
- ) T / ( g : Densit de probabilit a posteriori du paramtre (cest une densit de
probabilit conditionnelle qui dpend de linformation disponible).
- ) ( D : Domaine de dfinition de la variable alatoire .
Une estimation a posteriori du paramtre peut tre calcule par des mthodes classiques
ainsi que la taille optimale de lchantillon tester.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
60
Les rsultats d'un essai bayesien permettront:
1) Damliorer lestimation des paramtres inconnus et de sa prcision (minimisation de
la variance des estimateurs).
2) De proposer une rgion (ou intervalle) de crdibilit un certain niveau (1-), cest un
sous-ensemble de valeurs accessible du paramtre tel que la probabilit pour quil
contienne soit gale (1-). Cette rgion permet donc de conclure lorsque le paramtre
est proche dune valeur critique tablie par contrat entre le fournisseur et le client.
3) De dmontrer si des hypothses mises par lanalyse concernant le paramtre sont
exactes ou non en ralisant des tests dhypothses a posteriori ( exemple : le taux de
dfaillance est infrieur 10
-8
).
4) De prendre de meilleures dcisions ( analyse dcisionnelle) telles que le choix dune
action corrective parmi un ensemble dactions possibles (politique de maintenance,
acceptation des matriels, sinvestir dans un matriel neuf, etc.) en prenant en compte les
diffrents cots.
Lorganigramme suivant (voir figure 3.8) rsume le principe de la technique dessais
baysiens , litration suivante, la connaissance a posteriori devient la connaissance a priori
et ainsi de suite jusqu lexploitation de tous les essais.
Figure 3.8. Principe dun Essai Baysien
Thorme de Bayes
=
) ( D
d ). ( g ). / T ( f
) ( g ). / T ( f
) T / ( g
Rsultats dessai Rsultats dessai

) ( g ) / T ( f
) T / ( g
Connaissance capitalise Connaissance capitalise
A posteriori A posteriori
Connaissance disponible Connaissance disponible
A priori A priori
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
61
Pour plus de dtails, le lecteur pourra se reporter aux ouvrages suivants : [Procaccia et al.,
1992], [Lannoy and Procaccia, 1994], [Sander and Badoux, 1991], [Usureau et al., 2004].
3.3.3 Les essais de deverminage
Le dverminage est un test qualitatif ayant pour objectif dliminer tous les dfauts latents
de la priode de jeunesse. Pour cela, on soumet les produits sortant de fabrication des
sollicitations denvironnement (climatiques, vibratoires, ) pendant une dure donne de
manire faire apparatre les dfauts de jeunesse (composants faibles, dfauts latents de
fabrication, ou faiblesses de conception pour les produits nouveaux) et liminer ou rparer
les entits fragiles, afin que la valeur du taux de dfaillance prvue pour la dure de vie utile
soit atteinte rapidement (voir figures 3.9.a, [ASTE, 1993], [kececioglu and Sun, 1999]).
Il faut noter que le profil de dverminage doit tre adapt la nature du matriel et son
cycle de vie.
A lissue de lopration de dverminage, tous les produits de la production trie se trouvent
dans la priode utile (voir figure 3.9.b).

Il existe de nombreuses techniques dessai de dverminage dont : Burn-in, ESS-
Environmental Stress Screen, HASS- Highly Accelerated Stress Screen, HASA- Highly
Accelerated Stress Audit, etc. ([ASTE, 1993], [kececioglu and Sun, 1999], [Vassiliou and
Mettas, 2001]).
Les oprations de dverminage peuvent tre ralises aux niveaux : composants, sous-
ensembles, ensembles ou systmes, elles peuvent tre effectues sur la totalit de la
production ( cas dun essai HASS) ou sur des chantillons uniquement ( cas dun essai HASA
Audit). Le programme de dverminage doit tre dtermin en fonction des technologies et des
processus dassemblage utiliss. Les niveaux des sollicitations appliques doivent tre
compatibles avec les rsistances technologiques.
Figure 3.9.a. Profil dessai de deverminage Figure 3.9.b. Principe dun de deverminage
Dbut
dexploitation
) (t
t
Contrainte
Temps
0
Limite
fonctionnelle
Limite
technologique
Priode de vie utile
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
62
Par rapport aux techniques classiques de dverminage (type burn-in) le HASS ( parfois
appel dverminage aggrav) dfinit un profil de dverminage avec des contraintes
suprieures aux valeurs dfinies dans les spcifications du produit en se reposant sur les
rsultats des essais HALT (capitalisation des rsultats obtenus par le HALT) sans pour autant
consommer de la dure de vie du produit. Les marges de robustesses construites par le HALT,
rendent le dverminage rapide, efficace et conomique.
3.3.4 Conclusions
Contrairement aux essais classiques de la fiabilit, la mthodologie des essais de
robustesse, types aggrav et acclr, est devenue ce jour un outil indispensable pour les
industriels qui souhaitent amliorer leurs produits, elle permet de rendre abordable la
construction de robustesse dun produit nouveau, elle permet galement de rduire le temps
de dveloppement entre le dbut du projet et la qualification finale:
Les essais aggravs ne sappuient sur aucun modle analytique, ils ont pour objectif
essentiel de favoriser la robustesse dun produit par lexploration de ses marges
fonctionnelles, et non pas destimer la fiabilit de ce produit dans des conditions normales
dutilisation. Les essais aggravs ont donc une vocation complmentaire celle des essais
acclrs.
Les essais acclrs ont une part trs importante plus particulirement dans le processus
du dveloppement du produit de longue dure, ils permettent dune part de sassurer de la
conformit du produit aux exigences de qualit et dautre part de rduire sa dure de vie afin
destimer sa fiabilit dans des conditions normales dutilisation partir des conditions
acclres. Contrairement aux essais aggravs, les niveaux de contraintes appliques dans les
essais acclrs doivent rester infrieurs aux valeurs limites technologiques. Les essais
acclrs ont lavantage dintervenir dans les deux phases de qualification et production du
projet de dveloppement du produit.
La prise en compte du pass et des rsultas dessais dans lestimation de la fiabilit par les
essais baysiens permet damliorer la prcision et la qualit des estimations de fiabilit et de
rduire le nombre dessais effectuer. Ces essais ne sont prcis que si on dispose dune
information a priori, or ceci nest pas possible pour certains produits.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
63
3.4 Mthode destimation de la fiabilit par les essais
3.4.1 Objectifs de la mthode
Lobjectif principal de cette mthode est destimer la fiabilit ou la probabilit de
dfaillance d'un composant en fonction du temps, tout au long de sa mission. Pour cela, on
fait lhypothse que la dure de vie du produit tudi est une variable alatoire continue et
positive, quon note T, de fonction de rpartition F et de densit de probabilit f . Les essais
de fiabilit les plus utiliss dans l'application de la mthode sont les essais de robustesse tels
que les essais acclrs et les essais baysiens. Les rsultats dessais aggravs (limites
technologiques et de destruction) sont aussi utiliss pour dfinir les plans dessais.
3.4.2 tapes de la dmarche
Cette dmarche est compose de quatre tapes principales: la premire tape consiste
raliser des tudes pralables sur le produit considr (une analyse prliminaire et une analyse
mcanique), les informations obtenues la suite de ces tudes constituent les donnes
dentre pour la deuxime tape. Ces donnes sont des lments essentiels pour la ralisation
des essais de fiabilit lors de la deuxime tape. Les essais permettent de collecter des
donnes sur les caractristiques comportementales du produit. La troisime tape consiste
explorer et tudier statistiquement les rsultats dessais afin daboutir des critres de
qualification efficaces et damliorer la fiabilit des produits. La dernire tape consiste
mettre en uvre des mesures de corrections sur le produit en fonction des rsultats obtenus.
3.4.2.1 tudes pralables
Cest une tape indispensable pour le droulement de la procdure. En effet, il est trs
important de bien mener les tudes prliminaires afin de mettre en uvre des actions
correctives si cela est ncessaire. Cette tape est constitue de deux parties principales :
Analyse prliminaire du produit tudier: physique des dfaillances (APR, AMDEC, ),
caractristiques technologiques et fonctionnelles du produit, paramtres denvironnement,
avis dexperts, la dfinition de toutes ces notions est donne en annexe ( voir Annexe
A)
Analyse Mcanique du produit : choix et nature des contraintes applicables, choix des
limites de rsistance, formulation des modles mcaniques,
3.4.2.2 Ralisation des Essais de Fiabilit
Les Essais de Fiabilit occupent une place trs importante dans le cycle de dveloppement
dun produit nouveau. Le plus souvent, ce sont les essais de maturation des performances qui
sont raliss, afin daboutir de bons rsultats (acclrer le processus de maturation, atteindre
plus rapidement les objectifs de fiabilit).
La ralisation de ces essais en laboratoire permet de collecter et explorer des donnes sur
les caractristiques comportementales du produit (dures de vie, taux de dfaillance,..) afin de
vrifier la conformit du produit avec la spcification contractuelle et destimer des
caractristiques de sret de fonctionnement (estimation de la loi de fiabilit).
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
64
3.4.2.3 Traitements statistiques des rsultats acquis
Aprs avoir construit une banque de donnes comportementales, il est ncessaire
deffectuer des traitements statistiques sur ces donnes, il sagit donc de:
Ajuster une distribution de vie thorique, qui dcrit la dure de vie du dispositif,
validation et estimation des paramtres de cette loi ;
Estimer la probabilit de dfaillance ou de bon fonctionnement sur une priode donne ;
Estimer et encadrer dautres caractristiques statistiques de fiabilit (taux de dfaillance,
MTTF,...) par intervalles de confiance, tests dhypothse,
3.4.2.4 Dcision sur les actions mettre en place
Pour garantir la conformit des produits aux exigences de qualit, on dfinit des actions
correctives afin damliorer la conception du produit, augmenter leur fiabilit, assurer leur
robustesse, et par consquent aboutir un produit mature en fin de dveloppement. Ceci
sera simple si les concepteurs participent aux essais et laborent des solutions damlioration
du produit.
3.5 Exemple numrique dessais de dmonstration
Pour dmontrer un certain objectif de fiabilit dun matriel avec un certain niveau de
confiance, on construit un plan dessai de fiabilit. Cela consiste dterminer le type dessai
raliser et ces paramtres : dure dessai, nombre de matriels mis en essai, nombre de
dfaillances observes, etc..
Lun des avantages majeurs des essais de fiabilit sur les composants, en particulier pour
les composants lectroniques, est de pouvoir matriser le couple : le nombre de pices n et le
temps dessais T pour le mme produit (n*T). Cela est possible lorsque la loi de fiabilit est
une loi exponentielle, cest dire taux de dfaillance constant (ce qui est confirm par
lexprience), donc sans phnomne de vieillissement contrairement la mcanique. Cela est
vrai pour la vie utile des composants lectroniques, cest dire que la priode de jeunesse est
passe (ils sont dvermins) et que la priode de vieillissement (usure) nest pas atteinte.
Compte tenu des faibles valeurs des taux de dfaillance, on est amen procder des essais
acclrs pour des questions de dlai et de cot.
Dans le but de dmontrer lefficacit et lintrt des essais acclrs, nous avons simul
trois types dessais de fiabilit sur des composants lectroniques taux de dfaillance
constant: essai classique, essais baysiens et essais acclrs. Il sagit de dterminer le type
dessai qui fournit le temps minimum dessais par rapport lobjectif de fiabilit spcifi.
Nous supposons que la loi de mortalit des matriels est exponentielle et que la
spcification contractuelle de la fiabilit est exprime par un temps moyen de bon
fonctionnement minimum :
heures 10000
min
= MTTF
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
65
Ce qui correspond un taux de dfaillance maximum:
h panne
MTTF
/ 10
1 4
min
max
= =
Ce qui suppose que pour chaque matriel test une seule dfaillance est admise pendant
une dure de fonctionnement de 10000h, 417jours environ.
On considre que sur un chantillon de n composants, r dfaillances sont observes sur une
dure dessai T. La dure cumule de fonctionnement pour lensemble des n composants est
gale au produit n*T , avec remplacement instantan dappareils dfaillants par des neufs.
Le problme est de trouver la dure dessai T pour laquelle, si aucune dfaillance nest
observe (r=0), un taux de dfaillance maximum souhait fix lavance ( h / panne 10
4
max
= )
peut tre garanti (1- =95%) de niveau de confiance.
La rdaction de cette partie sappuie sur les rfrences : [Birolini,1997], [Pags and
Gondran, 1980], [Berger, 1988], [leemis, 1994], [Nelson, 1990] et autres.
3.5.1 Essai classique
Pour tester un matriel fiable dont les dfaillances sont rares on ne peut pas utiliser des
plans dessais censurs par un nombre de dfaillance (essai censur type 2) mais seulement
des plans dessais censurs par un temps dobservation (essai censur type 1 ou tronqu), afin
dviter des cots excessifs.
Dans le cas o il ny a aucune dfaillance (cas zro dfaut ), il est ncessaire dutiliser
un intervalle de confiance unilatral. Pour un plan dessai censur [n, V, T]pour lequel les
composants sont immdiatement remplacs par des neufs, nous avons :
1) Une estimation sans biais de est donne par :
T n
r
.
= (3.2)
O r est le nombre total de dfaillance observe sur lintervalle de temps [0, T]
2) La borne suprieure dun intervalle de confiance unilatral gauche ( 1 ) de niveau
de confiance est donne par :
nT
r
2
) 2 2 (
2
1
+
=

+
(3.3)
O
2
1
(2r+2) est le quantile d'ordre 1- de la loi
2
2r+2 degrs de libert.
+
est bien dfini pour r=0
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
66
Ainsi le temps dessai est donn par:
+

+
=
n
r
T
2
) 2 2 (
2
1
(3.4)
Pour 0 dfaillance 95% de niveau de confiance, h / panne 10
4
max
= et un chantillon de
taille 20, le temps optimum ncessaire pour effectuer le test est :
heures 1498
10 . 4
99 , 5
10 . 20 . 2
) 2 (
T
3 4
2
95 . 0
=
=

Ce qui est quivalent 62 jours dessai environ !
3.5.2 Essais baysiens
3.5.2.1 Essai baysien sans connaissance
Supposons que lon nait a priori aucune information sur la valeur relle du
paramtre avant le dbut des essais sur ce matriel et quon dsire utiliser la technique
baysienne, il est alors ncessaire dintgrer cette absence dinformation dans la loi a priori,
dite non-informative. Une approche intuitive consiste considrer que toutes les valeurs
possibles du paramtre seraient quiprobables, il sagit donc dune loi uniforme. Nous
prenons une loi a priori uniforme non-informative sur [ , 0 [ + (loi uniforme impropre). Selon
lhypothse de Laplace on considre que est distribu suivant une loi uniforme dans
lintervalle [0,K] sur lequel on fera tendre K vers linfini :
0 1 ) ( = g
La loi a posteriori du paramtre est une loi Gamma de paramtres (a=r+1, b=nT).
Une estimation ponctuelle du paramtre est sonne par :
T n
r
.
1 +
= (3.5)
Il est possible de calculer un intervalle de confiance unilatral ( gauche) de niveau
( 1 ) :
+
+
=
0
) 1 (
1
) (
1 d
nT
e
r
r
r
nT
(3.6)
+
est le quantile dordre (1-) de la loi (r+1, nT). En effectuant un changement de
variable [Pags and Gondran, 1980], on se ramne au calcul du quantile dune loi de Khi-
deux (2r+2) de degrs de libert. La borne suprieure de lintervalle de confiance est :
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
67
nT
r
nT
r
2
) 2 2 (
2
1
2
)) 1 ( 2 (
2
1
+

=
+

=
+
(3.7)
On retrouve donc lquation (2.3)
Ainsi, Pour 0 dfaillance 95% de niveau de confiance, h / panne 10
4
max
= et avec un
chantillon de taille 20, le temps ncessaire, calcul partir de la loi a posteriori, pour
effectuer le test est :T=1498 heures, soit 62 jours environ.
Pour un plan dessai baysien sans connaissance, nous trouvons le mme rsultat que dans
un essai classique.
3.5.2.2 Essai baysien avec connaissance correcte
Nous interrogeons un expert sur le temps moyen avant la premire dfaillance du matriel,
dsign par le MTTF. Il nous donne un intervalle de confiance 95%.:
]
4
10 . 2 ,
4
10 [ ]
max
,
min
[ = MTTF MTTF MTTF
En sachant que pour une loi exponentielle :
1
MTTF = alors lintervalle correspondant
pour le paramtre est :
h / panne 10
h / panne 10 . 5
]
MTTF
1
,
MTTF
1
[ ] , [
4
max
5
min
min max
max min
=
=
=

Autrement dit, la probabilit de se tromper en affirmant que le paramtre se trouve dans cet
intervalle est de 5%.
Nous prenons comme loi a priori, pour le paramtre , loi Gamma de paramtre a et b (loi
conjugue de la loi exponentielles). Dans ce cas, les paramtres a et b peuvent sinterprter
comme le nombre de dfaillances observes et le temps cumul dobservation (temps dessai).
Les paramtres de la loi a priori sont obtenus par les rsolution des quations
suivantes (mthode des fractiles) [Berger, 1988]:
2
) (
2
) (
0
d g
d g
(3.8)
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
68
En utilisant le logiciel Excel, nous calculons alors les valeurs des paramtres a et b tels que
lintervalle de confiance bilatral dfini partir de (2.8) corresponde linformation a priori.
On obtient la loi a priori Gamma de paramtres:
4
10 . 36 b
27 a
=
=

La loi a posteriori est une loi gamma de paramtres (a+r, b+nT) :
) ( ) ( ) , / (
. 10 . 36 , 27
. ,
4
= =
+
+ +
T n
T n b r a
T r g
Nous cherchons alors T tel que :
= 1 ) , / ( d T r g (3.9)

Pour 0 dfaillance, 95% de niveau de confiance et avec un chantillon de taille 20, le
temps ncessaire pour effectuer le test est :
T=38 heures, soit 2 jours environ.
3.5.2.3 Essai baysien avec connaissance incorrecte
Un expert nous fournit un intervalle de confiance 95% pour le MTTF:
] 10 . 2 , 10 . 5 [ ] MTTF , MTTF [ MTTF
4 3
max min
=
lintervalle correspondant pour le paramtre est :
h / panne 10 . 2
h / panne 10 . 5
4
max
5
min
=
=

Comme dans lexemple prcdent nous considrons une loi a priori Gamma de paramtres
a et b. Les valeurs des paramtres a et b sont calcules de la mme manire que pour un essai
baysien avec une connaissance correcte:
66667 b
8 a
=
=

La loi a posteriori est: ) ( ) , / (
* 66667 , 8
=
+ T n
T r g
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
69
Pour 0 dfaillance, 95% de niveau de confiance et avec un chantillon de taille 20, le
temps ncessaire, calcul partir de la loi a posteriori, pour effectuer le test est :
T=3456 heures, soit 144 jours environ.
3.5.3 Essai acclr
Nous avons effectu des essais acclrs en temprature, la loi dArrhenius est adopte
comme loi dacclration (voir chapitre 4) afin dextrapoler la valeur des taux de dfaillance
vers des tempratures infrieures celles de lessai.
Le coefficient dacclration FA pour passer dune temprature plus leve
A
T une
temprature plus faible
N
T est :
)
`
\
|
=
=
A N
a
A
N
T
1
T
1
k
E
exp FA (3.10)
O
N
est la dure de vie moyenne du composant sous les conditions normales (
N
T )et
A
est la dure de vie moyenne sous les conditions acclres (
A
T ) .
Avec: E
a
nergie dactivation (E
a
=0.5 eV), k constante de Boltzmann (8.616.10
-5
eV/K), T
temprature absolue (K) ( ne pas confondre avec la variable alatoire T qui reprsente la
dure de vie).
En reprenant lexemple prcdent avec un chantillon de 20 composants, un taux de
dfaillance maximum h / panne 10
4
max
= et une temprature de 100C en fonctionnement

acclr, le coefficient dacclration en passant une temprature de fonctionnement normal
de 20C est:
( ) { } 70 5800 exp FA
273 100
1
273 20
1
= =
+ +

Le taux de dfaillance dans les conditions acclres et dans le cas dun intervalle de
confiance unilatral gauche, de niveau de confiance ( 1 ), sexprime par la relation:
FA n
r
A
. . 2
) 2 2 (
2
1
max
+
=

(3.11)
Ainsi le temps dessai T en conditions acclres est donne par:
FA n
r
A
. . 2
) 2 2 (
max
2
1
+
=

(3.12)
Le temps dessai, pour 0 dfaillance et 95% de niveau de confiance, est: T=21 heures, soit
un jour environ. Dans ces conditions lessai est possible et plus court.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
70
3.5.4 Conclusion
Les rsultats obtenus montrent que lessai acclr est le plus court et conomiquement
avantageux.
3.5.5 Tableau rcapitulatif
Le tableau 3.1 rsume les rsultats obtenus pour les trois types d'essai simuls:
Tableau 3.1. Dure optimale pour chaque type dessai de fiabilit

Types
dessais
Taux de dfaillance Dure dessai Rsultat
(heure)
Essai
Classique
nT
r
2
) 2 2 (
2
1
+
=

+

max
) (
+
=

n 2
2 r 2
T
2
1

1498
Essai
Acclr

AF n 2
2 r 2
n 2
2 r 2
A
2
1
N
2
1
. .
) (
.
) (
max
+
=
+
=

)
`
\
|
=
=
A N
a
A
N
T
1
T
1
k
E
FA exp

FA n
r
T
. . 2
) 2 2 (
max
2
1
+
=

21
Essais
Baysiens
Distribution a priori de

Distribution a posteriori de
=
0
1 d T) /r, ( g vrifie T

Sans
connaissance

[ , 0 [ 1 ) ( + = sur g

) ( ) ( ) , / (
) , ( ) (
= =
+ nT 1 nT , 1 r
T r g
1498
Avec
connaissance
correcte
] 10 . 2 , 10 [ MTTF
4 4

h / panne 10
h / panne 10 . 5
4
max
5
min
=
=

) ( ) ( ) (
. , ,
= =
4
10 36 27 b a
g

) ( ) ( ) , / (
,
,
= =
+
+ +
T r g
nT 10 36. 27
nT b r a
4

38
Avec
connaissance
incorrecte
] 10 . 2 , 10 . 5 [ MTTF
4 3

h / panne 10 . 2
h / panne 10 . 5
4
max
5
min
=
=

) ( ) ( ) (
, ,
= =
66667 8 b a
g

) ( ) ( ) , / (
, ,
= =
+ + + nT 66667 8 nT b r a
T r g

3456
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
71
3.6 Conclusions
La prise en compte de lvolution de la fiabilit dans le temps permet doptimiser les
stratgies de maintenance et damliorer les performances des systmes. Lefficacit de la
construction de la fiabilit dun produit travers les essais ncessite une collaboration entre
lingnierie de lenvironnement (conditions demploi, modles de dgradation mcaniques,
) et lingnierie de fiabilit (caractristiques de Sret de Fonctionnement). Il existe
diffrentes catgories dessais qui interviennent dans les tudes conceptuelles, les
programmes de dveloppement et les processus de fabrication. travers un exemple
numrique nous avons montr que les essais acclrs sont les plus courts et conomiquement
avantageux. En mcanique, il ny a pas de grandes tudes menes dans ce domaine, ceci est
principalement d :
La situation nest pas la mme pour des composants mcaniques,
Des systmes mcaniques trs fiables et trs complexes
Des populations dchantillons moins nombreuses,
Des mcanismes dendommagement multiples : fatigue, fluage, ,
Des essais longs, coteux et de mise en uvre complique...
Absence frquente de composants standard.
Quant leur application, les difficults rencontres dans quelques travaux effectus,
proviennent de deux points essentiels :
La modlisation mathmatique de linfluence de lenvironnement sur le
comportement du systme : cela peut sexpliquer par la multitude des
mcanismes dendommagement.
Lestimation de la fiabilit dans des conditions de fonctionnement relles partir
des conditions dessais acclres (dfinition dune loi dacclration).
Les changements technologiques, la demande pour le dveloppement rapide de nouveaux
produits et le besoin de toujours amliorer la fiabilit des produits, ncessitent de dvelopper
de meilleures mthodes d'essais acclrs.
Des tests en laboratoire avec des taux d'utilisation renforcs ou avec des niveaux suprieurs
de contraintes (par exemple la temprature ou l'humidit) sont utiliss afin d'acclrer la
rupture de diffrents produits.
Les rsultats de ces tests sont ensuite utiliss pour faire des prvisions sur la dure de vie,
la loi de fiabilit ou la performance des produits en conditions normales d'utilisation.
De nombreux problmes statistiques intressants se posent lors de la modlisation des
phnomnes physiques de dgradation, de l'utilisation d'information provenant des domaines
de l'ingnierie ou de la physique, de la planification de tests acclrs et de la quantification
de l'incertitude.
Les avantages des essais acclrs en mcanique sont multiples, ils permettent un gain de
temps consquent et une rduction des cots importante.
Malheureusement, la production scientifique franaise dans le domaine des essais acclrs
est trs pauvre compare la production anglo-saxonne .
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
72
Dans le chapitre suivant, nous tudierons l'application des essais acclrs la mcanique.
Les mthodes dessais acclrs bien que connues depuis de nombreuses annes, sont pour
linstant les mthodes de qualification les plus recherches en industrie (en particulier pour
des systmes mcaniques). Elles sont utilises en particulier pour estimer la fiabilit des
systmes de haute fiabilit. Elles deviennent de plus en plus populaires grce leurs deux
avantages fondamentaux : un gain de temps et rduction des cots.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
CHAPITRE 4 Estimation des lois de fiabilit par les essais acclrs
73
CHAPITRE 4

Estimation des lois de Fiabilit
par les Essais Acclrs

t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
74
4 ESTIMATION DES LOIS DE FIABILITE PAR LES ESSAIS
ACCELERES
4.1 tat de lArt sur les Essais Acclrs Accelerated Life Testing
4.1.1 Dfinition
La mthode des Essais Acclrs (ou Tests de Vie Acclrs) est une des approches les
plus communes pour obtenir la loi de fiabilit ou autre caractristique comportementale (taux
de dfaillance, temps de dfaillance, etc.) des produits (systmes ou composants) dans des
dlais plus courts. Brivement, ces essais consistent rduire les dures de vie des produits
par lacclration des dgradations provoquant la dfaillance. Pour cela, les niveaux de stress
subis par le produit sont augmentes afin dobtenir des donnes de vie plus rapidement, qui
seront utilises pour estimer la fiabilit dans les conditions normales de fonctionnement.
4.1.2 Hypothses de base des Essais Acclrs
Pour raliser un essai acclr, il faut vrifier les hypothses suivantes :
Le fonctionnement du produit dans les conditions acclres doit faire intervenir les
mmes phnomnes de dgradation que dans les conditions normales dutilisation.
Autrement dit, les mcanismes de dfaillances provoqus en conditions acclres
doivent tre reprsentatifs des conditions normales demploi (voir figure 4.1).
Figure 4.1. Risque de ne pas reproduire le mode de dfaillance dorigine ([Daniel,1999])
Les contraintes augmentes devront tre celles qui conduisent la mme dfaillance
majeure que celle constate en fonctionnement rel.
Les phnomnes dinteraction doivent tre pris en compte.
La distribution des dures de vie en conditions acclres devra avoir la mme forme
que celle constate en conditions normales (mme loi de fiabilit mais de paramtres
dchelles diffrents, voir figure 4.2).
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
75

Distribution des dures de vie chaque
niveau de contrainte
Distribution des dures de vie chaque
niveau de contrainte

Figure 4.2. Reprsentation graphique des distributions de vie diffrents niveaux de
temprature exprime en Kelvin (tir de [Vassilious and Mettas, 2001])
Dans ce chapitre nous tudierons les diffrentes formes dessais acclrs ainsi que les
modles statistiques et physiques, utiliss dans leur construction.
4.1.3 Dfinition d'un plan d'essais acclrs
La dfinition d'un plan d'essai acclr dpend de plusieurs paramtres ( voir [Hoang,
2003], [Nelson, 1990], [Vassilious and Mettas, 2001],) :
Stress acclrs et limites oprationnelles: on appelle stress lensemble des
conditions et facteurs susceptibles daffecter le bon fonctionnement dun produit. Les
stress peuvent tre de toute nature (mcaniques, lectroniques, climatiques) et
leurs dures de manifestation de tout ordre (constante, chelonne, progressive,
cyclique ou alatoire). Les nombres et les niveaux des stress appliqus sont choisis en
fonction du produit tudi avec la conservation du mcanisme de dfaillance
dorigine tout en acclrant suffisamment lessai. Les stress sont parfois dsigns par
les termes : contraintes et sollicitations. Les limites oprationnelles du produit sont
dtermines par un essai aggrav par exemple (donnant les niveaux de stress
extrmes ne pas dpasser afin dviter les fonctionnements dgrads des produits)
Modes et mcanismes de dfaillance : dans un essai acclr les mcanismes
dendommagement provoqus doivent tre reprsentatifs des conditions normales
demploi. Chaque mode de dfaillance peut tre provoqu par un ou plusieurs types
de contraintes.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
76
Nombre de dispositifs tests chaque niveau de contrainte, donnant la prcision des
estimations.
Un modle de vie acclre, qui relie les dures de vie sous les conditions
acclres celles sous les conditions normales dutilisation, permettant danalyser
les rsultats dessai pour estimer la fonction de fiabilit dans les conditions
nominales.
4.1.3.1 Types de stress appliqus
Les essais acclrs peuvent sappliquer toutes les catgories de matriels en employant
diffrents types de contraintes (mcaniques, lectroniques, climatiques) les plus adaptes
vis--vis des modes de dfaillance attendus sur ces matriels. Les contraintes gnralement
mises en uvre, soit seules, soit en combinaison, sont les suivantes :
Contraintes mcaniques : torsion, flexion, flexion rotative, chocs mcaniques,
vibrations, vibrations acoustiques, traction/compression, etc. La fatigue est le mode
de dgradation stress le plus communment utilis pour les composants mcaniques
qui sont tests sur des pots vibrants. Quand ceux-ci sont soumis galement la
temprature on considre le mode de dgradation par fluage.
Contraintes lectriques : cela inclue la tension, lintensit du courant,
llectromigration, ... La tension est le stress lectrique le plus courant puisquil
gnre rapidement des dfaillances.
Contraintes climatiques (ou environnementales) : La temprature et les cycles
thermiques sont les stress les plus communment utiliss. Il est ncessaire
dappliquer des niveaux appropris pour conserver les modes de dfaillance
dorigine. Lhumidit est galement un stress utilis mais il gnre des mcanismes
de dfaillance lents comme la corrosion. Dautres stress peuvent tre appliqus
comme les ultraviolets, brouillard salin, poussires, temprature, humidit, etc.
Contraintes spcifiques au matriel.
4.1.3.2 Types de chargement
Les contraintes choisies dans la ralisation des essais acclrs, peuvent tre augmentes
de diffrentes manires : constante, chelonne, progressive, cyclique ou alatoire etc. Ces
diffrents types de chargement sont classifis, selon lapplication de la contrainte dans le
temps, en deux classes principales: chargement indpendant du temps et chargement fonction
du temps. Le choix du profil de stress dpend des conditions dutilisation du produit, de ses
limitations technologiques (ne pas dpasser ses limites oprationnelles, par exemple afin de
conserver le mode de dfaillance dorigine, voir figure 4.1), etc.
(1) Chargement indpendant du temps
On soumet chaque composant un niveau de contrainte constant ( suprieur a la normale).
Pour chaque niveau de contrainte on test le mme nombre de composants, on aura donc autant
dchantillon que de niveaux de contraintes (voir figure 4.3, [Nelson, 1990]).
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
77
Figure 4.3. Chargement de contrainte indpendant du temps (contrainte constante)
Ce type de chargement est trs utilis, en particuliers dans les essais acclrs :
La plupart des produits sont supposs fonctionner sous un stress constant dans les
conditions normales dutilisation.
Il est plus facile de raliser des essais contrainte constante.
Il existe une grande famille de modles pour analyser les chantillons obtenus.
(2) Chargement fonction du temps
Cest le cas o la contrainte choisie, volue en fonction du temps. Elle peut tre augmente
dune manire chelonne, progressive, cyclique ou alatoire etc. (voir figure 4.4):
Contrainte chelonne : la contrainte est applique de manire chelonne par
niveaux croissants ou dcroissant dans le temps (par paliers) jusqu lapparition
dune dfaillance. Chaque chantillon est soumis un chelonnement diffrent en
terme de niveaux de contrainte et en terme de dure.
Contrainte progressive : la contrainte est augmente de manire linaire dans le
temps (croissance linaire). L encore les chantillons sont soumis des acclrations
diffrentes.
Contrainte cyclique : la contrainte est applique selon une amplitude et une frquence
donnes (comme un courant alternatif).
Contrainte alatoire.
Les contraintes chelonnes et progressives sont utilises le plus souvent dans les essais
aggravs.
Contrainte
Temps
Niveau 1
Niveau 2
Niveau 3
Niveau 4
Contrainte constante
: panne
Contrainte
Temps
Niveau 1
Niveau 2
Niveau 3
Niveau 4
Contrainte constante
: panne
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
78
Figure 4.4. Reprsentations graphiques des chargements en fonction du temps
4.1.3.3 Mode et mcanisme de dfaillance
Lanalyse des contraintes appliques et des consquences quelles peuvent entraner (telle
quune dgradation dune caractristique, dformation, rupture, etc.) est une des tches
laquelle on est confront lors de la ralisation des essais acclrs.
Dune manire gnrale, le mode de dfaillance, quelle que soit son origine, est dfini
comme leffet par lequel une dfaillance est observe sur un lment du systme.
De mme, on dfinit le mcanisme de dfaillance par le processus physique, chimique ou
autre ayant entran une dfaillance. Il est mis en vidence par une analyse physique ou
chimique.
Un essai acclr ne doit engendrer aucun mode de dfaillance supplmentaire et ne doit
pas modifier les mcanismes de base des dfaillances.
Dans le cas o le produit serait sujet plusieurs modes de dfaillance, il est plus intressant
destimer la fonction de fiabilit pour chacun deux pour construire la fonction de fiabilit
globale. Or, se nest pas toujours possible, par exemple quand on a trs peu de dfaillances
pour certains modes. Il est toujours possible destimer directement la fiabilit globale, sans
diffrencier les modes de dfaillance.
C
o
n
t
r
a
i
n
t
e
Temps
a. Contrainte chelonne
C
o
n
t
r
a
i
n
t
e
Temps
b. Contrainte progressive
C
o
n
t
r
a
i
n
t
e
Temps
c. Contrainte cyclique
C
o
n
t
r
a
i
n
t
e
Temps
d. Contrainte alatoire
chantillon 1
chantillon k
chantillon 2
chantillon 1
chantillon 1
chantillon 2
chantillon 2
chantillon k
chantillon k
chantillon 1
chantillon k
C
o
n
t
r
a
i
n
t
e
Temps
a. Contrainte chelonne
C
o
n
t
r
a
i
n
t
e
Temps
b. Contrainte progressive
C
o
n
t
r
a
i
n
t
e
Temps
c. Contrainte cyclique
C
o
n
t
r
a
i
n
t
e
Temps
d. Contrainte alatoire
chantillon 1
chantillon k
chantillon 2
chantillon 1
chantillon 1
chantillon 2
chantillon 2
chantillon k
chantillon k
chantillon 1
chantillon k
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
79
4.1.3.4 Modles de vie acclre
Pour obtenir la loi de fiabilit dans les conditions nominales, il est ncessaire dutiliser un
modle de vie acclre permettant de lestimer partir des rsultats dessais acclrs. Il
existe diffrentes classes (voir figure 4.5) de modles de vie acclre :
1. Les modles exprimentaux, dtermins par des plans dexpriences permettant dtudier
les effets des variables (facteurs), de leurs combinaisons et de leurs interactions sur la
performance du systme (voir [Phadke, 1999], Glossaire).
2. Les modles physiques, dfinis partir de ceux de dgradation (chimique, mcanique, ).
([Gurin et al., 2001a], [Lalanne, 1999], [Meeker and Escobar, 1993])
3. Les modles statistiques caractriss par des approches d'estimation paramtriques, semi-
paramtriques et non paramtriques ([Bagdonavicius and Nikulin, 1995b], [Bagdonavicius
and Nikulin, 1995a], [Bagdonavicius and Nikulin, 1997], [Nelson, 1990], [OConnor,
2003], [Bagdonavicius et al., 2000], [Bagdonavicius and Nikulin, 2001], [Bagdonavicius
and Nikulin, 2002], [Basu and Ebrahimi, 1982], [Devarajan and Ebrahimi, 1998], [Caruso
and Dasgupta, 1998], [Owen and Padgett, 1998], [Vassilious and Mettas, 2001], [Hoang,
2003], [Shyur et al., 1999], ...).

Figure 4.5. Classification des modles de vie acclre
On trouve une littrature abondante sur l'application des modles de vie acclre dans le
domaine de llectronique (voir [Caruso and Dasgupta, 1998], [Nelson, 1990], [OConnor,
2003], [Vassilious and Mettas, 2001], ) mais moins nombreuse dans celui de la mcanique
([Guerin et al., 1999], [Tebbi et al., 2001a], [Nelson, 1990], [Aug, 1998], [Zhang, 2002],..).
4.1.4 Modles statistiques de vie acclre
4.1.4.1 Introduction
Les modles statistiques de vie acclre sont gnralement utiliss quand la relation
exacte entre les contraintes appliques et le temps de dfaillance du composant est difficile
dterminer selon des principes physico-chimiques. Dans ce cas les composants sont soumis
diffrents niveaux de contraintes et les temps de dfaillance sont utiliss pour ajuster une
distribution de vie la plus adquate. Les temps de dfaillance ont le mme type de loi
chaque niveau de contrainte, en particuliers dans les conditions normales de fonctionnement.
Modles de vie acclre
Modles statistiques Modles physiques Modles exprimentaux
Modles
semi-paramtriques
Modles
non-paramtriques
Modles
paramtriques
Modles de vie acclre
Modles statistiques Modles physiques Modles exprimentaux
Modles
semi-paramtriques
Modles
non-paramtriques
Modles
paramtriques
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
80
Les modles Statistiques de Vie Acclre peuvent sappliquer plusieurs domaines
comme celui du vivant (sciences mdicales), de llectronique, et de la mcanique. Ce qui
diffrencie les diverses applications se sont les lois de fiabilit utilises, les stress employs
pour svriser les essais et la nature des lois d'acclration.
Dans la littrature, on trouve plusieurs dfinitions thoriques des modles Statistiques de
Vie Acclre ([Nelson, 1990], [Bagdonavicius and Nikulin, 1995a], [Hoang, 2003]). En
gnral, ils sont constitus de deux composantes principales, la figure 4.6 illustre ce genre de
modles:
- Un modle analytique "Dure de vie-stress" appele aussi quation dacclration ou
modle dacclration, traduisant la dure de vie nominale du produit soumis lessai en
fonction des niveaux de contraintes appliques. cette dure de vie nominale est
reprsente par une caractristique de loi de fiabilit telle que la moyenne, la mdiane, lcart-
type , un quantile ou un quelconque paramtre de la loi. Parfois le modle analytique est
dfini par ce qu'on appelle une loi d'acclration, cette loi traduit la vitesse de dgradation
d'un systme en fonction des stress. D'autre part, la dure de vie nominale du produit est
inversement proportionnelle sa vitesse de dgradation ([Nelson, 1999]).
- Une distribution statistique des dures de vie : Dans un test acclr, un modle
analytique seul, ne dcrit pas le comportement des dures de vie du produit. chaque niveau
de contrainte (stress) le systme a une distribution statistique de vie. Do la combinaison :
quation dacclration et distribution de vie de base.
Figure 4.6. Reprsentations graphiques dun Modle Statistique de vie Acclr
(dure de vie en fonction de la contrainte, tire de [Nelson,1990])
L
O
G
D
U
R
E
E
D
E
V
I
E
D
U
R
E
E
D
E
V
I
E
L
O
G
D
U
R
E
E
D
E
V
I
E
D
U
R
E
E
D
E
V
I
E
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
81
Aussi, on peut dfinir un Facteur dAcclration entre la dure de vie nominale
1
du
produit sous les conditions nominales et la dure de vie nominale
2

sous les conditions
acclres:
aclre
normale
2
1
FA
=
(4.1)
Cette valeur signifie que la dure de vie nominale
1
est " FA fois" plus grande que la
dure de vie nominale
2
.

4.1.4.2 Modles dacclration usuels (Relations Dure de vie-Stress)
Dans la littrature ([Nelson,1990], [MIL-HDBK-217F,1995]) on trouve une grande varit
de modles d'acclration, dfinis pour chaque type de composants et matriaux. Nous
prsentons quelques modles dacclration les plus utiliss pour des stress profil constants.
Dsormais, la dure de vie nominale est reprsente par la moyenne.
(1) Modle dArrhenius
Le modle d'Arrhenius est utilis lorsque le mcanisme dendommagement est sensible la
temprature (en particulier : Dilectrique, semi-conducteur, batterie, lubrifiant et graisse,
plastique et filament de lampe incandescente).
La vitesse moyenne de dgradation d'un systme sensible la temprature est donne par
la loi:
|
\
|
=
kT
E
a
e A
'
(4.2)
Avec :
- A
'
: constante positive propre l'essai
- T : temprature absolue en
K

- E
a
: nergie dactivation en eV (Elle varie entre 0.4 et 0.7 eV, cela dpend du matriau et
de ses mcanismes dendommagent)
- k : constante de Boltzmann (8.6171.10
-5
eV/K)
La relation dArrhenius modlise la dure de vie moyenne du produit en fonction de la
temprature T :
|
\
|
=
kT
E
a
Ae (4.3)
Avec A une constante propre l'essai, estimer partir des rsultats dessais.
Si on applique une transformation logarithmique cette relation on obtient:
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
82
( )
T
log
1
0
+ = (4.4)
avec :
k
E
et A
a
1 0
= = ) log(
Soit : ( ) x x
1 0
+ = ) ( log o
T
1
x=
Cette dernire relation est importante car la transformation logarithmique des modles
dacclration suivants se ramnera toujours cette forme linaire.
Le facteur dacclration dArrhenius entre la dure de vie
1
pour une temprature T
1
et la
dure de vie
2

pour une temprature T
2
est :
|
|
\
|
= =
2
T
1
1
T
1
B
2
1
e FA
(4.5)
(2) Modle de puissance inverse
Le modle de puissance inverse est utilis lorsque le mcanisme dendommagement est
sensible un stress particulier (par exemple : Dilectrique, roulement billes ou rouleaux,
composants optolectroniques, composants mcaniques soumis la fatigue et filament de
lampe incandescente).
Le modle de puissance inverse dcrit la cintique dune dgradation sous stress constant
V, la dure de vie est donne par lquation:
=
V
A
(4.6)
Avec: V un stress quelconque, A et des constantes dpendant de la dfaillance et de
lessai (elles sont estimes partir des rsultats dessai)
Si on applique une transformation logarithmique cette relation on obtient :
( ) ) log( log V
1 0
= (4.7)
Avec:
= =
1
et A
0
) log(

Soit: ( ) x x
1 0
+ = ) ( log o ) log( V x =
Le facteur dacclration entre la dure de vie moyenne
1
pour un stress V
1
et la dure de
vie moyenne
2

pour un stress V
2
est :
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
83
\
|
=
=
1
2
2
1
V
V
FA (4.8)
- Cas particulier : modle Coffin-Manson
Cest un modle relativement simple dans sa forme et applicable au problme de pices
soumises la fatigue avec variation de la temprature. La dure de vie moyenne des pices,
reprsente par le nombre moyen de cycle la rupture, est donne par la formule :
B
T
A
T N = ) ( (4.9)
Avec: A et B des constantes caractristiques des pices, de leur dfaillance et de
lexprience, estimer partir des rsultats dessais.
(3) Modle dEyring gnralis
Le modle d'Eyring est utilis lorsque le mcanisme dendommagement est sensible la
temprature et autre stress (en particulier : Composants lectriques, conducteur aluminium et
composants mcaniques soumis la rupture).
L'quation dEyring, dcrivant la cintique dune dgradation sous une temprature T et un
stress particulier V, est donne par la formule suivante :
|
|
\
|
|
\
|
+
|
\
|
|
\
|
=
kT
D
C ( V
kT
B
e e
T
A
(4.10)
T : temprature absolue en degrs Kelvin
V : stress quelconque
k : constante de Boltzmann (k=8.617110
-5
lectron-volt par degrs)
A,B,C et D : Constantes dpendant de la dfaillance et de lessai ( estimer
partir des rsultats dessais).
La dure de vie en logarithme nprien (ou dcimal) est donne par lquation :
T
V
V
T
1
T T) (V,
3 2 1 0
+ + + = ) log( log (4.11)
Avec :
k
D
et C ,
k
B
A
3 2 1 0
= = = = ), log(
Soit:
2 1 3 2 2 1 1 1 0 2 1
x x x x x x x + + + + = ) log( ) , ( log o V x ,
T
1
x
2 1
= =
- Cas particulier : modle de Peck
Dans ce modle, la vitesse de dgradation dun systme sensible la temprature ainsi
qu lhumidit est donne par la relation :
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
84
|
\
|
=
kT
E
m
a
e AH (4.12)
Avec:
- m : constantes propre lessai dpendante de la dfaillance de la pice estimer partir
des rsultats dessais
- T: temprature absolue
- H: niveau dhumidit
La dure de vie moyenne

pour une temprature T et un niveau dhumidit H est donne
par :
|
\
|
=
kT
E
m
a
e AH (4.13)
La dure de vie moyenne en logarithme nprien (ou dcimal) scrit:

T
1
H
1
T H
2 1 0
+ + = ) log( ) , ( log (4.14)
Avec
k
E
m , A
a
2 1 0
= = = , ) log(
Soit:
2 2 1 1 0
x x T H + + = ) log( ) , ( log avec
T
1
x et
H
1
x
2 1
= =
4.1.4.3 Estimation des caractristiques des modles statistiques de vie acclre
Lanalyse statistique du modle de vie acclre consiste estimer les paramtres du
modle qui dcrivent le comportement du produit, dans des conditions quelconques partir
des conditions initiales. Les techniques destimation, dpendent des composantes du modle
statistique, cest dire de la connaissance du type de distribution de vie initiale et du choix de
la loi d'acclration.
Les modles statistiques de vie acclre se prtent divers types d'estimation:
paramtrique, non-paramtrique et semi-paramtrique. Do la classification donne par la
figure 4.5.
(1) Estimation paramtrique
L'estimation paramtrique qui, ayant retenu une forme de distribution de dure de vie de
base spcifie (par exemple la loi exponentielle ou la loi de Weibull) cherche en estimer les
paramtres par des mthodes classiques telle que la mthode du maximum de vraisemblance.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
85
Le modle dun test de vie acclre est dit paramtrique si lon connat la fois la
distribution de probabilit de la variable alatoire dure de vie du produit, pour chaque niveau
de stress et lquation dacclration, qui relie un des paramtres de cette distribution et les
contraintes dacclration (choix de certaines classes de fonctions pour la vitesse de
dgradation r).
Les modles paramtriques utiliss dans les tests de vie acclre, ont t largement
tudis et appliqus dans plusieurs domaines en particuliers en lectronique. Voir par
exemple : [Singpurwalla, 1971], [Basu and Ebrahimi, 1982], [Vierlt, 1988], [Nelson , 1990],
[Nelson and Meeker, 1991], [Vierlt and Spencer, 1991], [Nelson and Macarthur, 1992],
[Meeker and Escobar, 1993], etc.
(2) Estimation semi-paramtrique
L'estimation semi-paramtrique, qui pour des modles analytiques de la forme prcdente
cherche estimer l'influence des contraintes appliques sans faire d'hypothse sur la forme de
distribution de base (il est nanmoins possible d'estimer la distribution de base).
Les modles semi-paramtriques de vie acclre ont t bien tudis par Bagdonavicius &
Nikulin ([Bagdonavicius and Nikulin, 1995b], [Bagdonavicius and Nikulin, 1995a],
[Bagdonavicius and Nikulin, 1997], [Bagdonavicius et al., 2000], [Bagdonavicius and
Nikulin, 2001], [Bagdonavicius and Nikulin, 2002]). Ils gnralisent les modles les plus
souvent utiliss en analyse de survie. Ils ont pour objectif d'estimer la fonction de survie dun
produit dans les conditions nominales partir de celle dans des conditions acclres, en
supposant la connaissance dune quation dacclration, la fonction de survie tant inconnue.
De nombreux modles semi-paramtriques sont appliqus dans plusieurs domaines. Lun
des plus utiliss, en particulier pour des applications biomdicales, est le modle risque
proportionnel, introduit par Cox en 1972. Ce modle permet de prendre en considration
simultanment plusieurs variables (contraintes) pour dcrire la dure de vie moyenne des
produits tests en multidimensionnel. Ce modle introduit par Cox, ne suppose aucune forme
de la distribution de vie.
(3) Estimation non-paramtrique
Le modle statistique de vie acclre est considr comme non paramtrique si la fonction
de survie est inconnue et aucune forme paramtrique du modle analytique nest suppose.
Ainsi, l'estimation non paramtrique (ou fonctionnelle), vise dterminer l'une ou plusieurs
des diffrentes fonctions caractrisant la distribution de base observe (Fonction de rpartition
ou taux de dfaillance le plus souvent) sans faire d'hypothse sur celle-ci. Elle suppose une
relation fonctionnelle entre la distribution de dure de vie et les niveaux des stress sans
mettre dhypothses sur la forme paramtrique de cette distribution.
Les modles non-paramtriques sont largement utiliss pour des donnes biomdicales et
rarement pour des donnes dingnierie. Ils ont t considrs par [Basu and Ebrahimi,
1982], [Sethuraman and Singpurwalla, 1982], [Nelson, 1983], [Shaked and Singpurwalla,
1983], [Tsiatis, 1990], [Ying, 1993], [Ling and Ying, 1995] et autres
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
86
4.1.4.4 Modle standard de vie acclre
Le but des essais acclrs est destimer la fiabilit des composants sous les conditions
normales dutilisation, en utilisant les donnes de ces essais. Pour cela, les modles
statistiques de vie acclre sont les modles les plus appropris. Nous tudierons un cas
particulier de ce type de modles, il sagit du modle Standard de Vie Acclre (not SVA)
dfini par Bagdonavicius et Nikulin. Ce modle permet de dterminer de quelle faon la
fonction de fiabilit (ou une autre caractristique) change quand le stress vari en utilisant une
fonction de transfert ([Bagdonavicius and Nikulin, 1995b], [Bagdonavicius and Nikulin,
1995a], [Bagdonavicius and Nikulin, 1997], [Bagdonavicius et al., 2000], [Bagdonavicius and
Nikulin, 2001], [Bagdonavicius and Nikulin, 2002]).
Supposons que lon ait des systmes trs fiables ne permettant pas dobserver des
dfaillances pendant un temps t donn dessai. Pour estimer la loi de fiabilit, il est ncessaire
de procder des Essais Acclrs au cours desquels les systmes subissent des stress
suprieurs ceux quils supportent dans les conditions normales dutilisation.
Dans le cas gnral, les stress s peuvent voluer en fonction du temps et peuvent tre
multidimensionnels (combinaison de plusieurs stress). Dans le cas unidimensionnel, on a :
)) ( ),...., ( ), ( ( ) (
R B [ [0
t s t s t s t s t
, : s
m 2 1
m
=
+
(4.15)
Supposons que la dure de vie T
s(.)
dun produit sous le stress s(.) soit une variable alatoire
de fonction de survie :
0 t t T Prob t R
s s
> = ), ( ) (
(.) (.)
(4.16)
Soit
0
s
R la fiabilit sous le stress usuel :
0 0
s ( un ensemble de stress constants),
1
s
0
R sa fonction rciproque.
La fonction de transfert est dfinie par :
) )( ( ) (
[ [0, [ , [ :
(.) (.)
t R R t f s(.)) (t,
o f
s
1
s
s
0
o
=
+ +
(4.17)
Cette fonction permet dvaluer la fiabilit dun produit, sous des stress exprimentalement
indisponibles, partir de la fiabilit du mme produit sous des conditions particulires
dutilisation.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
87
La dfinition de f peut tre traduite par lquation suivante :
) ( Pr )) ( (
(.) (.)
0
t T ob t f T P
s s s
=
(4.18)
) (
(.)
t f
s
est appele ressource utilise sous le stress s(.) jusqu linstant t.
Figure 4.7. Dfinition de la fonction de transfert
Le modle statistique de vie acclre est dfini sur sil existe une fonction positive r :
R
+
telle que pour tout s(.) :
[ ] ) ( ) (
(.)
t s r t f
dt
d
s
= (4.19)
Lquation (4.18) implique :
[ ]
|
\
|
=
d ( s r R t R
t
0
s s(.)
0
) ) ( (4.20)
Dans le cas o s(.) est constant lquation (4.19) devient :
( ) t s r R t R
0
s s
). ( ) ( = (4.21)
On note que r(s
0
) = 1. Le stress ne change que lchelle.
Le modle Standard de Vie Acclre est dfini par l'quation (4.20) quand le stress
dpend du temps et par le modle (4.21) lorsque le stress est constant. La fonction r(.)
reprsente physiquement le taux daccroissement de la vitesse de dgradation.

( )= ) t ( f R
s
0
s
) t ( R
s
R(t)
temps t
R
s
(t)
R
s0
(t)
R
s0
(t)
) t ( R
s
R(t)
temps t
R
s
(t)
R
s0
(t)
R
s0
(t)
) t ( R
s
R(t)
temps t
R
s
(t)
R
s0
(t)
R
s0
(t)
) t ( R
s
R(t)
temps t
R
s
(t)
R
s0
(t)
R
s0
(t)
f
s
(

t

)

t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
88
Considrons un plan dessai classique consistant utiliser plusieurs niveaux de stress
constant s
1
, s
2
, , s
k
: s
1
< s
2
<< s
k
et s
0
(s
0
< s
1
) le stress usuel qui ne sera pas utilis. Si la
fonction r est compltement inconnue alors la fonction de fiabilit R
s0
ne peut tre dtermine.
Donc, il est ncessaire de choisir r dans une certaine classe de fonctions. Nikulin considre
une forme exponentielle. Si lquation (4.21) est vrifie sur un ensemble de stress , alors
pour tous s
1
, s
2
appartenant
0
:
R
s2
(t) = R
s1
((s
1
, s
2
)t) (4.22)
O (s
1
, s
2
) = r(s
2
)/r(s
1
) est le facteur dacclration permettant de passer de s
1
s
2
Supposons dans un premier temps que le stress s
0
R soit unidimensionnel. Le taux
de changement dchelle est dtermin par la drive :
( )
ds
s r d
s
s s s s s
s
0 s
)) ( log( ) , ( ) , (
lim
=
+
=

(4.23)
Donc pour tout s
=
s
0
s
dv v
e s r
) (
) ( (4.24)
Supposons que (s) soit proportionnelle une fonction connue u(s) du stress :
(s) =
1
u(s) (4.25)
Avec
1
> 0
Alors
( ) s z
1 0
e s r
+
= ) ( (4.26)
o z(s) est une fonction connue,
0
et
1
sont des paramtres inconnus estimer.
Par exemple, si on considre (s)=
1
/s et
1
> 0 alors on obtient le modle de puissance
inverse, dj prsent dans le paragraphe 4.1.4.2 :
( )
1 1 0
s e s r
s +
= =
log
) ( (4.27)
avec =e
0

Ce modle est appliqu dans le cas de systme soumis au phnomne mcanique de
fatigue.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
89
Maintenant, considrons que le stress s
0
R
m
soit multidimensionnel (s = (s
1
, ,
s
m
)
T
). Le taux de changement dchelle
i
(s) selon le stress i est dtermin par :
( )
i i
i i
0 s
i
s
s r
s
s s e s s s
s
i
+
=

)) ( log(
) , ( ) , (

lim
(4.28)
o e
i
= (0, , 1, 0)
T
. Lunit est dans la ime coordonne
Si on gnralise le cas unidimensionnel (4.2), on obtient
i
(s) :
( ) ( )
=
=
i
k
j
ij ij i
s u s
1
(4.29)
Alors
+
= =
=
m
1 i
i
k
1 j
ij ij 0
s z
e s r
) (
) ( (4.30)
o z
ij
(s) sont des fonctions connues,
0
et
ij
sont des paramtres inconnus estimer.
Par exemple, si on considre ( )
2
1 2 12 11 1 1 1
s / s s / 1 ) s ( + + = et
1 22 21 2 2
s / ) s ( + = alors
on obtient le modle Eyring, prsent dans le paragraphe 4.1.4.2 :
Ainsi, dans tous les cas considrs les expressions (4.20) et (4.21) peuvent scrire :
|
\
|
=

d e R t R
t
0
z
s s(.)
T
0
) (
) ( (4.31)
Ou
|
\
|
=
t e R t R
z
s s
T
0
. ) ( (4.32)
O = (
0
, ,
m
)
T
est le vecteur de paramtres,
))) ( ( )),..., ( ( )), ( ( ( )) ( ),..., ( ), ( ( ) ( t s z t s z t s z t z t z t z t z
m 2 0 m 1 0
= = et )) ( ),..., ( ), ( ( s z s z s z z
m 1 0
= sont
des vecteur des fonctions connues du stress (avec z
0
=1).
Dans les paragraphes suivants, nous tudierons lapplication des modles SVA la
mcanique et plus particulirement aux systmes soumis lendommagement par fatigue.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
90
4.2 Les modles standard de vie acclrs appliqus aux composants
mcaniques
(voir [Tebbi et al., 2004a], [Tebbi et al., 2004b] et [Tebbi et al., 2004c] )
4.2.1 Introduction
Dans notre tude, nous montrons que pour des systmes mcaniques, la planification des
essais acclrs utilisant un phnomne physique de dgradation est conditionne par trois
facteurs importants :
Le mcanisme dendommagement (Mode dendommagement conserv diffrents
niveaux de stress)
Les paramtres dacclration associs un mode prcis (temprature, humidit,
chargement, )
La distribution de vie du produit et ses paramtres.
Ces trois facteurs constituent les principes de base de la construction du notre modle.
Nous proposons par la suite de lappliquer un exemple de pice mcanique soumise la
fatigue.
En mcanique, il est courant de dfinir la loi de fiabilit par une distribution de type
Weibull, Log-normale ou Birnbaum-Saunders qui caractrisent correctement les dures de vie
des systmes soumis des dgradations mcaniques ([Owen and Padgett, 1998], [Hoang,
2003]).
La dfaillance constate est bien souvent une rupture de pices mais les mcanismes
dendommagement sous jacents peuvent tre de nature totalement diffrente. Cela dpend
essentiellement des conditions dutilisation du systme et des stress qui y seront appliqus.
En effet, la combinaison des paramtres d'acclration tel que la temprature, la corrosion,
un chargement cyclique, agit diffremment selon le niveau de chacun des stress en
provoquant des mcanismes de dgradation diffrents (fluage, fatigue-corrosion, fatigue, ).
Aussi, les mcaniciens ont lhabitude de dfinir des modles de dgradation en fonction des
stress prpondrants pour caractriser la dure de vie des systmes.
Dans ce paragraphe, nous proposons de btir un modle de simulation paramtrique
partir d'un modle dendommagement mcanique. Pour illustration, nous traitons le cas des
systmes soumis au mode dendommagement par fatigue pour lequel nous construisons une
quation dacclration base sur le modle de Basquin. La distribution paramtrique des
dures de vie est suppose log-normale.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
91
4.2.2 Rappels sur lendommagement par fatigue
4.2.2.1 Description de lendommagement par fatigue
Dommage par fatigue
On appelle dommage par fatigue la modification des caractristiques dun matriau, tenant
essentiellement la formation de fissures (figure 4.8.a) et rsultant de lapplication de cycle
de contrainte (chargement cyclique de la contrainte
) cos ( t
a m
+ =
, voir figure 4.8.b)
conduisant une rupture ([Bompas-Smith, 1973], [Doyle, 1991], [Kececioglu et al., 1998],
[Little and Ekvall, 1979], [Shigley, 1972], [Lalanne, 1999]).
fissure
grain
Crique initiale
Ligne darrt
Ligne
de propagation

a
Figure 4.8. a. Propagation de la fissuration Figure 4.8.b. Cycle de contrainte
Courbe de Whler
Une pice soumise, dans des conditions bien prcises, une contrainte gnralement de
moyenne nulle, dont les valeurs extrmes sont
a
se rompra au bout dun nombre de cycles
N. La courbe qui donne la variation de la contrainte applique
a
en fonction du nombre de
cycles la rupture N, pour une contrainte moyenne fixe, est appele courbe de fatigue ou
courbe de Whler (voir figure 4.9). Cette courbe partage le plan en deux rgions : une rgion
situe au-dessus de la courbe pour laquelle les pices sont rompues, et une rgion situe en
dessous pour laquelle il n'y a pas de ruptures.
La courbe de Whler peut tre dcompose en 3 domaines de fatigue : fatigue
oligocyclique (pour des valeurs de N comprises entre 0 et 10
4
10
5
cycles), fatigue limite (N
compris entre 10
4
et 10
6
10
7
cycles) et fatigue illimite (N tend vers linfini). Elle prsente
gnralement une asymptote horizontale qui correspond une contrainte dont la valeur est par
dfinition, la limite de fatigue
D
(la plus grande amplitude de contrainte moyenne nulle
pour laquelle il nest pas observ de rupture aprs un nombre infini de cycles). Cette limite
peut ne pas exister ou mal dfinie pour certains matriaux haute rsistance tels que les
aciers haute rsistance. Dans ce cas, on introduit, la limite dendurance.
Le dimensionnement de pices soumises la fatigue seffectue en considrant la limite
dendurance caractrise par lamplitude de la contrainte ne pas dpasser pour viter une
rupture avant un temps donn (nombre N de cycles fini) correspondant la dure de vie. Cette
limit, si
m
=0, est note
D
(N ). Pour les grands nombre de cycle
D
(N )
D
. On conserve
dans ce cas la notation
D
([Brand and al., 1992], [Bathias and Balon, 1997], [Lalanne,
1999]).
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
92
Aspect statistique de la courbe de Whler
Lexprience montre quil y a une dispersion importante des dures de vie. En fixant la
contrainte damplitude on obtient une distribution normale des log(N) dans le domaine de
fatigue limite et en fixant le nombre de cycle, la contrainte damplitude suit une loi normale
(figure 4.9, [Bompas-Smith, 1973], [Lalanne, 1999], [Shigley, 1972]).
par consquent, on donne en gnral la courbe de Whler mdiane. On reprsente en
abscisse le nombre de cycles N 50% de rupture (la loi de ) log(N est normale, lesprance et
la mdiane sont gales).
Figure 4.9. Courbe de Whler ( pour
m
=0)
Reprsentation analytique de la courbe de Whler
Dans la littrature (voir entre autre [Lalanne, 1999]), on trouve de nombreux modles
caractrisant en partie ou compltement la courbe de Whler. Nous pouvons citer :
Tableau 4.1. Modles usuels de la courbe de Whler
Nota : A, B et C sont des paramtres dpendant du matriau et des conditions dessai
estimer.
Nom de modle Domaines modliss Equation
Basquin endurance limite
A N
B
a
=
Strmeyer endurances limite et illimite
( )
B
D a
N
A
+ =
Bastenaire Fatigue oligocyclique, endurances
limite et illimite
C e B N
D a
A
D a
= +
) (
) ( ) (

a
Densit de probabilit des log(N)
pour une contrainte donne
(distribution horizontale)
Courbe de Whler (50 de rupture)
log(N)
Domaine
oligocyclique
Domaine d'endurance
limite
Domaine
d'endurance illimite
R
m
Zone de rupture
Zone de bon
fonctionnement
Densit de probabilit de la contrainte
a
pour N donn
D
(N)
a
Densit de probabilit des log(N)
pour une contrainte donne
Courbe de Whler (50 de rupture)
log(N)
Domaine
oligocyclique
Domaine d'endurance
limite
Domaine
d'endurance illimite
R
m
Zone de rupture
Zone de bon
fonctionnement
Densit de probabilit de la contrainte
a
pour N donn
D
(N)
D
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
93
4.2.2.2 Facteurs influenant la tenue en fatigue
De nombreux facteurs affectent les rsultats dune courbe de fatigue([Lalanne, 1999],
[Lemaitre and Chaboche, 1996], [Sendeckyj, 2001]). Le plus significatif est sans doute ltat
de surface. En effet, la rupture de fatigue a toujours pour origine lexistence dune fissure et
on a constat que la plupart des fissures de fatigue commenaient la surface de lchantillon.
Par consquent, les rayures dusinage ou de polissage diminuent la limite de fatigue : une
surface rugueuse peut abaisser la rsistance la fatigue de 15 20%.
Un autre facteur modifiant la limite de fatigue est la superposition la contrainte alterne
d'une contrainte moyenne
m
constante (voir figure 4.8.b). La prsence dune contrainte
moyenne non nulle modifie la dure de vie de la pice lessai, en particulier quand cette
contrainte moyenne est relativement grande par rapport la contrainte damplitude. Les
diagrammes dendurance (dabscisse
m
et dordonne
a
, voir figure 4.10) permettent de
prendre en compte les contraintes pour lesquelles
m
est diffrente de zro et sont issues des
courbes de Whler. Une bonne approximation des points exprimentaux est la droite de
Goodman-Smith [Brand et al., 1992]:
(
(
=
Rm
m
D a
1 (4.33)
O R
m
reprsente la limite la rupture (contrainte maximale provoquant une rupture
brutale ds le premier cycle , figure 4.9).
D
R
m
s
m
s
D

Figure 4.10. Diagramme dendurance de Goodman-Smith
La frquence des contraintes cycliques a relativement peu dinfluence sur la limite de
fatigue. Les phnomnes de corrosion ou une lvation de la temprature peuvent galement
diminuer de faon trs importante la limite de fatigue dun matriau. Ainsi, on trouve des
courbes dvolution des caractristiques matriaux en fonction de la temprature T (voir
figure 4.11.a et Figure 4.11.b).
Par consquent, linfluence de la contrainte moyenne en intgrant la temprature sur la
contrainte damplitude admissible est dcrite par la loi de Goodman-Smith modifie ([Brand,
1999]) :
(
=
Rm
1 ) T ( ) , T (
m
a m a
avec ) , T (
a m
est la contrainte damplitude
admissible pour une temprature T et une contrainte moyenne non nulle. ) T (
a
la contrainte
damplitude admissible pour une temprature T donne et une contrainte moyenne nulle, elle
est dcrite par les courbes donnes ci-dessous (voir figure 4.11.a et Figure 4.11.b).
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
94
Dommage D
nb cycles
N
D
R
=1
Rupture
0
n
N
n
d=
N
n
d=
.

Figure 4.11.a. Exemple de diagramme
dvolution de la limite de rupture selon la
temprature (tir de [Brand and al., l992])
Figure 4.11.b. Exemple de diagramme
dvolution de la limite dendurance selon la
temprature (tir de [Brand and al., 1992])
Enfin, dune faon gnrale, les impurets internes ou superficielles, les htrognits
locales, les gros grains et les tensions internes abaissent la rsistance la fatigue. Ainsi, dans
la problmatique des essais acclrs, nous utiliserons ces facteurs influents pour svriser les
conditions dessai.
4.2.2.3 Cumul du dommage par fatigue
Toute pice soumise des contraintes cycliques subit une altration de ses proprits
mcaniques. Selon le niveau de contrainte et le nombre de cycles effectus, cette altration est
partielle ou totale pouvant aller jusqu la rupture de la pice ([Lalanne, 1999], [Lemaitre and
Chaboche, 1996]).
Ainsi, on dfinit un critre dendommagement D (voir figure 4.12) reprsentant le degr de
dommage subi par la pice variant de 0% ( la mise en service) 100% (correspondant
lendommagement critique D
R
au moment de la rupture). Il existe de nombreuses lois de
cumul dendommagement mais la plus utilise est celle de Miner.
La rgle de Miner (voir figure 4.12) rgit la sommation des dommages partiels qui
caractrisent les dtriorations du matriau pour chaque cycle de variation de contrainte. On
considre que lendommagement D est gal :
0 lorsque n=0
1 lorsque n=N
Rupture

Et varie linairement entre les deux tats

Figure 4.12. volution du dommage jusqu
rupture suivant la rgle de Miner
Temperature
s
D
280
320
360
400
440
480
520
0 100 200 300 400 500
Temperature
R
m
300
340
380
420
460
500
540
580
620
0 100 200 300 400 500
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
95
Cette loi dfinit le dommage emmagasin par la pice chaque cycle dpendant
uniquement du niveau de contrainte . Pour n cycles, on appelle dommage partiel d au niveau
de contrainte :
N
n
d =
(4.34)
O N reprsente le nombre de cycles rupture au niveau de contrainte (voir figure 4.12).
A ce niveau de contrainte , la rupture intervient dune manire dterministe lorsque n=N,
soit quand d=1 (limite dendurance). Le nombre N pourrait aussi correspondre au nombre de
cycles provoquant 50% de rupture donne par la courbe de Whler.
Les dommages partiels d
i
sadditionnent linairement. Si on applique sur une pice k
contraintes
i
pendant n
i
cycles, le dommage cumul D scrit :

= =
= =
k
1 i
i
i
k
1 i
i
N
n
d D (4.35)
La rupture se produit pour D=1. La figure 4.13 montre une application du cumul
dendommagement la fatigue en considrant la courbe de Whler.
Figure 4.13. Cumul dendommagement appliqu la fatigue
Dispersion du dommage la rupture
Dans le cas de la fatigue, on montre bien que le nombre de cycles rupture est une variable
alatoire caractrise par une loi normale (pour les log(N)). Ainsi, le dommage D =d
i
la
rupture

(voir figure 4.9), dpendant du nombre de cycles rupture, est une variable alatoire.

a
R
m
D
nombre de cycles rupture
0
1
N1 N
2
N
3
a3
a2
a1
a
3
a
2
a
1
N1
N
2 N
3
n
1
1
1
N
n
2
2
1
1
N
n
N
n
+
2
2
1
1
N
n
N
n
+
3
3
2
2
1
1
N
n
N
n
N
n
+ +
3
3
2
2
1
1
N
n
N
n
N
n
+ +
n
2
n
3
d
1
d
2
d
3
nombre de cycles rupture
d
1
=
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
96
La valeur D
R
=1 nest donc quune moyenne . Le dommage obtenue la rupture D
R
peut, en
pratique varier dans un domaine assez large. On trouve dans la littrature, que D
R
suit une loi
normale (dans le cas de son application la fatigue limite) de moyenne 0,98 et dcart type
0,3. Ltude de la dispersion de la somme d
i
la rupture a fait lobjet de multiple travaux
([Ford et al., 1961], [Lalanne, 1999], [Kececioglu et al, 1998], [Liegeron, 1979]).
4.2.3 Construction dune loi dacclration
Dans la suite du paragraphe, nous allons appliquer les SVA la fatigue dans le domaine
d'endommagement limit (voir figure 4.13). Pour cela, nous avons besoin de simuler des
rsultats dessai de fatigue. Nous proposons donc de dvelopper un modle simplifi de
simulation de donnes de fatigue. Celui-ci dpendra de trois paramtres dacclration
couramment utiliss: la temprature, la contrainte damplitude
a
et la contrainte moyenne
m
.
Le modle propos est bas sur celui de Basquin reprsent en chelle bi-logarithmique par
une droite permettant une construction simplifie de la courbe de Whler partir de 2 points
caractristiques ([Bompas-Smith, 1973], [Shigley, 1972], [MIL-HDBK-217 F, 1995]).
Tableau 4.2. Points caractristiques de la courbe de Whler
Ainsi, connaissant deux points de la courbe, on peut dduire les paramtres A et B du
modle de Basquin.
Figure 4.14. Construction simplifie de la courbe de Whler partir du modle de
Basquin
Pour les aciers Pour N=10
3
on a 0,95R
m
Pour N=10
7
on a
D
(donnes recueillir dans les bases de donns)
Pour les aluminiums Pour N=10
4
on a 0,8Rm Pour N=10
8
on a
D

(donnes recueillir dans les bases de donns)
log
10
(
a
)
log
10
(N)
log
10
(10
3
) log
10
(10
7
)
log
10
(
D
)
log
10
(0.95Rm)
B
1
( ) ) N ( log ) A ( log
B
1
) ( log
10 10 a 10
=
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
CHAPITRE 4. Estimation des lois de fiabilit par les essais acclrs
97
Ainsi, cette reprsentation permet, par exemple pour les aciers, de dterminer le nombre
moyen de cycles dendurance N pour une amplitude de contrainte
a
choisie :
|
|
|
|
|
\
|
|
\
|
=
D
Rm 95 0
4
a
Rm 95 0
1000 N
.
log
10
.
(4.36)
Considrons maintenant un cycle de contrainte plus complexe de la forme suivante :
t
a m
cos + =
.
Pour pouvoir intgrer la temprature dans le modle il faut que celle-ci soit infrieure au
tiers de la temprature de fusion du mtal afin dviter les phnomne de fluage ([Lemaitre
and Chaboche, 1996]).
La limite dendurance varie selon la temprature mais galement en fonction du profil de
mission et plus prcisment avec la contrainte moyenne. Linfluence de la contrainte moyenne
m
, en intgrant la temprature T, sur la contrainte damplitude admissible
a
est dcrite par
la loi de Goodman-Smith modifie. Ainsi, pour svriser les essais nous augmentons la
contrainte moyenne
m
, la contrainte damplitude
a
et la frquence (voir figure 4.15).
Cette lvation a pour effet de diminuer la limite dendurance
D
. Il est indispensable que
les ruptures dans les conditions svrises soient obtenues pour des nombres de cycles
suprieurs 10
3
cycles (pour des raisons de validit de modle).
m
S
m
N
a
S
a
N
Conditions nominales
Conditions svrises
S
a
S
m
S
=
N
a
N
m
N
=

Figure 4.15. Svrisation du cycle de contrainte
Ainsi, nous obtenons le modle dacclration suivant donnant le nombre moyen de cycles
dendurance en fonction des caractristiques matriaux, permettant dappliquer les modles
SVA la fatigue :
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
98
|
|
|
|
|
\
|
|
|
\
|
\
|

=
) T (
D
) T ( Rm 95 . 0
10
log
4
a
m
m a
) T ( Rm 95 . 0
1000 ) T , , ( N
(4.37)
Avec :
Rm(T)= 5.6918 10
-6
*T
3
-8.4214 10
-3
*T
2
+2.7563*T+3.1736 10
2
(relation tire des
diagrammes de la figure 4.11)

D
(T)=-3.7827 10
-12
*T
6
+6.5324 10
-9
*T
5
-4.3603 10
-6
*T
4
+1.3970 10
-3
*T
3
-2.1832 10
-1
*T
2
+ 15.513*T- 49.697 (relation sont tire des diagrammes de la figure 4.11)
Laspect statistique de la courbe de Whler sera dfini en considrant un cart-type
constant de la loi normale des log(N) dans le domaine de fatigue limite. Lalanne [Lalanne,
1999]propose de considrer la valeur 0.2 pour les aciers.
4.2.4 tude des modles SVA en mcanique
En considrant lapplication des SVA la fatigue, la fonction de fiabilit R
s0
(n) du nombre
alatoire de cycles la rupture N, avec n reprsentant un nombre de cycles quelconque,
appartient la famille de lois loi log-normales de paramtres positifs et :
( )
|
|
\
|
|
|
\
|
|
\
|
n
1 n R
0
s
log (4.38)
Avec la fonction de rpartition de la loi normale standard ,
et les paramtres de la loi.
Alors, pour un stress constant s, la loi de fiabilit, dfinie par la relation (4.32), scrit
compte tenu de (4.38) :
( )
|
|
|
\
|
|
|
|
\
|
|
|
\
|
=
|
|
\
|
|
|
\
|
|
\
|
n e
1
n s r
1 n R
z
s
T
.
log
). (
log

Soit
|
|
\
|

=
z n
1 n R
T
s
) log(
) ( (4.39)
o
= (
0
, ,
m
) ,
0
= log()-
0
,
i
= -
i
et = 1/
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
99
Nous retrouvons la fonction de survie dune distribution log-normale (de paramtres z
T

et ) des N sous le stress s.
Si le stress considr est la contrainte damplitude, alors le modle SVA est vrifi sil
existe une fonction r telle que :
[ ] ) ( ) ( n r n f
dt
d
a
a
=
(4.40)
cela signifie que la vitesse dutilisation de la ressource linstant n ne dpend que de la
valeur de la contrainte applique cette instant n.
Dans le cas de la fatigue, la fonction r peut tre dduite de lendommagement.
N
0
D
R
=0.98
a
1
a
0
N
1
N
0
0
.
3
D
n r.n
d
1
=d
0

Figure 4.16. Fonction de transfert dans le cas de la fatigue
Ainsi, considrons un test de 2 pices des niveaux de contraintes damplitude diffrents
a0
et
a1
de telle manire qu lissue de celui-ci elles soient endommages identiquement
(respectivement d
0
et d
1
, voir figure 4.16). Pour respecter lquivalence dendommagement
partiel (d
1
= d
0
), la fonction r doit vrifier :
0 1
N
n . r
N
n
= (4.41)
avec : N
0
et N
1
les nombres moyen de cycles rupture aux niveaux de contrainte
a0
et
a1

.
do
1
0
N
N
r = (4.42)

t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
100
Nous pouvons dire que r reprsente le facteur dacclration permettant de passer des
conditions acclres aux conditions nominales.
Si on considre le modle de Basquin pour caractriser la courbe de Whler,
lendommagement partiel d(
a
) scrit :
( )
k
a
a
) ( A
n
N
n
d
= =
(4.43)

Do la vitesse dendommagement dfinie par :
k
a a a
) (
A
1
) ( d
dn
d
) ( d = =
&
(4.44)
) ( d a
.
tant la drive de ( ) a d par rapport n.
Ainsi, la relation (4.42) scrit :
) (
) (
) (
0
1
0
1
1
a
a
k
a
a
a
d
d
r
&
&
=
|
|
\
|
= (4.45)
Pour faire lanalogie avec ce quexprime Nikulin propos de r, nous pouvons dire que ce
terme correspond au taux daccroissement de la vitesse dendommagement sous conditions
acclres par rapport aux conditions nominales.
Ainsi, la fonction de survie ) n ( R
1
a
, dfinie par la relation (4.39), scrit :

( )
|
|
|
\
|
|
|
|
\
|
|
|
\
|
=
|
|
|
\
|
|
|
|
\
|
|
|
\
|
=

1 0
1 a
N
n
log 1
N
n ). ( r
log 1 n R
1 a
(4.46)
Avec N
0
et N
1
reprsentent les nombres de cycles moyens rupture sous les
contraintes
a0
et
a1
.
Dans les paragraphes suivants, nous appliquerons le modle SVA selon deux plans
d'expriences avec des mthodes d'estimation paramtriques, semi-paramtriques et non-
paramtriques dveloppes par Bagdonavicius et Nikulin ([Bagdonavicius and Nikulin,
1995a], [Bagdonavicius and Nikulin, 1997], etc.).
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
101
4.3 Plan d'essai acclr par rgression
4.3.1 Dfinition du plan dessai
Ce plan consiste dterminer les paramtres de la fonction r partir des rsultats dessais
effectus uniquement dans des conditions svrises et de dduire par rgression la fonction
de survie en conditions nominales (figure 4.17).
Ainsi, on ralise des essais dans les conditions svrises s
1
, s
2
,, s
n
et on dtermine les
paramtres du modle (4.32) permettant destimer la fiabilit R
s0
(n) sous les conditions
normales dutilisation des nombres de cycles la rupture.
Figure 4.17. Dfinition du plan dessai par rgression
4.3.2 Applications des modles SVA
Lorsquon utilise ce plan dexpriences, il est impossible destimer R
s0
si la fonction r est
compltement inconnue, mme si lon connat la famille de distributions laquelle elle
appartient. Donc la fonction r doit tre choisie dans une certaine classe de fonction, un choix
possible est celui donn par lquation (4.30) et que lon peut crire :
) s ( z
T
e ) s ( r
=
Par consquent et pour illustrer ce premier plan dessai, nous allons considrer deux types
destimation de la fiabilit dans le modle (4.32):
Paramtrique
Semi-paramtrique
A titre comparatif, nous considrons galement lapplication du modle semi-paramtrique
de Cox ou hasards proportionnels.
4.3.2.1 Application du modle SVA paramtrique
Lestimation paramtrique dun modle SVA consiste prendre une loi statistique
particulire pour estimer la fiabilit ([Bagdonavicius and Nikulin, 1995a], [Bagdonavicius and
Nikulin, 1997], [Bagdonavicius and Nikulin, 2001], [Caruso and Dasgupta, 1998],
[Bagdonavicius et al., 2000], [Vassilious and Mettas, 2001], [Hoang, 2003]). Dans le cas de la
log(n) log(n)
T
z
T
z
s
0
Conditions
nominales
Loi des log(N) sous s
0
s
0
Conditions
nominales
0
1
s
1
1
s
1 Loi des log(N) sous s
2
s
2
2
s
2
k
s
k
k
s
k
s
k
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
102
fatigue, la loi la plus approprie pour caractriser la fiabilit est la loi normale, lorsque lon
considre la distribution des log(N).
|
\
|

=
u
1 u R
0
s
) ( (4.47)
O u =log(n)
reprsente la fonction de rpartition de la loi normale standard
la moyenne des log(N)
lcart type des log(N)
Considrons un essai dans lequel on fixe la dure maximale dexprience log(l
i
) (exprim
en nombre de cycle pour la fatigue) du i
me
chantillon (de taille n
i
) sous stress svris s
i

pour lequel m
i
dfaillances sont observes (avec i=1, , k et z
(i)
= z
i0
, , z
im
).
Donc le modle (4.32) devient :
|
|
\
|

=
z u
1 u R
T
s
) ( (4.48)
Avec u =log(n), = (
0
, ,
m
),
0
= log()-
0
La vraisemblance de lchantillon est dfinie par :
i i
i
2
i T
ij
m n
i T
i
k
1 i
m
1 j
z u
2
1
z u
1 e
2
1
L
= =
|
|
\
|
|
|
\
|
|
|
\
|

|
|
|
|
|
\
|

=

) (
) (
) , (
(4.49)
Avec :
U
ij
=log(Nij) les logarithmes des nombres de cycles rupture de la j
ime
unit sous le stress s
i

U
i
=N
i
le logarithme du nombre de cycles de la censure sous le stress s
i

Par le maximum de vraisemblance, nous obtenons des estimateurs de et permettant
destimer la fonction de survie dans les conditions nominales :
( )
|
|
\
|
) (
0 T
s
z u
1 u R
0
(4.50)
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
103
avec z
(0)
reprsente le vecteur de stress dans les conditions nominales.
4.3.2.2 Application du modle SVA semi-paramtrique
La mthode semi-paramtrique (voir [Bagdonavicius and Nikulin, 1995b], [Bagdonavicius
and Nikulin, 2000], [Basu and Ebrahimi, 1982], [Devarajan and Ebrahimi, 1998]) consiste
ne faire aucune hypothse sur la loi statistique de fiabilit et supposer que la fonction r(.)
appartienne une classe de fonction exponentielle de la forme :
z
T
e z r
= ) ( . Pour cela, on
estime fonction de survie par lestimateur de Kaplan-Meier.
Considrons plusieurs niveaux de stress, la fonction de survie sous le stress s
i
est :
( ) u . e R ) u ( R
z
s
i
s
T
0
=
Notons K
i
() le nombre de dfaillances observes du i
me
chantillon de taille n
i
dans
lintervalle [0,], et S
i
() le nombre de survivants avant le nombre de cycles . N
i1
N
imi

reprsentent les nombres de cycles rupture du i
me
chantillon sous stress s
i
(avec m
i
=
K
i
(u
i
)).
Supposons que soit connu, les variables alatoires : ( )
ij
z
N e
i
T
log
(i=1,, k ; j = 1, ,
m
i
) peuvent tre considres comme des pseudo-ruptures observes dans un essai o
=
=
k
i
i
n n
1

pices avec la fonction de survie R
s0
ont t testes et n
i
-m
i
parmi elles ont t censures au
moments ) l log( e
i
z
i
T
. Soit le nombre total de dfaillances observes dans lintervalle [0, ]

:
=

=
k
1 i
z
i
i
T
e K K ) ( ) , ( (4.51)
et le nombre total de survivants avant linstant :
=

=
k
1 i
z
i
i
T
e S S ) ( ) , ( (4.52)
La fonction de fiabilit de base peut tre estime par lestimateur de Kaplan-Meier :
pour tous )) l log( e ( max x
i
z
i
i
T

t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
104

=

=

|
|
|
|
|
\
|

=
|
\
|

=
x
k
1 j
z
j
k
1 j
z
j
x
s
j
T
j
T
0
e S
e K
S
K
- x R
) (
) (
1
) , (
) , (
1 ) (
(4.53)
O ) , ( K ) , ( K ) , ( K = et ) ( ) ( ) , ( =
j j j
K K K

La fonction de vraisemblance de lchantillon est dfinie par :
i i
i
T
0
i
i
T
0
i
T
0
m n
i
z
s
k
1 i
m
1 j
ij
z
s ij
z
s
u e R n e R n e R L
= =

|
\
|
) (
)) log( (
)) log( (
) (
(4.54)
O ) w ( R
) w ( R
0 0
s
0
s
=

lim
(la fonction
0
s
R
admet une valeur limite gauche)

u
i
: valeur observe de log(N
i
)
u
ij
: valeur observe de log(N
ij
)
Par le maximum de vraisemblance, nous obtenons une estimation de
permettant
destimer la fonction de survie dans les conditions nominales (pour plus de dtails voir
[Bagdonavicius and Nikulin, 1995b], [Bagdonavicius and Nikulin, 1997]).
4.3.2.3 Application du modle semi-paramtrique hasards proportionnelles (modle de
Cox)
Le modle de Cox est un sous modle du modle SVA gnralis o la ressource utilise
est le taux de dfaillance. On suppose que le taux de dfaillance un certain niveau de stress
acclr est donn en fonction du taux de dfaillance de base ([Bagdonavicius and Nikulin,
1995b], [Bagdonavicius and Nikulin, 1997], [Hoang, 2003], [Shyur et al., 1999] ):
( )
z
0
T
e u z u
= ) ( ,
(4.55)
Avec u= valeur observe de log(N) et
0
(.) est le taux de dfaillances dans les conditions
normales (taux de dfaillance de base inconnu). est le vecteur des coefficients inconnus de
la rgression.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
105
Ainsi, la fiabilit dans les conditions normales est dfinie par :
( )

=
u
0
z
T
0
dx e z x
s
e u R
,
) ( (4.56)
Lestimation du vecteur peut se faire indpendamment de celle de
0
(.). supposons quon
a un chantillon alatoire de taille n, les n pices sont testes sous diffrents niveaux de stress.
Soit N
1
, N
2
, , N
k
les instants de dfaillance. On considre la vraisemblance partielle
suivante :
( )
( )
=
k
1 i
) u S j
z
z
i
) j ( T
) i ( T
e
e
L (4.57)
O S(u
i
)), reprsente le nombre dunits survivantes ou non censures au moment u
i

(valeur observe de log(N
i
)) et z
(i)
est le vecteur des covariables (stress) au niveaux i.
Cox traite Par le maximum de vraisemblance, nous obtenons un estimateur
.
Pour estimer le taux de dfaillance de base
0
(.), nous donnerons une estimation de la
fonction de survie dans les conditions svrises laide de lestimateur de Kaplan-Meier. En
effet, l'estimateur de Kaplan-Meier est l'estimateur le plus direct de la fonction de survie, il est
cohrent, de plus il maximise la vraisemblance.
Notons K
i
() le nombre de dfaillances observes du i
me
chantillon dans lintervalle
[0,], et S
i
() le nombre de survivants avant le nombre de cycles (en logarithme):
{ } { } = = =
i i i i
N i card S N i card K log( / et log( / k 1, i Pour
N
i1
, , N
imi
reprsentent les nombres de cycles rupture du i
me
chantillon sous stress s
i
.
(avec m
i
= K
i
(u
i
)).
La fonction de fiabilit peut tre estime par lestimateur de Kaplan-Meier :
\
|

=
x
i
i
s
s
K
1 x R
i ) (
) (
) (
(4.58)
O ) ( K ) ( K K
i i i
=
Connaissant ) (
i
s
R il est possible destimer les taux de dfaillance chaque niveau de
stress s
i
par :
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
106
{ }
i
i
i
in 1 i
s
s
i
u ,..., u
) ( R
d
) ( R
d
) (
pour
|
|
|
|
|
\
|
=
(4.59)
qui peut tre approxime par :
{ }
i
i
i i
in 1 i
s
s s
i
u ,..., u
) ( R
) ( R
) ( R
) (
pour

= (4.60)
O
) (
et ) (

i i
s s
R R
reprsentent 2 valeurs successives dcales de .
Finalement, nous pouvons obtenir une estimation du taux de dfaillance de base
0
() pour
chaque niveau de stress:
( )
( )
{ }
i
i T
in 1 i
z
i 0
u ,..., u e
) (
pour =

(4.61)
Une estimation de la fonction de survie sous les conditions nominales est donne par :
( )

=
x
ij
u
) 1 , 1 ( : ) j , i (
ij ij 0
0
u u
s
e ) x ( R

(4.62)
4.3.3 Exemples par simulation dun essai de fatigue
4.3.3.1 Exemple dapplication dun modle paramtrique
Pour illustrer le modle paramtrique, nous allons considrer lexemple dune svrisation
par la temprature T et la contrainte damplitude
a
. Les paramtres de simulation sont donns
dans le Tableau 4.3.

t
e
m
p
r
a
t
u
r
e

C

C
o
n
t
r
a
i
n
t
e

d
a
m
p
l
i
t
u
d
e

a

e
n

M
P
a

L
i
m
t
e

l
a

r
u
p
t
u
r
e

R
m

e
n

M
p
a

(
v
a
l
e
u
r

i
s
s
u
e

d
e

l
a

f
i
g
u
r
e

4
.
1
1
.
a
)

L
i
m
i
t
e

d
e
n
d
u
r
a
n
c
e

D

e
n

M
p
a

(
v
a
l
e
u
r

i
s
s
u
e

d
e

l
a

f
i
g
u
r
e

4
.
1
1
.
b
)

Moyenne
N tire de
lquation
(4.37)
) log(N =

Ecart-type
propos
par
Lalanne
[Lalanne,
1999]
conditions normales s
0 50 330 435 330 9,4 10
6
6,97 0,2
Essai 1
100 400 514 341 1,68 10
5
5,23 0,2
Essai 2
100 450 514 341 8,26 10
3
3,92 0,2
Essai 3
200 400 577 368 1,45 10
6
6,16 0,2
Essai 4
200 450 577 368 9,59 10
4
4,98 0,2
Tableau 4.3. Paramtres de simulation
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
107
A partir de ces paramtres, nous simulons des valeurs de log(Nij) dans le domaine de
fatigue limite, avec les distributions normales suivantes :
Essai 1 : log(N
1j
) selon N(5.23; 0.2)
Essai 2 : log(N
2j
) selon N(3.92; 0.2)
Essai 3 : log(N
3j
) selon N(6.16; 0.2)
Essai 4 : log(N
4j
) selon N(4.98; 0.2)
Les rsultats de simulation sont donns dans le tableau 4.4
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Essai 1 4,863 5,056 5,066 5,071 5,083 5,156 5,171 5,184 5,192 5,195 5,237 5,240 5,335 5,361 5,373 5,379 5,451 5,520 5,636 5,803
Essai 2 3,718 3,729 3,788 3,805 3,834 3,881 3,939 3,948 3,955 3,996 3,999 4,002 4,016 4,069 4,075 4,103 4,124 4,163 4,225 4,304
Essai 3 5,595 5,733 5,786 5,883 5,942 6,001 6,032 6,067 6,095 6,101 6,138 6,148 6,166 6,194 6,268 6,330 6,386 6,402 6,432 6,643
Essai 4 4,545 4,606 4,631 4,743 4,878 4,882 4,887 4,910 4,934 4,955 5,022 5,027 5,071 5,075 5,081 5,164 5,183 5,295 5,374 5,500
Tableau 4.4. Rsultats de simulation d'essais de fatigue
Des 4 sries dessais simuls, nous pouvons tracer les droites dHenry (figure 4.18).
lhypothse constant pour les diffrents niveaux de stress est accepte.
Figure 4.18. Droites dHenry des 4 sries dessai
Nous choisissons un modle dEyring pour caractriser le terme z
T
de lquation (4.48)
dpendant de deux stress la temprature T et la contrainte damplitude
a
:
T T
1
) T log( z
a
3 a 2 1 0
T
+ + + =
droites d'Henry
3
3,5
4
4,5
5
5,5
6
6,5
7
-3 -2 -1 0 1 2 3
u
l
o
g
(
N
)
essai 1
essai 2
essai 3
essai 4
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
108
En considrant une loi normale pour caractriser la fonction de fiabilit, nous obtenons par
le maximum de vraisemblance les rsultats suivants pour le vecteur et lcart type :
0

8.17
1

5513.53
2

0.02
3

-17.76

0.22
Do la moyenne estime en conditions nominales :
36 . 7
50 273
330
76 . 17 330 02 . 0
50 273
1
53 . 5513 ) 50 273 log( 17 . 8 z
) 0 (
T
) 0 (
=
+
+
+
+ + = =

Ainsi, nous pouvons estimer la fonction de survie dans les conditions nominales (figure
4.19) :
( )
22 . 0
36 . 7 u
1 ) u ( R
0
s
=

Figure 4.19. Fonction de fiabilit estime par le modle paramtrique
On constate que le modle dEyring nous donne des rsultats au del de la zone de fatigue
limite, la moyenne estime des nombres de cycles la rupture est gale 10
7.36
. Les rsultats
obtenus montre que lestimation paramtrique est mauvaise, cela rsulte de la mauvaise
hypothse sur le modle dacclration utilis.
0
0,2
0,4
0,6
0,8
1
5,7 6,7 7,7 8,7
u
R
s
0
(
u
)
Rs0(u) estime
Normale-Eyring
Rs0(u) estime
prtir du modle
thorique
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
109
4.3.3.2 Exemple dapplication dun modle semi-paramtrique.
Pour illustrer le modle semi-paramtrique, nous considrons seulement la contrainte
damplitude comme paramtres dacclration. Les paramtres de simulation sont les
suivants :

t
e
m
p
r
a
t
u
r
e

C

C
o
n
t
r
a
i
n
t
e

d
a
m
p
l
i
t
u
d
e

a

e
n

M
P
a

L
i
m
t
e

l
a

r
u
p
t
u
r
e

R
m

e
n

M
p
a

(
v
a
l
e
u
r

i
s
s
u
e

d
e

l
a

f
i
g
u
r
e

4
.
1
1
.
a
)

L
i
m
i
t
e

d
e
n
d
u
r
a
n
c
e

D

e
n

M
p
a

(
v
a
l
e
u
r

i
s
s
u
e

d
e

l
a

f
i
g
u
r
e

4
.
1
1
.
b
)

Moyenne
N
tire de
lquation
(4.37)
) log(N =

Ecart-type
propos
par Lalanne
[Lalanne,19
99]
Conditions
nominales
50 330 435 330 9,4110
6
6,97 0,2
Essai 1 50 335 435 330 5,10 10
6
6,71 0,2
Essai 2 50 340 435 330 2,79 10
6
6,45 0,2
A partir de ces paramtres, nous simulons des rsultats dessai de fatigue. Nous simulons
des valeurs de log(N
ij
) avec les distributions normales suivantes :
Essai 1 : log(N
1j
) selon N(6.71; 0.2)
Essai 2 : log(N
2j
) selon N(6.45; 0.2)
Les rsultats de simulation sont donns dans le tableau 4.6.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Essai1
6,809 6,239 6,799 6,612 6,429 6,774 6,650 6,426 6,879 7,094 6,327 7,010 6,711 7,047 6,960 7,016 6,461 6,891 7,119 6,936
Essai2
6,386 6,076 6,584 6,163 6,274 6,418 6,472 6,402 6,489 6,327 6,568 6,457 6,343 6,428 6,379 6,651 6,612 6,496 6,584 5,954
Tableau 4.6. Rsultats de simulation
Nous estimons la fonction de survie dans les conditions nominales par lestimateur de
Kaplan-Meier (eq (4.53)) et nous dduisons par le maximum de vraisemblance (eq (4.54)) le
vecteur
:
0
= -17,3
1 1
= 2,95
Finalement, nous obtenons une estimation de la fonction de survie dans les conditions
nominales (voir figure 4.20).
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
110
Figure 4.20. Estimation de la fonction de survie par le modle semi-paramtrique
En comparaison avec le modle paramtrique, nous constatons que lestimation semi-
paramtrique est meilleure. Elle donne de bons rsultats.
4.3.3.3 Exemple dapplication du modle de Cox
Nous considrons les mmes donnes de simulation que dans lexemple prcdent
(Tableau 4.6). Pour le modle de Cox , nous considrons galement un modle puissance
inverse pour caractriser le taux de dfaillance (eq (4.51)):
) log(
a
a 1 0
e ) ( r
+
=
Par le maximum de vraisemblance partielle (eq (4.57)) nous estimons le vecteur :
0
= 6,9
11
= -0,91
Par lestimateur de Kaplan-Meier nous estimons les fonctions de fiabilit sous les 2
niveaux de contraintes damplitude (eq (4.58)). Cela nous permet destimer les taux de
dfaillance sous les 2 niveaux de stress (eq (4.60)) et de calculer une estimation du taux de
dfaillance de base par lquation (4.61). Ensuite, nous estimons la fonction de fiabilit dans
les conditions nominales (eq (4.62) et voir figure 4.21).

0
0,2
0,4
0,6
0,8
1
6,5 7 7,5 8
log(N)
R
s
0
(
N
)
Rs0 Kaplan-
Meier
Rs0
thorique
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
111
Figure 4.21. Fonction de fiabilit estime par le modle de Cox
Nous trouvons une bonne adquation du modle semi-paramtrique (modle de Cox) par
rapport la distribution thorique (ayant servie gnrer les valeurs alatoires log(N
ij
). Par
contre la fonction de fiabilit est connue que partiellement et le modle utilis ne permet pas
dextrapoler. Il existe un modle gnralis ([Bagdonavicius and Nikulin, 1995b], [Hoang,
2003], [Shyur et al., 1999]...) permettant lextrapolation :
( )
z z
0
T T
e ) te ( z , t

=
0
0,2
0,4
0,6
0,8
1
1,2
6,3 6,4 6,5 6,6 6,7 6,8 6,9
u
R
s
0
(
u
)
Rso(u) thorique
Rso(u)cox
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
112
4.3.3.4 Analyse des rsultats du premier plan dessai
Nous constatons une bonne adquation des modles paramtriques, semi-paramtriques et
non paramtriques avec le modle thorique dans la phase de fatigue limite. Toutefois, ce
type de plan dessai par rgression ncessite une bonne connaissance de la fonction r(.) ce qui
nest pas toujours vident surtout dans les cas o de nombreuses variables sont utilises pour
svriser les essais. Par consquent, cela impose de raliser des essais avec diffrentes
combinaisons de niveaux de stress afin destimer les paramtres de r(.). De plus, les niveaux
de stress retenus pour raliser les essais sont relativement levs par rapport aux conditions
nominales et les diffrentes estimations sont entaches dincertitude. Cela provoque par
rgression une plus grande incertitude sur lestimation de la fonction de survie dans les
conditions nominales (voir figure 4.22).
Comme dans tous les modles de rgression, la prdiction de la variable dpendante pour
la valeur de s
0
peut tre mauvaise car cette valeur nappartient pas la rgion des stress
utiliss pendant les expriences.
z
log(t)
z
1
z
2
z
0
T
z
Rsultats pour lchantillon 1
T
z
Rsultats en considrant
les chantillons 2 et 3
Rsultats en considrant
les chantillons 1 et 4

Figure 4.22. Exemple de propagation dincertitude
Nous proposons dutiliser le deuxime plan dexpriences dans le cas o la fonction r est
compltement inconnue. Ilm sagit du plan dessai avec endommagement pralable. En
considre deux types destimations : paramtrique et non-paramtrique.

t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
113
4.4 Plan dessai acclr avec endommagement pralable
4.4.1 Dfinition du plan dessai
Dans les paragraphes prcdents, nous avons montr les difficults de mener un essai
acclr par rgression laide des modles classiques. Nous prsentons [Bagdonavicius et
al., 2000] une alternative en partant du principe que pour les systmes hautement fiables la
plupart des dfaillances se produiront aprs lapplication dun certain nombre de cycles n
2

importants. Nous procdons par un essai avec 2 groupes de composants. Le premier groupe
sera test sous un stress svris s
1
et le deuxime sous un stress chelonn : sous le stress s
1

jusqu un certain nombre de cycles N
1
< N
2
et ensuite sous le stress nominal s
0
. Les pices
soumises au stress s
1
emmagasineront beaucoup dendommagement jusquau nombre de
cycles N
1
permettant dobtenir des dfaillances dans lintervalle [N
1
, N
2
].

Figure 4.23. Dfinition du plan dessai avec endommagement pralable
a
R
m
D
N
N
0
1
N
1
N
2
a1
a0
a
1
a
0
N
1
N
2
***
*********
* dfaillance
n
2
n
1
n
1
n
2
a
R
m
D
N
N
0
1
N
1
N
2
a1
a0
a
1
a
0
N
1
N
2
***
*********
* dfaillance
n
2
n
1
n
1
n
2
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
114
Dans ce plan dessai, nous remarquons que le critre de Miner est bien impliqu (voir
figure 4.23). En plus, il nest pas ncessaire de paramtrer la fonction r(.).
Si le premier chantillon est test sous le stress
1
a 1
s = et le deuxime sous le stress :
< =
=
=
2 1 a 0
1 a 1
2
N n N si s
N n 0 si s
n s
0
1
) (
Alors le modle (4.21) implique que pour le premier chantillon:
) . ( ) ( n r R n R
0 1
s s
= (4.63)
et pour le deuxime chantillon:
< +

=
2 1 1 1 s
1 s
s
N n N N n rN R
N n 0 n r R
n R
0
0
2 ) (
) . (
) ( (4.64)
La figure suivante illustre la mthode (
2 1 0
s s s
f et f , f tant respectivement les densits
sous les stress
2 1 0
s et s , s avec f
s1
= -R
s1
, f
s2
= -R
s2
et f
s0
= -R
s0
).
fs
1
fs
2
fs
0
N
2
N
1
r N
1

Figure 4.24. Dfinition du plan dessai par rgression
Le paragraphe suivant prsente lapplication de ce plan dessai propos par Bagdonavicius
et Nikulin [Bagdonavicius et al., 2000], dans les cas :
Paramtrique
Non paramtrique
Nous considrons la distribution des log(N) pour estimer la fiabilit dans les conditions
normales dutilisation.

t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
115
4.4.2 Application du modle SVA
Exprience
Nous procdons de la manire suivante :
Le premier chantillon de taille n
1
est test sous stress svris s
1
et on obtient les nombres
de cycles rupture aux instants : N
11
, , N
1n1
. Le deuxime chantillon, de taille n
2
, est test
sous le stress s
1
jusquau nombre de cycles N
1
et ensuite sous le stress s
0
jusqu N
2
. Ainsi,
nous obtenons un chantillon censur des nombres de cycles rupture N
21
, , N
2m2
(avec
m
2
n
2
) dont k
2
dfaillances sous le stress s
1
, m
2
-k
2
dfaillances sous le stress s
0
et n
2
-m
2

systmes survivants lissue de N
2
cycles.
Considrons les logarithmes dcimales des nombres de cycles rupture et supposons
quil suivent une loi normale, la fonction de fiabilit sous le stress usuel est donne par :
|
\
|

=
u
1 ) u ( R
0
s
(4.65)
O u=log(n) est une valeur observe de la variable alatoire log(N)
reprsente la fonction de rpartition de la loi normale standard.
la moyenne des log(N)
lcart type des log(N)
Donc le modle (4.21) peut tre s'crire :
|
\
|

= =
u r
1 u r R u R
0
s s
.
) . ( ) ( (4.66)
Ainsi, on obtient
|
\
|

=
u r
1 u R
1
s
.
) (
(4.67)
\
|
+
= +
|
\
|
+
=
=
) log( ) log(
)) log( ) log( (
.
) (
) (
1 1
1 1 s
1 1
s
s
N u N r
1 N u N r R
u u u r
1 ru R
u R
0
0
2
(4.68)
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
116
La vraisemblance est dfinie par :
2 2
2
2
2
1 l 2 1
1 2
2
j 2
2
i 1
m n
1 2 1
m
1 k l
N u N r
2
1
n
1 i
k
1 j
u r
2
1
u r
2
1
N N N r
1 e
2
1
e
2
1
e
2
1
r L
+ =
|
|
\
|
= =
|
|
\
|
|
|
\
|
|
|
\
|
|
\
|
+

=

) log( ) log( ) log( .
) , , (
) log( ) log( .
.
.
(4.69)
O ) log(
ij ij
n u =
Par le maximum de vraisemblance, nous dduisons des estimateurs de r , et
permettant destimer la fonction de survie dans les conditions nominales :
|
\
|
) (
u
1 u R
0
s
(4.70)
Avec u=log(n) et n>0
4.4.2.2 Application du modle SVA non paramtrique
Ce dernier cas consiste ne faire aucune hypothse de loi de fiabilit. Pour cela, on estime
la fonction de survie laide de lestimateur de Kaplan-Meier en considrant les instants de
dfaillances log(N).
Le modle (4.21) implique que
R
s1
(u) = R
s0
(r.u) et
+ =
=
) N log( u )) N log( u ) N log( . r ( R ) u ( R
) N log( u ) u . r ( R ) u ( R
1 1 1 s s
1 s s
0 2
0 2

O u reprsentant le nombre de cycles en chelle logarithmique et
) s ( r
) s ( r
r
0
1
= .
Les nombres de cycles r.N
2i
et r.N
1i
peuvent tre interprts comme des moments de
dfaillance obtenus dans un essai pendant lequel n
1
+n
2
systmes de fonction de fiabilit R
s0

ont t observs, r.N
2
correspondant linstant o ont lieu les n
2
-m
2
censures du second
chantillon (sous la loi R
s0
).
Notons :
K
1
(l) le nombre de dfaillances observes du premier chantillon dans lintervalle [0, l],
K
2
(l) le nombre de dfaillances observes du deuxime chantillon dans lintervalle [0, l],
S
1
(l) le nombre de survivants du premier chantillon avant le nombre de cycles l,
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
117
S
2
(l) le nombre de survivants du deuxime chantillon avant le nombre de cycles l (y
compris les n
2
-m
2
systmes censurs).
Soit K() le nombre total de dfaillances dans lintervalle [0,] ( reprsentant toujours le
nombre de cycles en chelle logarithmique) :
( )
> + +
|
\
|
\
|
+
|
\
|
=
) log( ) log( . ) log(
) log(
) (
1 N 1 N r 1 N K
r
K
1 N
r
K
r
K
K
2 1
2 1
(4.71)
Et S() le nombre total de survivants avant linstant :
( )
> + +
|
\
|

|
\
|
+
|
\
|
=
) log( ) log( . ) log(
) log(
) (
1 N 1 N r 1 N S
r
S
1 N
r
S
r
S
S
2 1
2 1
(4.72)
La fonction de survie peut tre estime par lestimateur de Kaplan-Meier :
\
|

=
x
s
S
K
1 x R
0 ) (
) (
) (
(4.73)
O ) ( K ) ( K ) ( K =
La fonction de vraisemblance est dfinie par :
( ) ( ) [ ] ( ) ( ) [ ]
( ) ( ) [ ]
( ) [ ]
2 2
0
2
2
0 0
2
0 0
1
0 0
m n
1 2 1 s
m
1 k l
1 i 2 1 s 1 i 2 1 s
k
1 i
i 2 s i 2 s
n
1 i
i 1 s i 1 s
N N N r R
N u N r R N u N r R
u r R u r R u r R u r R r L
+ =
= =
+
+ +
=

) log( ) log( ) log( .
) log( ) log( .
)] log( ) log( . [
) (
(4.74)
En approximant, la densit de probabilit inconnue f
s0
=-R
s0
par: ) (
) (
u R u R
0 0
s s
, nous
obtenons une estimation de r par le maximum de vraisemblance, permettant destimer la
fonction de survie dans les conditions normales.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
118
4.4.3 Exemples par simulation et Analyse
Pour illustrer ce plan dessai, nous allons considrer lexemple dune svrisation par la
temprature T et la contrainte damplitude
a
. Les paramtres de simulation sont donns dans
le tableau 4.7 permettant de gnrer des nombres de cycles rupture selon le modle 4.37
dans le domaine de fatigue limite.

t
e
m
p
r
a
t
u
r
e

C

C
o
n
t
r
a
i
n
t
e

d
a
m
p
l
i
t
u
d
e

a

e
n

M
p
a

L
i
m
t
e

l
a

r
u
p
t
u
r
e

R
m

e
n

M
p
a

(
v
a
l
e
u
r

i
s
s
u
e

d
e

l
a

f
i
g
u
r
e

4
.
1
1
.
a
)

L
i
m
i
t
e

d
e
n
d
u
r
a
n
c
e

D

e
n

M
p
a

(
v
a
l
e
u
r

i
s
s
u
e

d
e

l
a

f
i
g
u
r
e

4
.
1
1
.
b
)

Moyenne
N tire de
lquation
(4.37)
) log(N =

Ecart-type
propos par
Lalanne
[Lalanne,1999]
conditions
nominales
s
0
50 330 435 330 9,41 10
6
6,97 0,2
conditions
svrisesn
s
1

200 450 577 368 9,59 10
4
4,98 0,2
La simulation consiste reproduire le plan dessai tudi de la manire suivante :
chantillon 1 : 20 valeurs de log(N
1i
) tires selon la loi normale N(4,98 ; 0,2)
caractristique des conditions svrises,
chantillon 2 : 20 valeurs de log(N
2i
) tires selon la loi normale N(4,98 ; 0,2)
jusqu log(N
1
)=5 et selon la loi N(6,97 ; 0,2) pour les suivantes.
A lissue de la simulation, nous traitons les donnes en considrant les modles
paramtrique et non-paramtrique :
1. Pour le modle paramtrique, la fonction de fiabilit est caractrise par une loi
normale, les estimateurs , et r sont donns par le maximum de vraisemblance (eq
(4.69))
2. Pour le modle non-paramtrique, la fonction de survie dans les conditions nominales
est estime par lestimateur de Kaplan-Meier (eq (4.73)) et lestimation de r est obtenue
par le maximum de vraisemblance (eq (4.74)).
Cette simulation est rpte 50 fois permettant de calculer la moyenne et lcart-type sur
chacun des estimateurs (voir tableau 4.8).
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
119

Paramtres
Moyenne sur
50 simulations
Ecart-type sur
50 simulations
6,9687 0,015

0,2136 0,0061

Estimation paramtrique
r
1,4048 0,0142

Estimation non paramtrique r
1,3885 0,0584
Tableau 4.8. Rsultats des simulations
r =1.4048 reprsente une estimation du facteur dacclration permettant le passage des
conditions acclres aux conditions nominales. Nous pouvons dire quen moyenne la dure
de vie de la pice sous les conditions acclres reprsente 71% ( 71,18%= 100*(1/1.4048))
de celle en fonctionnement normale ce qui fait un gain temps denviron 29% en chelle
logarithmique. Mme conclusion pour r =1.3885 , nous obtenons un gain de temps de lordre
de 28% en chelle logarithmique.
A la fin de chaque simulation, nous traons la fonction de fiabilit estime (.)
0
s
R des
log(N) dans les conditions nominales dans les cas paramtrique (voir figure 4.25) et non
paramtrique (voir figure 4.26).
6 6.2 6.4 6.6 6.8 7 7.2 7.4 7.6 7.8 8
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Rs0(log(N)) thorique
Rs0(log(N))
log(N)

5.8 6 6.2 6.4 6.6 6.8 7 7.2 7.4 7.6 7.8
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Rs0(log(N)) thorique
Rs0(log(N))
log(N)

Figure 4.25. Exemple dapplication du
modle paramtrique
Figure 4.26. Exemple dapplication du modle
non-paramtrique
Nous constatons que les estimations par les 2 modles sont correctes. En effet, il y a une
bonne adquation des modles paramtriques et non-paramtriques avec le modle thorique.
Ce plan est trs sduisant car il ncessite une faible paramtrisation de la fonction r qui peut
tre source d'erreurs. Dans le cas de petits chantillons, il est assez difficile de comparer les
variances des deux estimateurs dun point de vue thorique. Pour avoir une ide sur cette
variance, nous avons gnr une vingtaine dchantillons de la loi normale et construit les
estimateurs paramtriques et non paramtrique correspondant. Les variabilits semblent tre
proches ( voir figures 4.25 et 4.26). On montre travers ces quelques exemples l'intrt
d'utiliser ce plan avec un endommagement pralable permettant d'obtenir de bons rsultats.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
120
4.5 Exemples exprimentaux d'application des Modles standards de Vie
Acclr la Mcanique
4.5.1 Introduction
Nous allons appliqu le modle dessai SVA sur un exemple concret en tudiant la tenue
la dformation dun trombone papier. Dans cet exemple (propos par Vassilious [Vassilious
and Mettas, 2001]), nous considrons un trombone (figure 4.27.a). Lobjectif est destimer la
fiabilit, en fonction du nombre de cycle rupture du trombone sous dformation angulaire,
en considrant le phnomne de fatigue oligocyclique (voir figure 4.27.b). Les conditions
nominales sont supposes tre une dformation angulaire de 45. Exceptionnellement pour cet
exemple, les essais en conditions normales sont tout fait ralisables ce qui nest pas toujours
le cas pour des essais de fatigue industriels en grandeurs relles. Nous les utilisons donc
comme une rfrence afin de comparer les diffrentes estimations selon les deux types de plan
d'essai acclr: le plan d'essai par rgression et le plan d'essai acclr avec endommagement
acclr pralable

/2
/2

Figure 4.27.a. Trombone Figure 4.27.b. Dformation du trombone
4.5.2 Plan dessai acclr par rgression
4.5.2.1 Exprimentation
Les conditions nominales sont supposes tre une dformation angulaire de 45.
Lestimation de la fiabilit se fera en ralisant un essai acclr sous 2 conditions svrises
correspondant aux dformations angulaires de 90 et 180 (voir figure 4.28).
180
45
90

Figure 4.28. Les 3 niveaux de dformation.
Les trombones sont tests sous 3 angles douverture de 45, 90 et 180. Les nombres de
cycles rupture sont enregistrs (voir Tableau 4.9). Avec une taille d'chantillon gale 50
pour chaque angle.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
121
N-45 log(N-45) N-90 log(N-90) N-180 log(N-180) F%
Rs0(log(N) z=
-1
(F%)
5 1,609 4 1,386 2 0,693 0,020 0,980 -2,062
5 1,609 4 1,386 2 0,693 0,039 0,961 -1,760
6 1,792 4 1,386 2 0,693 0,059 0,941 -1,565
6 1,792 4 1,386 2 0,693 0,078 0,922 -1,416
6 1,792 4 1,386 2 0,693 0,098 0,902 -1,293
7 1,946 5 1,609 4 1,386 0,118 0,882 -1,187
7 1,946 5 1,609 4 1,386 0,137 0,863 -1,093
8 2,079 5 1,609 4 1,386 0,157 0,843 -1,007
8 2,079 5 1,609 4 1,386 0,176 0,824 -0,929
8 2,079 5 1,609 4 1,386 0,196 0,804 -0,856
8 2,079 5 1,609 4 1,386 0,216 0,784 -0,787
8 2,079 6 1,792 4 1,386 0,235 0,765 -0,722
9 2,197 6 1,792 4 1,386 0,255 0,745 -0,659
9 2,197 6 1,792 4 1,386 0,275 0,725 -0,599
9 2,197 6 1,792 4 1,386 0,294 0,706 -0,541
9 2,197 6 1,792 4 1,386 0,314 0,686 -0,485
9 2,197 6 1,792 4 1,386 0,333 0,667 -0,431
9 2,197 6 1,792 4 1,386 0,353 0,647 -0,377
9 2,197 6 1,792 5 1,609 0,373 0,627 -0,325
10 2,303 6 1,792 5 1,609 0,392 0,608 -0,274
10 2,303 6 1,792 5 1,609 0,412 0,588 -0,223
10 2,303 6 1,792 5 1,609 0,431 0,569 -0,173
11 2,398 6 1,792 5 1,609 0,451 0,549 -0,123
11 2,398 7 1,946 5 1,609 0,471 0,529 -0,074
11 2,398 7 1,946 5 1,609 0,490 0,510 -0,025
11 2,398 7 1,946 5 1,609 0,510 0,490 0,025
12 2,485 7 1,946 5 1,609 0,529 0,471 0,074
12 2,485 7 1,946 5 1,609 0,549 0,451 0,123
12 2,485 7 1,946 5 1,609 0,569 0,431 0,173
13 2,565 7 1,946 6 1,792 0,588 0,412 0,223
13 2,565 7 1,946 6 1,792 0,608 0,392 0,274
13 2,565 8 2,079 6 1,792 0,627 0,373 0,325
14 2,639 8 2,079 6 1,792 0,647 0,353 0,377
14 2,639 8 2,079 6 1,792 0,667 0,333 0,431
14 2,639 8 2,079 6 1,792 0,686 0,314 0,485
14 2,639 8 2,079 6 1,792 0,706 0,294 0,541
15 2,708 8 2,079 6 1,792 0,725 0,275 0,599
15 2,708 8 2,079 6 1,792 0,745 0,255 0,659
15 2,708 8 2,079 6 1,792 0,765 0,235 0,722
15 2,708 8 2,079 6 1,792 0,784 0,216 0,787
15 2,708 9 2,197 6 1,792 0,804 0,196 0,856
16 2,773 9 2,197 6 1,792 0,824 0,176 0,929
16 2,773 9 2,197 6 1,792 0,843 0,157 1,007
17 2,833 10 2,303 7 1,946 0,863 0,137 1,093
18 2,890 11 2,398 7 1,946 0,882 0,118 1,187
18 2,890 11 2,398 7 1,946 0,902 0,098 1,293
18 2,890 12 2,485 7 1,946 0,922 0,078 1,416
18 2,890 13 2,565 8 2,079 0,941 0,059 1,565
21 3,045 13 2,565 8 2,079 0,961 0,039 1,760
23 3,135 13 2,565 8 2,079 0,980 0,020 2,062
Tableau 4.9. Rsultats Exprimentaux du premier plan d'essai
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
122
Les rsultats sont analyss en supposant une distribution normale des log(N). Ainsi, pour
les trois sries dessais sont traces les droites dhenry associes (voir figure 4.29).
Pour chaque chantillon les points sont aligns, nous acceptons donc lhypothse de la
normalit.
Les moyennes et cart types sont valus pour chaque srie dessai :
(45)
= 2.4
(90)
= 1.92
(180)
= 1.56
(45)
= 0.37
(90)
= 0.33
(180)
= 0.36

Figure 4.29. Les droites dHenry
Des droites dHenry parallles, lhypothse cart-type constant sous les diffrents
niveaux de stress est accpte.
Dans la suite, nous analysons les rsultats dessai acclrs par les modles SVA suivants :
Paramtrique
Semi-paramtrique
Le modle de puissance inverse est choisi pour caractriser la fonction r(.) dpendant de
langle :
) log(
1 0
e ) ( r

+
=
En considrant une distribution normale des log(N) pour caractriser la fonction de
fiabilit, les estimations du vecteur et de lcart type sont obtenues par le maximum de
vraisemblance :
0

1.835
1
-0.2654
0.343
La moyenne sous conditions nominales est estime par :
28 2 e
45 2654 0 835 1 0
.
) log( . . ) (
= =

Alors, la fonction de fiabilit estime sous conditions nominales est dfinie (voir figure
4.30).

t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
123

Figure 4.30. Fonction fiabilit par un modle SVA paramtrique
4.5.2.3 Application du modle SVA semi-paramtrique
Le modle puissance inverse est utilis pour estimer la fonction fiabilit :
) log( z
a
a 1 0
T
e e ) ( r

+
= =
Lestimateur de Kaplan-Meier est utilis pour estimer la fonction de fiabilit sous
conditions nominales (eq 4.53). Aprs, le vecteur est estim par le maximum de
vraisemblance (eq 4.54):
0
= -1.0015 et
11
= 0,272
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
0 5 10 15 20 25 30 35
u
R
s
0
(
u
)
Rs0(u) exprimentale
Rs0(u) rfrence
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
124
Finalement, la fonction de fiabilit estime sous conditions nominales est obtenue (voir
figure 4.31):

Figure 4.31. Fonction de fiabilit par un modle SVA semi-paramtrique
4.5.2.4 Analyse des rsultats
Dans cette exemple, les essais raliss en conditions normales ont permis de faire la
comparaison entre les diffrents modles de manire prcise. Nous constatons une bonne
adquation des modles paramtriques et non paramtriques avec le modle thorique. Ces
rsultats confirment notre analyse faite partir les exemples par simulations.
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
0 0,5 1 1,5 2 2,5 3 3,5
log N
R
s
0
(
l
o
g

N
)
Rs0 kaplan-Meier
Rs0 Experimental
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
125
4.5.3 Plan dessai acclr avec endommagement pralable
4.5.3.1 Exprimentation
Nus considrons toujours un trombone (voir figure 4.29). Lobjectif est destimer la
fiabilit, en fonction du nombre de cycle rupture (phnomne de fatigue oligocyclique, voir
figure 4.9), du trombone sous dformation angulaire. Les conditions nominales sont
supposes tre une dformation angulaire de 45. Lestimation de la fiabilit cette fois-ci se
fera en ralisant un essai acclr sur 2 chantillons de taille 50. Le premier chantillon sera
soumis une dformation de 90 et le deuxime 90 pendant 6 cycles et ensuite une
dformation de 45 jusqu rupture (voir figure 4.32). Un troisime chantillon est test
uniquement sous une dformation de 45 servant de rfrence.
45
90

Figure 4.32. Les 2 niveaux de dformation
Les nombres de cycles rupture sont enregistrs sans censure (voir tableau 4.10) pour les 3
chantillons : N-45, N-90 et N 90+45.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
126
Tableau 4.10. Rsultats exprimentaux
N-45 log(N-45) Rs0(log(N-45))
par Kaplan-Meier
N-90 log(N-90) N 90+45 log(N 90+45)
5 1,609 0,9861 4 1,386 4 1,386 2 ruptures au
5
me
cycle {
5 1,609 0,9663 4 1,386 4 1,386
6 1,792 0,9464 4 1,386 4 1,386
6 1,792 0,9266 4 1,386 4 1,386
3 ruptures au
6
me
cycle {
6 1,792 0,9067 4 1,386 4 1,386
. 7 1,946 0,8869 5 1,609 4 1,386
. 7 1,946 0,8671 5 1,609 5 1,609
. 8 2,079 0,8472 5 1,609 5 1,609

Etc
8 2,079 0,8274 5 1,609 5 1,609
8 2,079 0,8075 5 1,609 5 1,609
8 2,079 0,7877 5 1,609 5 1,609
8 2,079 0,7679 6 1,792 5 1,609
9 2,197 0,7480 6 1,792 6 1,792
9 2,197 0,7282 6 1,792 6 1,792
9 2,197 0,7083 6 1,792 6 1,792
9 2,197 0,6885 6 1,792 6 1,792
9 2,197 0,6687 6 1,792 7 1,946
9 2,197 0,6488 6 1,792 8 2,079
9 2,197 0,6290 6 1,792 8 2,079
10 2,303 0,6091 6 1,792 8 2,079
10 2,303 0,5893 6 1,792 8 2,079
10 2,303 0,5694 6 1,792 9 2,197
11 2,398 0,5496 6 1,792 9 2,197
11 2,398 0,5298 7 1,946 9 2,197
11 2,398 0,5099 7 1,946 9 2,197
11 2,398 0,4901 7 1,946 10 2,303
12 2,485 0,4702 7 1,946 10 2,303
12 2,485 0,4504 7 1,946 10 2,303
12 2,485 0,4306 7 1,946 10 2,303
13 2,565 0,4107 7 1,946 11 2,398
13 2,565 0,3909 7 1,946 11 2,398
13 2,565 0,3710 8 2,079 11 2,398
14 2,639 0,3512 8 2,079 11 2,398
14 2,639 0,3313 8 2,079 12 2,485
14 2,639 0,3115 8 2,079 12 2,485
14 2,639 0,2917 8 2,079 12 2,485
15 2,708 0,2718 8 2,079 12 2,485
15 2,708 0,2520 8 2,079 12 2,485
15 2,708 0,2321 8 2,079 13 2,565
15 2,708 0,2123 8 2,079 13 2,565
15 2,708 0,1925 9 2,197 13 2,565
16 2,773 0,1726 9 2,197 14 2,639
16 2,773 0,1528 9 2,197 14 2,639
17 2,833 0,1329 10 2,303 14 2,639
18 2,890 0,1131 11 2,398 15 2,708
18 2,890 0,0933 11 2,398 15 2,708
18 2,890 0,0734 12 2,485 15 2,708
18 2,890 0,0536 13 2,565 15 2,708
21 3,045 0,0337 13 2,565 16 2,773
23 3,135 0,0139 13 2,565 18 2,890

t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
127
Les valeurs en gras dans la colonne N 90+45 reprsentent les rsultats obtenus sous
les stress 90 et les suivantes sous conditions nominales (45) sans censure.
Les moyennes et cart types sont valus pour les 2 premiers tests :
(45)
= 2.4
(90)
= 1.92
(45)
= 0.37
(90)
= 0.33
Les rsultats sont analyss en supposant une distribution normale des log(N). Dans le
paragraphe prcdent, nous avons trac les droites dHenry pour les deux sries dessais 90
et 45, Nous avons constat un paralllisme des droites permettant de vrifier lhypothse
cart type constant (voir figure 4.31).
Dans la suite, nous analysons les rsultats dessai acclrs par les modles SVA suivants :
Paramtrique
Non paramtrique
En considrant une loi normale pour caractriser la fonction de fiabilit, nous obtenons par
le maximum de vraisemblance (eq (4.69)) les rsultats suivants partir des rsultats sur les
chantillons 90 et 90+45 :
2,36
0,385
r 1,18
r = 1.18, nous pouvons dire quen moyenne la dure de vie de la pice sous les conditions
acclres reprsente 85% ( 84,7%= 100*(1/1.18)) de celle en fonctionnement normale ce qui
permet un gain de temps denviron 15% en chelle logarithmique.
De ces rsultats, il est possible destimer la fonction de survie dans les conditions
nominales (figure 4.33).
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
128

Figure 4.33. Fonction fiabilit estime par un modle SVA paramtrique
4.5.3.3 Application du modle SVA non paramtrique
Si on applique le modle non-paramtrique aux rsultats de simulation exprimentaux du
tableau 4.10, il est possible destimer la fonction de survie dans les conditions nominales
laide de lestimateur de Kaplan-Meier. Nous obtenons une estimation de r par le maximum
de vraisemblance. :
r = 1,1944
Nous pouvons dire quen moyenne la dure de vie de la pice dans les conditions
acclres reprsente approximativement 84% (83.72%=100*(1/1.1944)) de la dure de vie
sous un fonctionnement normale ce qui donne une un gain de temps denviron 16% en chelle
logarithmique.
La fonction de survie estime par lestimateur Kaplan-Meier est donne par la figure
suivante :
0,000
0,100
0,200
0,300
0,400
0,500
0,600
0,700
0,800
0,900
1,000
1,500 1,700 1,900 2,100 2,300 2,500 2,700 2,900 3,100 3,300
log(N)
R
s
0
(
l
o
g
(
N
)
)
R
s0
exprimentale t ire de la colonne R
s0
(log(N-45))
R
s0
modle exprimental selon la loi N(2.4, 0.37) (45)
R
s0
modle selon la loi N(2.36, 0.385) (45+90)
0,000
0,100
0,200
0,300
0,400
0,500
0,600
0,700
0,800
0,900
1,000
1,500 1,700 1,900 2,100 2,300 2,500 2,700 2,900 3,100 3,300
log(N)
R
s
0
(
l
o
g
(
N
)
)
R
s0
exprimentale t ire de la colonne R
s0
(log(N-45))
R
s0
modle exprimental selon la loi N(2.4, 0.37) (45)
R
s0
modle selon la loi N(2.36, 0.385) (45+90)
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
129
Figure 4.34. Fonction de fiabilit estime par un modle SVA non paramtrique
4.5.3.4 Analyse des rsultats
Nous constatons une bonne adquation des modles paramtriques et non paramtriques
avec les rsultats de rfrence (essai 45) (le modle thorique). Ceci confirme nos
conclusions faites partir des exemples par simulation.
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
1 1,5 2 2,5 3 3,5
log N
R
s
0
(
l
o
g

(
N
)
)
R
s0
Kaplan-Meier avec r=1.1944 45
R
s0
modle exprimental selon la loi N(2.4, 0.37) 45+90
R
s0
exprimentale tire de la colonne R
s0
(log(N-45))
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
1 1,5 2 2,5 3 3,5
log N
R
s
0
(
l
o
g

(
N
)
)
R
s0
Kaplan-Meier avec r=1.1944 45
R
s0
modle exprimental selon la loi N(2.4, 0.37) 45+90
R
s0
exprimentale tire de la colonne R
s0
(log(N-45))
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
130
4.6 Conclusions
Lors de l'application des essais acclrs pour des composants mcaniques, nous sommes
confronts plusieurs problmes . On doit faire un choix des paramtres de svrisation ce
qui implique le choix du modle dacclration (par exemple si on considre la temprature
comme facteur dacclration du mcanisme de dfaillance cela ncessite lutilisation des lois
dArrhenius, Cofin-Manson, ). Dans le cas de la mcanique cela est plus complexe, du fait
des mcanismes dendommagement gnrs. En effet, les paramtres de svrisation
classiques pour acclrer les mcanismes dendommagement en mcanique peuvent gnrer
diffrents modes dendommagement (fatigue pour le cycle de contrainte, du fluage pour la
temprature, de la corrosion pour le brouillard salin, ), de cintique variable et combinable.
Ainsi, le choix des paramtres de svrisation et des niveaux doit tre fait avec soin pour
matriser le mode de dfaillance et conserver les modes de ruines comparables ceux existant
dans les conditions nominales ainsi que la distribution des dures de vie .
Nous avons prsent une tude complte dapplication du modle standard de vie acclre
la mcanique en considrant les estimations paramtrique, semi-paramtrique et non-
paramtrique. Pour lanalyse, nous avons considr le mode dendommagement par fatigue
nous permettant dtablir un modle de simulation.
Ainsi, nous avons pu simuler 2 types de plan dessai :
Le premier consiste dterminer les paramtres du modle SVA partir de rsultats
dessais effectus uniquement dans des conditions svrises et destimer par rgression la
fonction de survie en conditions nominales.
Le deuxime plan, avec endommagement acclr pralable, permet de destimer la
fonction de survie dans les conditions nominales en procdant par un essai o au dpart
les composants sont tests dans des conditions svriss afin de provoquer une
dgradation rapide et de finir lessai dans les conditions nominales.
Les diffrents exemples (par simulation et exprimentaux) ont montr ladquation du
modle SVA la mcanique.
Toutefois, le premier plan dessai par rgression ncessite une bonne connaissance de la
fonction r(s) ce qui nest pas toujours vident surtout dans les cas o de nombreuses variables
sont utilises pour svriser les essais.
Aussi, le deuxime plan offre une relle alternative en proposant une mthodologie o il
nest pas ncessaire de paramtriser la fonction r(.) qui est la relle difficult dans une
campagne dessais acclrs.
Nanmoins, dans cette tude nous avons considr que lcart-type de la loi de fiabilit est
constant quel que soit le niveau de stress. Or, en mcanique ce nest pas toujours le cas.
L'tude peut se poursuivre donc en intgrant ce dernier paramtre.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
CHAPITRE 5. Conclusions gnrale et perspectives
131
CHAPITRE 5
Conclusions gnrales et
perspectives
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
CHAPITRE 5. Conclusion gnrale et perspectives

132
5 CONCLUSION GENERALE ET PERSPECTIVES
5.1 Conclusion gnrale
Lvaluation et loptimisation de la fiabilit des structures mcaniques sont indispensables
pour concevoir des systmes de plus en plus performants. Il ny pas de mthode unique ou
normalise pour calculer la fiabilit des systmes mcaniques, comme cest le cas pour des
systmes lectroniques. Le choix de la mthode appliquer se fait en fonction des objectifs
fixs et des outils disponibles.
Dans ce documents, nous avons tudi les principales caractristiques des systmes
mcaniques qui ont un effet direct sur lvaluation de la fiabilit ceci a fait lobjet du premier
chapitre. Aprs une tude bibliographique approfondie, nous avons constat que le calcul de
la fiabilit mcanique dpend de cinq facteurs essentiels :
1. La notion du taux de dfaillance constant nexiste pas : Les composants mcaniques sont
soumis ds le dbut de leur vie au phnomne dusure ou de vieillissement et mme au
rodage. Le taux de dfaillance est une fonction non linaire du temps dans chaque phase
de la vie du dispositif.
2. Le recueil de linformation de fiabilit est plus difficile : La fiabilit des systmes
mcaniques peut tre dtermine partir des modles de taux de dfaillance dvelopps
dans des bases de donnes. Cest lapproche la plus simple et la plus directe. Nanmoins,
les sources de donnes sur les taux de dfaillance de composants mcaniques ne sont pas
trs nombreuses et aucune delles ne fournit des donnes parfaites pour une valuation
plus prcise de la fiabilit. Les informations recueillies ne permettent quune exploitation
partielle des donnes. Cependant, elles restent toujours utiles pour de nouvelles
conceptions.
3. Les dfaillances ont des origines particulires : Les composants mcaniques sont
caractriss par de multiples mcanismes de dgradation souvent complexes, dorigines
varies (Fissuration, Fluage, Usure, Fissuration par Fatigue, etc.). Ces modes de
dgradation font intervenir plusieurs paramtres et tre en interaction. Les problmes
majeurs de la fiabilit en mcanique proviennent essentiellement des contraintes trop
leves et des phnomnes de fatigue. Par consquent lanalyse de la fiabilit des
structures et des systmes mcaniques devient de plus en plus une procdure complexe.
4. Le systme mcanique est de plus en plus complexe et performant.
5. Le choix de la mthode appliquer pour une valuation prcise de la fiabilit se fait en
fonction des objectifs fixs et des outils disponibles. En effet, deux philosophies sont
possibles dans lvaluation de la fiabilit des systmes industriels : la dmarche
dterministe traditionnelle, o chaque paramtre est caractris par une valeur unique, et
les mthodes probabilistes, o chaque paramtre est caractris par une distribution de
probabilit. La dmarche dterministe, base sur le calcul dun coefficient de scurit
(rapport entre la rsistance moyenne et la contrainte moyenne), est remise en question
depuis la fin de la deuxime guerre mondiale par lmergence des mthodes probabiliste
des structures.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

133
Dans le troisime chapitre nous avons prsent la mthode destimation de la fiabilit par
les Essais. C'est une mthode applicable aux composants et aux systmes, on n'a pas
obligatoirement besoin de modle mcanique du comportement. Elle est base sur
lvaluation dune probabilit de dfaillance instantane, on fixe la contrainte et le temps est
une variable alatoire, ce qui permet un suivi permanent de lvolution de la fiabilit des
systmes mcaniques.
La prise en compte de lvolution de la fiabilit dans le temps permet doptimiser les
stratgies de maintenance et damliorer les performances des systmes. Lefficacit de la
construction de la fiabilit dun produit travers les essais ncessite une collaboration entre
lingnierie de lenvironnement (conditions demploi, modles de dgradation
mcaniques,) et lingnierie de fiabilit (caractristiques de sret de fonctionnement). Il
existe diffrentes catgories dessais qui interviennent dans les tudes conceptuelles, les
programmes de dveloppement et les processus de fabrication. travers un exemple
numrique nous avons montr que les essais acclrs sont les plus courts et conomiquement
avantageux. Ils permettent un gain de temps consquent et une rduction des cots
importante. Malheureusement, la production scientifique franaise dans le domaine des essais
acclrs est trs pauvre compare la production anglo-saxonne.
Le quatrime chapitre nous lavons consacr ltude des mthodes dessais acclrs
connues sous lacronyme Accelerated life testing. Cest un nouveau champ dinvestigation
qui sest dvelopp afin de rduire les cots engendrs par la procdure du renouvellement
ainsi que lusure des quipements mcaniques. Malgr le besoin technologique, ces mthodes
sont largement utilises en lectronique mais trs peu en mcanique.
Dans ce chapitre, nous avons montr que pour des systmes mcaniques, la planification
des essais acclrs utilisant un phnomne physique de dgradation est conditionne par un
certain nombre de facteurs importants. Par consquent, de nombreux problmes statistiques se
posent lors de la modlisation des phnomnes physiques de dgradation, de l'utilisation
d'information provenant des domaines de l'ingnierie ou de la physique, de la planification de
tests acclrs et de la quantification de l'incertitude.
Comme illustration, nous avons propos de btir une loi dacclration partir dun
modle dendommagement mcanique qui caractrise totalement la vitesse de dgradation en
fonction des paramtres de svrisation : cycle de contrainte, temprature, etc. Nous avons
trait le cas des systmes soumis la fatigue pour lequel nous construisons une quation
dacclration base sur le modle de Basquin. La distribution paramtrique des dures de vie
est suppose log-normale.
Par la suite, nous avons appliqu les modle SVA dans les domaines de fatigue
olygocyclique et limite, selon deux plans d'expriences, un plan dexprience par rgression
et un autre avec endommagement pralable . Nous avons donn la signification mcanique de
la fonction de transfert, et par consquent le facteur dacclration, caractrisant ces modles :
i. Domaine de fatigue Limite
Simulation des rsultats dessais de fatigue partir dun modle construit sur la base du
modle de Basquin en intgrant les diffrentes caractristiques matriaux: R
m
,
D
, et
a
.
Ralisation dessais acclrs en temprature (T) et contrainte damplitude (
a
).
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

134
Application des modles SVA paramtrique, semi-paramtrique et non-paramtrique
selon les deux plans dexpriences.
ii. Domaine de fatigue oligocyclique
Ralisation dessais de fatigue sur trombones y compris en conditions normales.
Paramtre dacclration: dformation angulaire.
Estimation paramtrique et non-paramtrique de la fiabilit selon les deux plans
dexpriences.
Pour les deux exemples, le plan dessai par rgression nous a permis davoir des
estimations paramtrique et semi-paramtrique de la fiabilit mcanique en conditions
acclres en un temps rduit. Nanmois, il ncessite une bonne paramtrisation de la loi
dacclration, ce qui nest pas toujours vident surtout dans les cas o de nombreuses
variables sont utilises pour svriser les essais. Par consquent, cela impose de raliser des
essais avec diffrentes combinaisons de niveaux de stress, quil faut bien choisir, afin
destimer les paramtres de la fonction r. En effet, choisir correctement les niveaux de stress
de svrisation reprsente une difficult pratique pour le plan par rgression. En plus,
lapplication des stress trs levs par rapport aux conditions nominales provoque une plus
grande incertitude sur les rsultats et risque de modifier le mode de dfaillance.
Quant au deuxime plan avec un endommagement pralable, nous le trouvons trs
intressant. Il offre une relle alternative en proposant une faible paramtrisation de la
fonction r qui peut tre source derreur. Linconvnient majeur de ce plan, cest quil
demande un temps dessai un peu long du fait quon est oblig de revenir en condition
normale aprs un certain temps.
Les diffrents exemples, numriques et exprimentaux, ont montr ladquation du modle
SVA la mcanique. Nanmoins, dans cette tude nous avons considr que lcart-type de la
loi de fiabilit est constant quel que soit le niveau de stress. Or, en mcanique ce nest pas
toujours le cas. L'tude peut se poursuivre donc en intgrant ce dernier paramtre (thse de
Pascal LANTIENI).
Cette tude a permis destimer la fonction de survie dans les conditions normales
dutilisation et pour la premire fois de constater lapplicabilit des modles SVA aux
systmes soumis des dgradations mcaniques en menant des analyses thoriques, par
simulation et exprimentale. Cest la premire application avec des donnes relles des plans
dexpriences. Cette tude a un grand intrt industriel et conomique. Elles a fait lobjet de
plusieurs articles dans des revues nationale et internationales, ainsi que des communications
dans des congrs nationaux et confrences internationales (voir la liste de mes publications
en bibliographie)
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

135
5.2 Perspectives
En terme de perspective, nous envisageons plusieurs voies de dveloppement :
o Etendre le travail dautres types de dgradation .
o Etudier la dfinition de la loi dacclration par lments finis et les essais acclrs
consistant estimer les paramtres inconnus du modle numrique.
o Considrer le cas o lcart-type de la distribution caractrisant la fonction de fiabilit
volue en fonction des niveaux de stress.
o Introduire lapproche baysienne dans les essais acclrs pour amliorer la prcision
des estimations des paramtres de modle SVA.
o Utilisation des modles de dgradation acclre .
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
BIBLIOGRAPHIE

136

Bibliographie
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
BIBLIOGRAPHIE

137
BIBLIOGRAPHIE
[Afnor, 1981] Association franaise pour le contrle industriel de la qualit (AFCIQ), Groupe
fiabilit (1981). Guide d'valuation de la fiabilit mcanique. Ed Afnor-Ute.
[Afnor, 1988] Afnor (1988). Recueil de normes franaises : Fiabilit, Maintenabilit et
Disponibilit. Ed Afnor-Ute.
[ASTE, 1993] ASTE (1993). Le rle des essais dans la matrise de la fiabilit. Ed ASTE.
[Aug, 1998] Aug, J.-C. (1998). Utilisation dun modle de hasard proportionnel pour
estimer la fiabilit de composants mcaniques, modlisation de linfluence de
lenvironnement sur la fiabilit de vrins hydrauliques et pneumatiques, application aux
Essais Acclrs. Thse, Ecole Centrale de Lyon.
[Ayyub and Mccuen, 1997] Ayyub, B. and Mccuen, R. (1997). Probability, Statistics &
Reliability for engineers. CRC Press New York.
[Bagdonavicius et al., 2000] Bagdonavicius, V., Gerville-Reache, L., Nikoulina, V., and
Nikoulin, M. (2000). Expriences acclres : analyse statistique du modle standard de vie
acclre. Revue de Statistique Applique, vol XLVIII:538.
[Bagdonavicius and Nikulin, 1995a] Bagdonavicius, V. and Nikulin, M. (1995a). On
accelerated testing of systems. European Journal of Diagnosis and Safety in Automation, vol.
5 n3:307316.
[Bagdonavicius and Nikulin, 1995b] Bagdonavicius, V. and Nikulin, M. (1995b). Semi-
parametrics Models in Accelerated Life Testing. Queens University.
[Bagdonavicius and Nikulin, 1997] Bagdonavicius, V. and Nikulin, M. (1997). Transfer
functional and semi-parametric regression. Biometrika, vol. 84 n2:365378.
[Bagdonavicius and Nikulin, 2001] Bagdonavicius, V. and Nikulin, M. (2001). Mathematical
models in the theory of accelerated experiments. World Scientific Publishing Co.
[Bagdonavicius and Nikulin, 2002] Bagdonavicius, V. and Nikulin, M. (2002). Accelerated
life models. Chapman and Hall/CRC.
[Bai et al., 1989] Bai, D., Kim, M., and Lee, S. (1989). Optimum simple step-stress
accelerated life tests with censoring. IEEE transaction on reliability, vol 38 n2.
[Barlier et al., 1997] Barlier, C., Bourgeois, R. and Virot, F (1997). Construction mcanique
industrielle. Ed Foucher.
[Barlow and Proshan, 1975] Barlow, R.E. and Proshan, F. (1975). Statistical theory of
reliability and life testing probability models. Holt Rinehart and Winston.
[Barton, 1994] Barton, R. (1994). Optimum constant-stress accelerated life-test plans. IEEE
transaction on reliability, vol 43 n4.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
BIBLIOGRAPHIE

138
[Basu and Ebrahimi, 1982] Basu, A. and Ebrahimi, N. (1982). Nonparametric accelerated life
testing. IEEE Trans. On Reliab., Vol 31 n 5:432435.
[Bathias and Balon, 1997] Bathias, C. and Balon, J-P. (1997). La fatigue des matriaux et
des structures. Ed Hermes.
[Berger, 1988]Berger, J.O.C. (1988). Statistical decision theory and bayesian analysis. Ed
Springer.
[Bertshe and Lechner, 1999] Bertshe, B. And Lechner, G. (1999). Zuverlssigkeit im
Maschinenbau. Ed Springer.
[Birolini, 1997] Birolini, A. (1997). Quality and reliability of technical systems. Ed Springer.
[Bompas-Smith, 1973] Bompas-Smith, J. (1973). Mechanical Survival : the use of reliability
data. Mc Graw Hill book.
[Bon, 1995] Bon, J.-L.(1995). Fiabilit des systmes: mthodes mathmatiques. Ed Masson.
[Bonnaud, 2000] Bonnaud. P (2000). Essais acclrs sur lusure des charbons de moteurs
lectriques. Actes de la journe dtude Socit des ingnieurs automobile (SIA) du
07/04/2004. Fiabilit exprimentale : essais acclrs et autres techniques pour dmontrer un
niveau de fiabilit au moindre cot. Paris.
[Brand and al, 1992] Brand, A. , Flavenot, J-F., Gregoire, R. , and Tournier, C.
(1992). Donnes technologiques sur la fatigue. dition CETIM.
[BT-HRD, 1995] Handbook for Reliability Data. BritishTelecommunications.
[CABAU, 1999] CABAU, E. (1999). Introduction la conception de la sret. Cahier
technique Schneider Electric, n 144.
[Caruso and Dasgupta, 1998] Caruso, H. and Dasgupta, A. (1998). A fundamental overview
of accelerated testing analytical models. In IEEE Proceedings Annual Reliability and
Maintainability Symposium, Tutorial notes, USA.
[Castillo et al., 1999] Castillo, E., Sarabia, J.-M., Solares, C., and Gomez, P. (1999).
Uncertainty analyses in fault tree and bayesian networks using form/sorm methods. Reliability
Engineering & System Safety, vol 65:2940.
[Catuneau and Mihalache, 1989] Catuneau, V.-M. and Mihalache, A.-N. (1989). Reliability
Fundamentals. Elsevier.
[CETIM, 1989] CETIM (1989). La fiabilit en mcanique au service de la qualit. Recueil de
confrences. Ed CETIM
[Clarotti, 1998] Clarotti, C. (1998). Les techniques frquentielle et baysienne au service le
lingnieur de sret de fonctionnement. Technical report, ISDF.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
BIBLIOGRAPHIE

139
[Cocozza-Thivent, 1997] Cocozza-Thivent, C. (1997). Processus stochastiques et fiabilit des
systmes. Editeur Springer.
[Congdon, 2001] Congdon, P. (2001). Bayesian statistical modelling. Ed Wiley.
[Conover, 1999] Conover, W.-J (1999). Pratical nonparametric statistics. Ed Wiley.
[Cooke, 1991] Cooke, R. (1991). Experts in uncertainty : Expert opinion and subjective
probability in science. Oxford University Press.
[Cox and Oakes, 1984] Cox, D.-R. and Oakes, D. (1984). Analysis of survival data. Chapman
and Hall.
[Crowe and Feinberg, 2001] Crowe, D. and Feinberg, A. (2001). Design for reliability. Ed
CRC Press.
[Daniel, 1999] Daniel, I.M. (1999). Experimentation and modelling of composite materials,
Journal of Experimental Mechanics, vol 39, No 1.
[Debray, 2000] Debray,J.(2000). Analyse de fiabilit et essais acclrs pour la validation de
pinces saisie pour vhicules cbles. Actes de la journe dtude Socit des ingnieurs
automobile (SIA) du 07/04/2000. Fiabilit exprimentale : essais acclrs et autres
techniques pour dmontrer un niveau de fiabilit au moindre cot. Paris.
[Devarajan and Ebrahimi, 1998] Devarajan, K. and Ebrahimi, N. (1998). Nonparametric
approach to accelerated life testing under multiple stress. Naval Research Logistics, Vol
45:629644.
[Directive 1999/44/CE] Directive du Parlement europen et du Conseil, du 25 mai 1999, sur
certains aspects de la vente et des garanties des biens de consommation. Journal officiel n L
171 du 07/07/1999. p. 0012 0016.
[Dodson and Nolan, 1999] Dodson, B. and Nolan, D. (1999). Reliability engineering
handbook. Publishing-Marcel Dekker Inc.
[Doyle, 1992] Doyle, R. (1991). Mechanical reliability. In IEEE Proceedings Annual
Reliability and Maintainability Symposium, Tutorial notes, USA.
[Droesbeke et al, 1989] Droesbeke, J.-J., Fichet, B.and Tassi, P. (1989). Analyse statistique
des dures de vie, association pour la statistique et ses utilisations. Economica.
[EIREDA, 1998] The European Industry Reliability Data bank. Ed Europstat.
[Ford et al., 1961] Ford, D., Graff, D., and Payne, A. O. (1961). Some statistical aspects of
fatigue life variation. In Proc 2nd ICAF Symposium : Fatigue aircraft structure, Paris, France.
[Guerin and Dumon, 1998] Guerin, F. and Dumon, B. (1998). Rduction du nombre dessais
par la mthode des escaliers couple au baysien. In 11, Arcachon, France
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
BIBLIOGRAPHIE

140
[Guerin and Dumon, 1999] Guerin, F. and Dumon, B. (1999). Reduction of the numbers of
tests by coupling together the sequential and bayesian methods. In IEEE SMC99, Tokyo,
Japan.
[Guerin et al al 2001a] Guerin, F., Dumon, B., and Hambli, R. (2001a). Determining the
shape parameter of a Weibull distribution from mechanical damage models, In IEEE
International Conference on Reliability and Maintenability, Philadelphia, Pennsylvania, USA.
[Guerin et al., 2001b] Guerin, F., Tebbi, O., and Dumon, B. (2001b). Accelerated testing
based on mechanical damage model. In IEEE International Conference on Reliability and
Maintenability, Philadelphia, Pennsylvania, USA.
[Guerin et al., 2001c] Guerin, F., Dumon, B., Hambli, R. and Tebbi, O. (2001c). Reliability
Estimation by Accelerated Testing in Mechanics. In ICOSSAR, 8
th
International Conference
On Structural Safety And Reliability, Newport, California, USA.
[Guerin et al., 2003a] Guerin, F., Dumon, B., and Usureau, E. (2003a). New methodology of
weighting of prior distribution used bayesian approach applied to reliability estimation. In
Probability Method Conference, Los Angeles, USA.
[Guerin et al., 2003b] Guerin, F., Dumon, B., and Usureau, E. (2003b). Reliability estimation
by bayesian method : definition of prior distribution using dependability study. Journal of
Reliability Engineering and System Safety, Vol. 82:299306.
[Hill, 1990] Hill, C. (1990). Analyse statistique des donnes de survie. Ed INSERM.
[Hoang, 2003] Hoang, P. (2003). Handbook of reliability engineering. Ed Springer.
[Ibrahim et al., 2001] Ibrahim, J., Chen, M., and Sinha, D. (2001). Bayesian survival analysis.
Ed Springer.
[Kececioglu, 1993] kececioglu, D. (1993). Reliability and life testing Handbook vol 1. Ed
Prentice Hall.
[Kececioglu, 1994] kececioglu, D. (1994). Reliability and life testing Handbook vol 2. Ed
Prentice Hall.
[Kececioglu et al., 1998] Kececioglu, D., Jiang, M., and Sun, F.-B. (1998). A unified
approach to random fatigue reliability quantification under random loading. In IEEE
Proceedings Annual Reliability and Maintainability Symposium, USA.
[Kececioglu and Sun, 1999] kececioglu, D. and Sun, F.-B. (1999). Environmental stress
screening: its quantification, optimization and management. Ed Prentice Hall.
[Lalanne, 1999] Lalanne, C. (1999). Dommage par fatigue - tome 4. Hermes Science
Publications.
[Lannoy and Procaccia, 1994] Lannoy, A. and Procaccia, H. (1994). Mthodes avances
danalyse des bases de donnes du retour dexprience industriel. Ed Eyrolles.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
BIBLIOGRAPHIE

141
[Lannoy and Procaccia, 2001] Lannoy, A. and Procaccia, H. (2001). Lutilisation du jugement
dexpert en sret de fonctionnement. Ed. TEC&DOC.
[Leemis, 1994] Leemis, M.-L. (1994). Probabilistic models and statistical methods in
reliability. In IEEE Proceedings Annual Reliability and Maintainability Symposium, Tutorial
notes, USA.
[Lemaitre and Chaboche, 1996] Lemaitre, J. and Chaboche, J. (1996). Mcanique des
matriaux solides. Ed Dunod.
[Ligeron, 1979] Ligeron, J.-C.(1979). La fiabilit en mcanique. Ed DESFORGES.
[Ligeron and et M. Neff, 1984] Ligeron, J.-C. and et M. Neff, A. D. (1984). La fiabilit en
exploitation : Organisation et traitement des donnes. Ed Techniques et Documentation-
Lavoisier.
[Linn and Ying, 1994] Linn, D.-Y. and Ying, Z. (1994). Semiparametrical analysis of the
additive risk model. Biometrika, vol 81:61-71.
[Linn, 1998a] Linn, J. A. M. (1998a). An inference method for temperature step-stress
accelerated life testing. Quality and Reliability Engineering International, vol 17.
[Linn, 1998b] Linn, J. A. M. (1998b). Ways to improve the analysis of multi-level accelerated
life testing. Quality and Reliability Engineering International, vol 14.
[Little and Ekvall, 1979] Little, R. and Ekvall, J. (1979). Statistical analysis of fatigue data.
Technical report, American Society for Testing and Materials.
[Madsen et al., 1986] Madsen, H., Krenk, S., and Lind., N. (1986). Method of structural
safety. Ed Prentice-Hall.
[Mclinn, 1998] Mclinn, J.-A. (1998). Mechanical reliability. In IEEE Proceedings Annual
Reliability and Maintainability Symposium, Tutorial notes, USA.
[Marts and Walter, 1982] Marts, H. and Walter, R. (1982). Bayesian reliability analysis. Ed
John Willey& sons.
[Masotti and Morelli, 1998] Masotti, B. and Morelli, M. (1998). Development of the
accelerated testing process at otis elevator company. Quality and Reliability Engineering
International, vol 14.
[Meeker and Escobar, 1993] Meeker, W. Q. and Escobar, L. A. (1993). A review of recent
research and current issues in accelerated testing. International statistical review, vol 61, n1:
147-168
[Meeker and Escobar, 1998] Meeker, W. and Escobar, L. (1998). Accelerated degradation
tests: modelling and analysis, Technometrics, vol 40, n2.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
BIBLIOGRAPHIE

142
[MIL-HDBK-217 F, 1995] Military Handbook-Reliability Prediction of Electronic Equipment
(1995). United States Department Of Defense, notice 2.
[McLean, 2000] McLean, H. (2000). HALT, HASS HASA Explained: Accelerated Reliability
Techniques. ASQ Quality press.
[Nelson, 1990] Nelson, W. (1990). Accelerated Testing: Statistical Models, Test Plans and
Data Analysis. Ed. Wiley Series in Probability and Mathematical Statistics.
[Nelson and Meeker, 1991] Nelson, W. and Meeker, W.(1991). Accelerated Testing:
Statistical Models, Test Plans and Data Analysis. Technometrics, vol 33:236-238.
[Norme CEI 271, 1974] Commission Electronique Internationale. Publication n271. Liste
des termes de base, dfinitions et mathmatiques application la fiabilit. 2
me
dition.
[NPRD, 1995] Non-electronic Parts Reliability Data. Ed Reliability Analysis Center.
[OConnor, 2003] OConnor, P. (2003). Testing for reliability. Quality and Reliability
Engineering international, vol 19:7384.
[Owen and Padgett, 1998] Owen, W. J. and Padgett, W. J. (1998). Accelerated test models for
system strength based on birnbaum-saunders distributions. Lifetime Data Analysis, vol 5:133
147.
[Pags and Gondran, 1980] Pages, A. and Gondran, M. (1980). Fiabilit des systmes. Ed
Eyrolles.
[Prroud, 2000] Perroud. G (2000). Accder au juste ncessaire par exprimentation adapte.
Actes de la journe dtude Socit des ingnieurs automobile (SIA) du 07/04/2004. Fiabilit
exprimentale : essais acclrs et autres techniques pour dmontrer un niveau de fiabilit au
moindre cot. Paris.
[Perroud, 2003] Perroud. G (2003). Prdiction de la fiabilit a priori partir de retours clients.
Actes de la journe SIA du 12/03/2003. Lexploitation des donnes du rseau pour estimer et
matriser la fiabilit.
[Phadke, 1999] Phadke, M. S. (1999). Quality engineering using robust design. Ed Prentice-
Hall.
[Procaccia and Morilhat, 1996] Procaccia, H. and Morilhat, P. (1996). Fiabilit des structures
des installations industrielles. Ed Eyrolles.
[Procaccia et al., 1992] Procaccia, H., Piepszownik, L., and Clarotti, C. (1992). Fiabilit des
quipements et thorie de la dcision statistique frquentielle et baysienne. Ed Eyrolles.
[RADC] RADC T64-50: Reliability Prediction for Mechanical and Electromechanical parts
[Ringler, 1979] Ringler, J. (1979). Utilisation des techniques baysienne dans le cas de
systme complexe. Revue de Statistique Applique, vol XXVII n2.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
BIBLIOGRAPHIE

143
[Robert, 1992] Robert, C. (1992). Lanalyse statistique baysienne. Edition ECONOMICA.
[Robert, 2001] Robert, C. P. (2001). The Bayesian choice. Ed Springer.
[Rochon, 1996] Rochon, S. (1996). Mthodologie de conception fiable des produits
industriels associant l'approche exprimentale et l'expertise. Thse, Universit de Savoie.
[Ross, 2003] Ross, T. D. (2003). Accurate confidence intervals for binomial proportion and
poisson rate estimation. Computers in biology and medicine, vol 33:509531.
[Salzman et al, 2003] Salzman, R.-H., Packard, M.-H.and Mclinn, J.-A. (2003). Applying
probabilistic methods to components design and reliability modeling. In IEEE Proceedings
Annual Reliability and Maintainability Symposium, Tutorial notes, USA.
[Sander and Badoux, 1991] Sander, P. and Badoux, R. (1991). Bayesian Methods in
Reliability. Kluwer Academic Publisher.
[Sendeckyj, 2001] Sendeckyj, G. P. (2001). Constant life diagrams: a historical review.
International journal of fatigue, vol 23:347353.
[Sethuraman and Singpurwalla, 1982] Sethuraman, J. and Singpurwalla, N.-D.(1982). Testing
of hypotheses for distributions in accelerated life tests. JASA, vol 77:204-208.
[Shaked and Singpurwalla, 1983] Shaked, M. and Singpurwalla, N.-D.(1983). Inference for
step-stress accelerated life tests. Technometrics, vol 33:175-186.
[Shigley, 1972] Shigley, J.-E (1972). Mechanical Engineering Design. ed Mc GRAW Hill.
[Shyur et al., 1999] Shyur, H.-J., Elsayed, E. A., and Luxhoj, J. T. (1999). A general model
for accelerated life testing with time-dependent covariates. Naval Research Logistics, vol
46:303321.
[Singpurwalla, 1971] Singpurwalla, N.-D.(1971). Inference from accelerated life tests when
observations are obtained from censored samples. Technometrics, vol 13:161-170.
[Tang et al., 1996] Tang, L., Sun, Y., and Ong, H. (1996). analysis of step-stress accelerated
life test data : A new approach. IEEE transaction on reliability, vol 45 n1.
[Tebbi et al., 2001a] Tebbi, O., Guerin, F., and Dumon, B. (2001a). Accelerated Testing based
on a Mechanical-Damage Model. In IEEE International Conference on Reliability and
Maintenability, Los Angeles, California, USA
[Tebbi et al., 2001b] Tebbi, O., Guerin, F., and Dumon, B. (2001b). tude comparative et
critique des modles dEssais Sveriss, application la Mcanique. In Qualita'2001, 4
congrs international pluridisciplinaire Qualit et Sret de Fonctionnement, Annecy,
France.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
BIBLIOGRAPHIE

144
[Tebbi et al., 2001c] Tebbi, O., Guerin, F., and Dumon, B. (2001c). Comparative study of
Accelerated Testing Models with applications in Mechanics. In Seventh ISSAT International
Conference on Reliability and Quality in Design, Washington, DC, USA.
[Tebbi et al., 2001d] Tebbi, O., Guerin, F., and Dumon, B. (2001d). Comparative study of
Accelerated Testing models, applications in Mechanics. In IEEE SMC'2001, 2001 IEEE
International Conference on Systems Man and Cybernetics, Tucson, Arizona, USA.
[Tebbi et al., 2001e] Tebbi, O., Guerin, F., and Dumon, B. (2001e). Application des Modles
Paramtriques et Semi-Paramtriques dEssais Acclrs en Mcanique. In CPI2001, 2me
Colloque International Conception et Production Intgres, Fs, Maroc.
[Tebbi et al., 2002] Tebbi, O., Guerin, F., and Dumon, B. (2002). Analysis of Statistical
Models of Accelerated Life Testing in Mechanics. In 13/ESREL 2002, Colloque Europen
de Sret de Fonctionnement, Lyon, France.
[Tebbi et al., 2003a] Tebbi, O., Guerin, F., and Dumon, B. (2003a). Statistical Analysis of
Accelerated Experiments in Mechanics Using a Mechanical Accelerated Life Model. In
RAMS2003, Annual RELIABILITY and MAITENABILITY Symposium, Tampa, FL, USA.
[Tebbi et al., 2003b] Tebbi, O., Guerin, F., and Dumon, B. (2003b). Modle Statistique des
tests de vie acclre pour des pices mcaniques soumises la fatigue. In Qualita' 2003, 5
congrs international pluridisciplinaire Qualit et Sret de Fonctionnement, Nancy, France.
[Tebbi et al 2003c] Tebbi, O. Gurin, F.and Dumon, B. (2003c) Reliability testing of
Mechanical products-Application of statistical accelerated life testing models. In 9
th

International Conference on Applications of Statistics and Probability in Civil Engineering,
University of California, Berkeley, USA.
[Tebbi et al., 2004a] Tebbi, O., Guerin, F., and Dumon, B. (2004a). Estimation de la fiabilit
des composants mcaniques par les essais acclrs. In 36me Journe Statistique applique,
Montpellier, France.
[Tebbi et al., 2004b] Tebbi, O., Guerin, F., and Dumon, B. (2004b). Estimation de la fiabilit
par les essais acclrs. Revue Mcanique et Industries, A paratre:.
[Tebbi et al., 2004c] Tebbi, O., Guerin, F., and Dumon, B. (2004c). Plan dessai avec
endommagement pralable acclr appliqu aux composants mcanique. Revue Statistique
Applique, A paratre:.
[Tsiatis, 1990] Tsiatis, A.-A.(1990) Estimating regression parameters using linear rank tests
for censored data. Ann.Statist,vol 18:353-372.
[Usureau et al., 2003] Usureau, E., Guerin, F., and Dumon, B. (2003). Demonstration of the
reliability of a system using bayesian methods. Asigurarea Calitati, vol. IX, n34.
[Usureau et al., 2004] Usureau, E., Guerin, F., and Dumon, B. (2004). Dmarche baysienne
et applications la Sret de Fonctionnement. ditions HERMES Lavoisier. Rdaction des
chapitres Modlisation de la priori et compatibilit de la priori et de la vraisemblance.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
BIBLIOGRAPHIE

145
[Vassilious and Mettas, 2001] Vassilious, A. and Mettas, A. (2001). Understanding
accelerated lifetesting analysis. In IEEE Proceedings Annual Reliability and Maintainability
Symposium, Tutorial notes, USA.
[Viertl, 1988] Viertl, R. (1988). Statistical methods in accelerated life testing. Vandenhoeck
and Ruprecht, Gttingen.
[Viertl and Spencer, 1991] Viertl, R. and Spencer, F. (1991). Statistical methods in
accelerated life testing. Technometrics, vol 33:360-362.
[Villemeur, 1988] Villemeur, A. (1988). Sret de fonctionnement des systmes industriels :
Fiabilit, Facteurs humains et Informatisation. Collection EdF - Ed Eyrolles.
[Xiong, 1999] Xiong, C. (1999). Inference on a simple step-stress model with type-ii censored
exponential data. IEEE transaction on reliability, vol 47 n2.
[Yang and Yang, 1998] Yang, K. and Yang, G. (1998). Robust reliability design using
environmental stress testing. Quality and Reliability Engineering International, vol 14:381
384.
[Ying, 1993] Ying, Z. (1993). A large sample study of rank estimating for censored regression
data. Ann.Statist, vol 21:76:99.
[Zhang, 2002] Zhang, C. (2002). Mechanical component lifetime estimation based on
accelerated life testing with singularity extrapolation. Mechanical System and Signal
Processing, Vol 16:705718.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
GLOSSAIRE
146
Glossaire
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
GLOSSAIRE
147
GLOSSAIRE
Dans cette partie, nous rappelons (par ordre alphabtique) les dfinitions des termes lis
la fiabilit et la sret de fonctionnement, ncessaire pour comprendre les chapitres
prcdents. Le lecteur peut trouver plus de dtails dans les ouvrages suivants : [Afnor, 1981],
[Afnor, 1988], [Ayyub and Mccuen, 1997], [Barlier et al., 1997] , [Bon, 1995], [Birolini,
1997], [Hoang, 2003], [Pags and Gondran, 1980], [Procaccia et al., 1992], [Villemeur,
1988],
De nombreuses normes et documents de rfrences proposent une terminologie relative
la sret de fonctionnement [Afnor, 1988]. La Commission Electrotechnique Internationale a
publi, en autre, la norme IEC 60050 dont un chapitre entier est consacr la sret de
fonctionnement. L'EWICS (European Workshop on Industrial Computer Systems)/TC7 a
dit un ouvrage trs intressant car il prsente la fois la terminologie et les mthodes
communment utilises en sret de fonctionnement, incluant de nombreuses rfrences
documentaires.
Selon les domaines d'application, le choix de normes spcifiques est recommand. A titre
d'exemple, la norme NPRD (Non-electronic Reliability Data) traite les systmes non
lectroniques, les normes MIL-STD-xxx et DOD-STD-xxx couvrent les aspects scurit lis
aux systmes militaires, tandis que les normes ECSS de l'ESA sont applicables au domaine
spatial.
Aptitude
Capacit d'un organisme, d'un systme ou d'un processus raliser un produit satisfaisant
aux exigences relatives ce produit.
Besoin
Ce qui est dsir par un utilisateur. Le contour et l'intensit du besoin voluent au fil du
temps. L'expression des besoins des demandeurs traduit des attentes ponctuelles, souvent
contradictoires o se mlent frquemment les caractristiques des objectifs (ce que l'on
souhaite) et des moyens (comment satisfaire ces souhaits). L'tude rationnelle des besoins
permet de formuler des exigences relatives l'objectif.
Composant
Un composant est une partie dun systme ( matriels ou vnements), non dcomposable
dans le cadre de ltude, et pour laquelle on dispose d'informations qualitatives (conditions de
fonctionnement, modes de dfaillance, ) et quantitatives ( frquences dapparitions des
pannes, dures de bon fonctionnement, ) suffisantes.
Le type de composants, leurs quantit, leur qualit et leur manire dont ils sont disposs
ont un effet direct sur la fiabilit du systme.
Conception
Ensemble de phases qui permettent :
Danalyser les besoins satisfaire
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
GLOSSAIRE
148
De spcifier les fonctionnalits externes raliser
De concevoir les composants de la structure
Les termes conception et dveloppement sont parfois utiliss comme synonymes et
parfois utiliss pour dfinir des tapes diffrentes du processus global de conception et de
dveloppement.
Croissance de fiabilit
On peut dfinir la croissance de fiabilit comme le processus de correction progressive des
fautes de conception et de fabrication qui permet datteindre une matrise maximale des
procds
Cycle de dveloppement
Enchanement des travaux ncessaires l'laboration et la mise en oeuvre d'une solution.
Un cycle se dcline en phases et en tches.
Cycle de vie du systme
Modifications au plan du dveloppement que subit un systme depuis sa conception
jusqu' la fin de son utilisation.
Dsigne les diffrentes phases de vie dun produit, par exemple: conception, production,
distribution, consommation (utilisation, entretien, recyclage) et limination
Dfaillance
Cessation de l'aptitude d'une unit fonctionnelle accomplir une fonction requise. Une
dfaillance est un passage d'un tat un autre, par opposition une panne qui est un tat. On
entend par unit fonctionnelle soit un systme complet, soit l'un quelconque de ses
lments.
Fin de laptitude dun dispositif remplir sa mission.
La dfaillance dun lment peut tre soudaine ou progressive, partielle ou totale.
Distribution
Lobjectif principal dans toute analyse des donnes de vie, est dobtenir une distribution
statistique qui dcrit le mieux la dure de vie dun systme (ou composant) et ses proprits.
Lobservation de lvolution des pannes du systme permet davoir des informations sur les
lois de probabilit des diffrentes dfaillances.
Les principales lois continues utilises en fiabilit sont : loi exponentielle, loi de Weibull,
la loi normale et la loi log-normale.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
GLOSSAIRE
149
Disponibilit
Aptitude tre en tat d'accomplir une fonction requise dans des conditions donnes et
un instant donn.
La disponibilit est la probabilit pour quun systme soit non dfaillant un instant
donn. On remarque que pour un systme non rparable, la dfinition de la disponibilit est
quivalente celle de la fiabilit :
Pour les systmes prsentant une architecture simple, les expressions mathmatiques
"gnriques" de la disponibilit permettent de dterminer la disponibilit du systme, partir
des informations issues des analyses de fiabilit et de maintenabilit.
Dispositif
Dsigne un lment ou un composant
Dure de vie
La dure de vie dun systme (ou composant) correspond la date de la premire
dfaillance.
Environnement
Configuration de moyens (humains, organisationnels, logiciels, matriels) qui supporte le
dveloppement et l'exploitation de systmes informatiques. Chaque phase du dveloppement
s'effectue dans un environnement dfini : on distingue les environnements de conception, de
production, d'intgration, de validation, d'exploitation sur site pilote.
Exigence
Caractristique mesurable d'une demande formule par un client un fournisseur. Une
exigence dfinit, de faon imprative, une caractristique d'un produit ou d'un service,
commande par un client un fournisseur.
Fiabilit
Dans la publication 271 de la Commission Electronique Internationale, on donne la
dfinition suivante :
Aptitude dun dispositif accomplir une fonction requise, dans des conditions donnes,
pendant une dure donne. Le terme fiabilit est aussi utilis comme caractristique de
fiabilit dsignant une probabilit de succs ou un pourcentage de succs .
Lvaluation de la fiabilit dun lment ncessite des calculs de probabilit.
Fournisseur
Organisme ou personne qui procure un produit. Le fournisseur peut tre interne ou externe
l'organisme fournisseur. Exemples : producteur, distributeur, dtaillant, marchand,
prestataire de service.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
GLOSSAIRE
150
Loi de dgradation
Cette loi traduit la vitesse de dgradation (dvolution) d'un systme en fonction de
certains paramtres.
Lorsque le processus de dgradation est dfini, il faut en dgager la loi de dgradation.
Aucune formule globale ne peut tre directement applicable car ces lois vont dpendre de
nombreux paramtres :
- De lenvironnement appliqu,
- De la nature du matriel,
- De son degr de dfinition (amortissement mcanique, protection des
matriaux)
Loi dacclration
La loi de dgradation nest pas toujours directement transformable en loi dacclration,
car celle-ci dpend essentiellement des possibilits de simulation du moyen qui peut
difficilement reproduire la totalit des contraintes. Il est donc ncessaire de faire un choix des
paramtres les plus reprsentatifs et dappliquer une loi dacclration qui suivra au mieux la
loi de dgradation, suivant la possibilit des moyens.
Maintenabilit
Aptitude d'une entit tre maintenue ou rtablie dans un tat dans lequel elle peut
accomplir une fonction requise, lorsque la maintenance est accomplie dans des conditions
donnes, avec des procdures et des moyens prescrits.
La maintenabilit est le complment 1 de la probabilit pour quun systme ne soit pas
rpar dans des conditions donnes et un instant donn.
Non-conformit
Non-satisfaction d'une exigence. Service rendu ne correspondant pas une exigence
spcifie.
Norme
Rgle officielle sur un plan professionnel, national ou international, dicte par un
organisme habilit tel que AFNOR, ECMA, ISO, DIN.
Objectif
Description quantitative (exigences, dlais, cots) du but que l'on se propose d'atteindre.
Performance
Mesure dans laquelle un systme ou un composant remplit sa fonction dans le cadre de
certaines contraintes.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
GLOSSAIRE
151
Plans dexprience
Les plans dexprience sont conus pour lorganisation dessais destins valuer
linfluence dun ou de plusieurs facteurs sur une grandeur observe. Le plan fixe les
combinaisons des variantes de facteurs et les conditions dexcution permettant une
interprtation statistique des rsultats par des mthodes telles que lanalyse de variance. Ainsi,
il est possible de juger si des facteurs contrls tels que modes de fabrication, mthodes de
mesure, fabricants, conditions demplois, etc. ont une influence significative, et si
lassociation de certains niveaux de facteurs a un effet significatif (mettre en vidence leurs
interactions).
Il existe une grande varit de types de plans dexprience suivant les rpartitions et
rptitions de facteurs quon peut ou veut effectuer.
Lanalyse de variance est une technique mathmatique qui subdivise la variance totale dun
ensemble de donnes en composantes associes aux facteurs de variation.
Processus de dgradation
Aprs avoir dfini les points sensibles dun systme, on cherche le processus de
dgradation qui sy applique. On peut avoir par exemple :
- Des phnomnes dusure,
- Des phnomnes de fatigue,
- Des dgradations physico-chimiques, corrosion, volution des
caractristiques des constituants,
- Etc.
Produit
Rsultat d'activits ou de processus. Un produit peut tre tangible (par exemple, le
matriel, le logiciel) ou incorporel (par exemple, la connaissance ou des concepts) ou une
combinaison des deux.
En ingnierie de systmes d'information, un produit est, selon le cas :
Un systme ralisant la totalit des fonctions attendues d'un programme ;
Un composant plus ou moins lmentaire d'un systme;
Une prestation de service.
Projet
Processus unique qui consiste en un ensemble d'activits coordonnes et matrises
comportant des dates de dbut et de fin, entrepris dans le but d'atteindre un objectif conforme
des exigences spcifiques telles que les contraints de dlais, de cots et de ressources.
Ensemble des moyens ncessaires pour dvelopper (concevoir, construire et mettre en
oeuvre) un ouvrage.
Entreprise ayant des objectifs prdfinis, d'une importance et d'une dure, prdtermines.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
GLOSSAIRE
152
Un projet contient un sous-systme de production, qui excute les tches de ralisation, et
un sous-systme de dcision, qui contrle le systme de production, appel gestion de projet.
Prototype
Premier exemplaire d'un produit, construit avant la fabrication en srie ou un dploiement.
Modle d'essai oprationnel permettant d'valuer une spcification du systme d'information
ou de mieux comprendre ou identifier les exigences.
Type, forme ou exemple prliminaire d'un systme qui sert de modle pour les stades
ultrieurs ou la version dfinitive du systme.
Un prototype ne comporte pas ncessairement la totalit des composants du systme ; par
rapport au systme final, un prototype peut sacrifier certains aspects pour mettre en vidence
les fonctionnalits critiques dont on dsire montrer le caractre oprationnel.
Rupture
La rupture est la sparation dun matriau en deux ou plusieurs parties, sous laction dune
contrainte. Elle peut tre brutale ou progressive:
Rupture brutale: due une modification instantane des proprits de la pice en cas de
charge leve.
Rupture progressive: due une volution dans le temps des caractristiques de la pice
cause de la Fatigue des matriaux lors dun chargement cyclique.
Scurit
Aptitude d'une entit viter de faire apparatre, dans des conditions donnes, des
vnements critiques ou catastrophiques.
Structure
Manire dont les parties d'un tout sont arranges entre elles. Ensemble des interactions
(couplages) entre les lments d'un systme.
Spcification
Formulation complte, prcise et vrifiable, rdige dans un langage commun au client et
au fournisseur, des exigences particulires (fonctions, proprits, capacits, performances
etc.) auxquelles un produit ou un service doit se conformer. Condition essentielle qu'un
systme doit satisfaire.
Condition ou capacit dont un acteur (utilisateur ou systme) a besoin pour rsoudre un
problme, raliser un objectif ou remplir un contrat, une norme, une spcification ou d'autres
documents formellement imposs.
Forme crite de la condition ou capacit susvise.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
GLOSSAIRE
153
Description dfinitive d'un systme dans le but de le dvelopper ou de le valider.
Sret de fonctionnement
La sret de fonctionnement est l'aptitude d'une entit satisfaire une ou plusieurs
fonctions requises dans des conditions donnes.
La sret de fonctionnement se caractrise gnralement par les paramtres suivants :
Fiabilit, Maintenabilit, Disponibilit et Scurit
On retrouve dans les initiales de ces concepts, le nom de FMDS parfois donn la sret
de fonctionnement.
Systme
Un systme est un ensemble dlments en interaction en vue daccomplir une mission.
Un systme peut tre compos dun seul lment.
Validation
Confirmation et apport de preuves tangibles que les exigences pour une utilisation
spcifique ou une application prvue sont satisfaites.
Confirmation par examen et fourniture de preuves objectives que les exigences
particulires d'une utilisation spcifique sont remplies.
Les conditions d'utilisation peuvent tre relles ou simules. La validation concerne le
processus d'examen d'un produit en vue d'en dterminer la conformit aux exigences de
l'utilisateur. Elle s'effectue normalement sur le produit final dans des conditions d'utilisation
dfinies. Plusieurs validations peuvent tre effectues s'il y a diffrents usages prvus.

t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
ANNEXES

154

Annexes
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
ANNEXES

155
ANNEXES
Annexe A. Quelques mthodes danalyse prvisionnelle de la fiabilit dun
produit
Les calculs prvisionnels de fiabilit ont pour objet de vrifier le niveau de fiabilit d'un
systme en fonction des donnes de fiabilit de ses constituants et de son architecture
matrielle dfinie par les blocs diagramme de fiabilit.
Les calculs prvisionnels permettent de spcifier les architectures matrielles qui rpondent
au mieux aux exigences de fiabilit travers des analyses qualitatives (APR2, AMDEC3, ...)
et quantitatives (Arbre de dfaillance, Diagramme de fiabilit, ...). Pour des systmes plus
complexes, il est possible de modliser la fiabilit par des rseaux de Petri (RdP) ou chanes
de Markov.
A.1. L'analyse fonctionnelle
L'analyse fonctionnelle est l'outil de base de la sret de fonctionnement. Il sagit :
D'identifier les fonctions principales et les fonctions de contraintes ;
De dfinir les conditions d'exploitation ;
De dcomposer un systme en sous-systmes ;
D'identifier les interfaces entre sous-systmes et milieux extrieurs.
A.2. AMDE (Analyse des Modes de Dfaillances et de leurs Effets)
L'AMDE est une mthode inductive d'analyse de systme utilise pour l'tude systmatique
des causes et des effets des dfaillances qui peuvent affecter les composants de ce systme.
L'AMDE permet de dterminer l'impact de chacune des dfaillances sur un ou plusieurs des
concepts FMDS. L'AMDE est prsente sous forme de tableaux. L'AMDE est parfois
complte par une analyse de criticit. Elle devient AMDEC (Analyse des Modes de
Dfaillance, de leurs Effets et de leur Criticit), la Criticit tant une grandeur trois
dimensions gale la Gravit que multiplie la Probabilit de dfaillance et le problme de non
dtection de la dfaillance. La criticit permet d'extraire les modes de dfaillance les plus
critiques, on reprsente souvent la criticit sous forme matricielle.
A.3. APR (Analyse Prliminaire des Risques)
LAnalyse Prliminaire des Risques (APR) dfinit le besoin et les objectifs de la mission,
les limites du systme, les conditions de succs ou dchec et leurs scnarios. Elle permet
d'identifier les situations potentiellement dangereuses vis--vis de la scurit et d'valuer la
gravit des consquences

A.4. L'analyse par Arbres de dfaillances
Cette mthode a pour objet de dterminer les diverses combinaisons possibles
d'vnements qui entranent la ralisation d'un vnement indsirable unique. L'arbre de
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
ANNEXES
156
dfaillance est une analyse dductive dont la reprsentation graphique des combinaisons est
ralise par structure arborescente. Ces arbres de dfaillance sont ensuite quantifis afin de
dterminer la probabilit d'occurrence de l'vnement suprieur ; cet vnement correspond
gnralement un vnement indsirable pour le systme. Lanalyse qualitative de larbre de
dfaillance consiste rechercher les chemins les plus courts (appels coupes minimales) entre
les vnements lmentaires et lvnement redout. Lanalyse quantitative permet de
dterminer la probabilit doccurrence de lvnement redout partir des coupes minimales
et des probabilits doccurrence des vnements lmentaires. La probabilit de dfaillance p
dun systme est simplement la probabilit que tous les vnements de base dune ou
plusieurs coupes minimales apparassent. On trouvera les principes de construction dun tel
arbre, ainsi que les combinaisons logiques utilisables dans [Pags and Gondran, 1980],
[Birolini, 1997], [Cocozza-Thivent, 1997].
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
ANNEXES

157
Annexe B. Bases de donnes sur des systmes lectroniques et mcaniques
B.1 . Dtails sur les donnes de fiabilit disponibles pour des
composants lectroniques
IEEE STD
Un recueil de donnes de fiabilit observes, concernant des composants lectriques,
lectroniques et mcaniques, pour des systmes dnergie nuclaire. Il fournit des taux de
dfaillance des composants en fonctionnement et sollicitation.
MIL-HDBK-217
Le MIL-HDBK-217 est un document militaire amricain connu et accept lchelle
mondiale, trs utilis pour le calcul de la fiabilit prvisionnelle des quipements
lectroniques. Ce fut le premier recueil de donnes de fiabilit usage militaire. La premire
version a t dite en 1965, il na pas t mis jour depuis 1995.
Le document contient une srie de modles des taux de dfaillance empiriques, dvelopps
en utilisant des donnes de vie du retour dexprience, pour des composants
lectriques/lectroniques et un certain nombre de composants lectromcaniques en
fonctionnement.
Les prvisions de fiabilit sont exprims en nombre de dfaillances par million dheures et
supposent une distribution exponentielle ( taux de dfaillance constant). Deux techniques
prvisionnelles de la fiabilit sont donnes dans le manuel : la technique de dfinition des
contraintes appliques, en anglais Part Stress Analysis (PSA), et la technique de dcompte
des pices, en anglais Part Count Analysis (PCA).
La premire technique exige la connaissance des niveaux de contraintes appliques
chaque partie pour calculer son taux de dfaillance, tandis que la deuxime technique suppose
des niveaux de contraintes moyens pour fournir une premire estimation du taux de
dfaillance.
Ces deux techniques utilisent les mmes formules mais pas les mme valeurs, la technique
PCA utilise des valeurs estimes alors que la PSA utilise des valeurs calcules ou mesures
(fournis par le fabricant).
Les taux de dfaillance donns par le manuel sont fonction des contraintes appliques et
dpendent de certains lments par des coefficients multiplicateurs. Des modles dtaills
sont donns pour chaque type de composant tels que les transistors, les rsistances, etc. En
gnral, ils ont la forme suivante :
...
A E Q b P
= (0.1)
O:
b
= Taux de dfaillance de base calcul en fonction des contraintes principales de
fonctionnement (temprature, puissance),
Q
= Facteur li la qualit du composant,

= Facteur li aux contraintes denvironnement et
= Facteur li aux contraintes

appliques,
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
ANNEXES
158
Bien que le MIL-HDBK-217 devienne de plus en plus ancien, il reste la technique la plus
utilis en lectronique,
BT-HRD
Le BT-HRD est un recueil de donnes de fiabilit publi par British
Telecommunications moins dtaill que le MIL-HDBK-217 et tout fait semblable RDF
2000. Il fournit des modles de taux de dfaillance pour des systmes de tlcommunication
en fonctionnement. Dans le British Telecom handbook: le terme Part Stress Count
Analysis remplace le terme Part Stress Analysis utilis dans le MIL-HDBK-217 ; la forme
gnrale des modles reste la mme ; pour la plupart des composants, le taux de dfaillance de
base est considr, constant et indpendant des contraintes externes.
EPRD
Le EPRD est un rapport du centre RAC Reliability Analysis Center, un organisme
militaire amricain travaillant pour United States Air Force, donnant des taux de
dfaillance pour des composants et dispositifs lectroniques.
RDF ( ou CNET)
Le RDF est un recueil de modles dit en France par le Centre National d'tudes des
Tlcommunications (CNET), prpar en collaboration avec des reprsentants de fabricants
de composants et des constructeurs dquipements et des utilisateurs de matriels
lectroniques.
Cest un modle universel pour le calcul de la fiabilit prvisionnelle des composants,
cartes et quipements lectroniques. En particulier il fournit des modles de taux de
dfaillance (modles Part Stress ) et des dures de vie des composants lectroniques en
fonctionnement. Le taux de dfaillance est donn en fonction de certains paramtres : la
technologie, les contraintes de fonctionnement, les contraintes denvironnement, le mode de
fonctionnement, les classes de qualification des composants. La dernire version a t publie
par lUnion Technique de llectricit en juillet 2000 sous la rfrence UTE C 80-810.
Nous donnerons par la suite un exemple de feuilles de calcul issu du CNET 1999.
GJB
Le GJB est un document chinois usage militaire, trs puissant pour les calculs
prvisionnels de la fiabilit des quipements ( composants ou systmes) lectroniques en
utilisant des taux de dfaillance, MTBF,... Il a t traduit en anglais par Beijing Yuntong
Forever Digital controlling Technology co.Ltd.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
ANNEXES

159
Telcordia/Bellcore
Cest le document le plus utilis aprs le MIL-HDBK-217. Cest un manuel commercial
labor pour des produits lectroniques commerciaux et industriels. A lorigine, cest la
compagnie the Bell Communications Research qui laborait le document Bellcore. En 1997
cette compagnie a t achete par SAIC, et est devenue Telcordia Technologies en 1999.
Telcordia fournit des taux de dfaillance, exprims en nombre de dfaillances par billion
dheures, pour des composants lectroniques usage commercial ; beaucoup dindustriels,
fabricants ou constructeurs des produits lectroniques commerciaux, choisissent maintenant
d'utiliser le document Bellcore pour leurs calculs de fiabilit prvisionnelle.
Les modles de taux de dfaillance donns dans ce manuel sont similaires ceux donns
par le MIL-HDBK-217. Telcordia soutient lapplication des mthodes Part Stress Analysis
et Part Count Analysis utilises dans le MIL-HDBK-217. Ces deux grandes familles
danalyse sont considres dans Telcordia comme tant deux simples Mthodes de Calcul. En
effet, Telcordia propose dix Mthodes de Calcul diffrentes, chacune de ces mthodes tient
compte dun certain type de donnes : des donnes sur les contraintes appliques stress data,
des donnes du dverminage burn-in , des donnes du retour dexpriences ou
dexploitation Field Data, ou des donnes d'essai en laboratoire, etc.
B.2. Exemple de feuille de calcul issue des bases de donnes
lectroniques, tir de[CABAU, 1999]
L'exemple suivant est issu du recueil de fiabilit du Centre National d'tudes des
Tlcommunications (CNET 1999) concernant des composants lectroniques. Ce recueil
permet de calculer le taux de dfaillance suppos constant d'un composant en fonction des
caractristiques de l'application (environnement ou taux de charge par exemple), ainsi que du
type de composant (nombre de portes, valeur de la rsistance, ).
Prenons par exemple une rsistance de 50 k sur une carte lectronique place dans un
tableau lectrique au sol.
On consulte les tableaux de la figure B.1 pour dterminer les diffrents facteurs correctifs.
Lenvironnement est Au sol (matriel fixe) ,
Le facteur multiplicatif relatif lenvironnement est donc :
E
= 2,9
La valeur de la rsistance donne le facteur multiplicatif correspondant :
R
= 1
La rsistance est sans qualification ce qui donne le facteur multiplicatif relatif au
facteur de qualit :
Q
= 7,5
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
ANNEXES
160
Le facteur de charge est caractristique de lapplication contrairement aux autres
facteurs qui sont caractristiques du composant. Si le facteur de charge est de 0,7 et la
temprature ambiante pour la carte est de 90 C. Labaque donne
b
= 15/h
On obtient alors le taux de dfaillance de la rsistance en effectuant le produit :
=
b
.
R
.
E
.
Q
. 10
-9
= 0,33 10
-6
/h

t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
ANNEXES
161
Figure B.1. Exemple de feuille de calcul issue des cahiers du CNET 1999
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
ANNEXES
162
B.3. Exemple de Base de donnes mcaniques
A titre d'illustration, les figures B.2 et B.3 donnent un extrait du RAC NPRD 97
concernant les disjoncteurs. Sur la figure B.2, sont donns quelques ordre de grandeurs du
taux de dfaillance et du MTTF de quelques composants. Sur la figure B.3, on a une
rpartition des diffrents modes de dfaillances, on lit par exemple que 34 % des dfaillances
constates sont des refus de fermeture. Le tableau de la figure B.3 donne une estimation de la
valeur du taux de dfaillance (point estimate) en ce qui concerne la fonction thermique
(thermal) des disjoncteurs.
On lit successivement :
Lenvironnement : ici GF = Ground Fixed = au sol conditions industrielles,
Lestimation du taux de dfaillance : il faut lire 0,335.10
-6
h
-1
,
les bornes dun intervalle de confiance tel que la probabilit que le taux de dfaillance
sy trouve est de 0,6 (cest--dire 0,8 - 0,2),
Le nombre de recueils utiliss pour le calcul : ici 2,
Le nombre de dfaillances observes : ici 3,
Le nombre dheures de fonctionnement observes : 8,944.10
6
h.
La connaissance du taux de dfaillance global et de la rpartition par mode de dfaillance
permet de chiffrer la probabilit des diffrents vnements par une simple rgle de trois.
Par exemple, pour le mode de dfaillance refus de fermeture , on obtient :
0,335.10
-6
.(34/100) =1,17.10
7
h
-1
Une autre approche est parfois plus pertinente : on considre un nombre de manuvres au
lieu de considrer le temps de fonctionnement. Dans ce cas un test portant sur un chantillon
de quelques dizaines de produits permet de chiffrer la fiabilit (loi de Weibull).
Le choix dpend du type de dfaillances que lon dsire tudier, lusure des contacts est
lie au nombre de manuvres alors que la corrosion est lie au temps. Le type dutilisation et
les conditions denvironnement sont toujours dterminants.
Figure B.2. Ordre de grandeur du taux de dfaillance et MTTF de quelques lments
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
ANNEXES
163
Figure B.3. Mode de dfaillances et donnes de fiabilit des disjoncteurs
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
ANNEXES

164
Annexe C. Approche probabiliste de la thorie Contrainte-Rsistance
C.1 . Introduction
Lapproche probabiliste de la mthode Contrainte-Rsistance est largement utilise dans
plusieurs laboratoires de mcanique ([Afnor, 1981], [Catuneau and Mihalache, 1989], [Doyle,
1992], [Ligeron, 1979], [Mclinn, 1998], [Procaccia and Morilhat, 1996], [Salzman et al.,
2003], [Villemeur, 1988],), plusieurs logiciels ont t dvelopps pour la minimisation des
temps de calcul dans loptimisation mcano-fiabiliste des structures mcaniques qui est
indispensable pour concevoir des systmes de plus en plus performants.
Cette approche est compose de quatre parties principales: une premire partie danalyse
prliminaire de la structure tudier, une deuxime partie danalyse mcanique base
principalement sur la construction dun modle mcanique explicite traduisant la rponse de
la structure par rapport divers scnarios de dfaillance, la troisime partie danalyse
statistique forme dun ensemble doutils statistiques permettant le calcul de la probabilit de
dfaillance, ces trois parties sajoute une dernire tape trs importante celle de lanalyse
critique des rsultats qui nous permet de juger la crdibilit et la conformit des rsultats
obtenus.
Les modles intervenant dans les trois parties de la dmarche probabiliste ncessitent la
mise en uvre de techniques spcifiques pour leur validation et le calage de paramtres
partir de donnes exprimentales.
C.2 . tapes de la mthode
C.2.1. Analyse prliminaire
C.2.1.1. Paramtres de dimensionnement (les variables de conception)
Les informations disponibles la conception et ncessaires pour aborder les prvisions de
la fiabilit peuvent tre rpertories suivant leur origine, comme suit ( voir figure C.1):
Alas internes: relatifs ltat de la structure :
o Contraintes de fonctionnement (forces internes, mouvement)
o Contraintes de qualit (nature des matriaux, tats de surface, prcision des
mesures, ..)
Alas externes: relatif lenvironnement
o Contraintes climatiques (temprature, pression, humidit..)
o Contraintes mcaniques (chargement, dformations imposes...)
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
ANNEXES
165
Figure C.1. Alas internes et externes dune structure mcanique
C.2.1.2. tude qualitative des scnarios de dfaillance
La dfaillance dune structure peut avoir son origine dans des phnomnes compltement
diffrents : rupture, corrosion, etc. chacun de ces phnomnes conduisant la dfaillance
est appel mode de dfaillance. Un enchanement dvnements, conduisant la dfaillance,
forme un scnario de dfaillance.
En mcanique on rencontre plusieurs types de dfaillances, qui apparaissent suite un
choc, une surcharge, une fatigue mcanique ou thermique, un fluage, lrosion ou la
corrosion mais le plus souvent, on constate la dfaillance par la rupture dune pice.
Des mthodes danalyse prvisionnelle de la sret de fonctionnement peuvent aider
dfinir les modes de dfaillance et leurs causes pour la structure tudie, par exemple
LAnalyse Prliminaire des Risques (APR) et LAnalyse des Modes de Dfaillance, de leurs
Effets et de leur Criticit (AMDEC) (voir Annexe B).
Contraintes :
Efforts sexerant dans
la pice
Proprits matriaux :
Duret
Endurance
Limite lastique
F
t
t
Environnement :
Temprature
Humidit
Gomtrie :
Discontinuit
Dimensions de la
pice
Fabrication :
Homognit
Dfaut
Proprits matriaux :
Duret
Endurance
Limite lastique
Chargement
Statique ou
dynamique
Contraintes :
Efforts sexerant dans
la pice
Proprits matriaux :
Duret
Endurance
Limite lastique
F
t
t
Environnement :
Temprature
Humidit
Gomtrie :
Discontinuit
Dimensions de la
pice
Fabrication :
Homognit
Dfaut
Proprits matriaux :
Duret
Endurance
Limite lastique
Chargement
Statique ou
dynamique
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
ANNEXES
166
Cette tape dtude qualitative, des scnarios de dfaillance, doit tre ralise en prsence
des diffrents experts du domaine.
C.2.2. Analyse mcanique
C.2.2.1. Choix et formulation du modle mcanique
A chaque mode de dfaillance initi est associ un modle mcanique traduisant la rponse
de la structure vis vis dun scnario de dfaillance (fatigue, Mcanique de la rupture, ), en
fonction des variables de conception de base ( chargements, gomtrie, caractristiques
matriaux, ). Il sagit dun modle de sollicitations.
Les modles mcaniques font intervenir des lois de comportement sous sollicitations
statiques ou dynamiques, avec ventuellement une volution de la structure par
endommagement et rupture.
Dans le cas o nous ne disposons pas de formules analytiques exactes et simples pour
construire ce modle, plusieurs solutions sont envisageables. Ces solutions peuvent tre trs
lourdes mettre en uvre :
Directement par calculs lments finis, afin dobtenir la rponse de la structure pour un
ensemble de donnes fix;
Technique des plans dexprience...
Dfinition dun critre de rsistance limite
Le critre de rsistance limite (tat limite ou critre de dfaillance) fixe le seuil au-del
duquel on dcidera quil y a dfaillance (limite lastique du matriau, tnacit du
matriau,..). Cest un choix arbitraire, il se dcide entre les concepteurs et les experts. Il sagit
du modle de rsistance.
Ltat de la structure est qualifi dfaillant sil vrifie un des critres de rsistance limite
par rapport au mode de dfaillance considr, sinon il est dit de bon fonctionnement. Les tats
dfaillants ou de bon fonctionnement forment deux domaines complmentaires : le domaine
de dfaillance (constitu de tous les tats dfaillants ) et le domaine de bon fonctionnement
( ou de sret). La frontire entre ces deux ensembles est appele surface dtat limite.
C.2.2.2. Formulation de lquation dtat limite
Lquation ou la fonction dtat limite est base sur lvaluation dune fonction appele
fonction dtat qui caractrise le comportement (ou ltat) du matriau, soit il est en bon
fonctionnement soit il est dfaillant.
La fonction dtat est une relation fonctionnelle liant les variables de conception de la
structure reprsentes par le vecteur ) X ,..., X , X ( X
n 2 1
= caractrisant les chargements subis
et la rsistance de la structure pour le mode de dfaillance considr. Elle est dfinie par:
) X ,..., X ,..., X , X ( G ) X ( G Z
n i 2 1
= =
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
ANNEXES
167
O G est la transformation mcanique qui peut tre dfinie analytiquement ou par
lments finis. Z est la fonction de performance.
La fonction dtat limite est donne par lquation :
0 ) X ,..., X ,..., X , X ( G ) X ( G Z
n i 2 1
= = =
Lensemble{ } 0 Z ; X = dfinit la surface dtat limite. Elle dlimite les deux domaines de
dfaillance et de sret:
Le domaine de bon fonctionnement (ensemble des tats de sret) de la structure est
dfinie par lensemble { } 0 Z ; X > pour toutes les valeurs positives de G(X)
Le domaine de dfaillance (ensemble des tats de dfaillance) est dfini par lensemble
{ } 0 Z ; X pour toutes les valeurs ngatives ou nulles de G(X),
La fonction dtat limite est souvent exprime sous forme dune marge de scurit note
souvent M dfinit par la diffrence entre le critre de rsistance limite et le modle
mcanique, do la notion Contrainte- Rsistance :
M ) X ,..., X , X ( C ) X ,..., X , X ( R ) X ( G
n 1 i 1 i i 2 1
= =
+ +

O
i 2 1
X ,..., X , X reprsentent les variables de rsistance et
n 1 i 1 i
X ,..., X , X
+ +
les
variables de sollicitation.
Toutefois, une des difficults de cette relation Rsistance-Contrainte est quelle ne peut
pas tre implicite cela dpend de la complexit de la structure. Elle est dfinie analytiquement
par la Rsistance des Matriaux ou numriquement par calculs lments finis.
Dans le cas lmentaire dune structure ayant une rsistance R pour un mode de dfaillance
dtermin, soumise un chargement unique C ; la fonction dtat est gale :
C R ) C , R ( G M = =
La surface dtat limite, le domaine de dfaillance ainsi que le domaine de bon
fonctionnement sont reprsents par le graphe de la figure C.2 :
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
ANNEXES
168
Figure C.2. Cas lmentaire de Fonction dtat dune structure.
C.2.3. Analyse statistique
C.2.3.1. Variabilit des paramtres de dimensionnement
Les variables de rsistance et de sollicitation sont gnralement de nature alatoire (carts
de fabrication, htrognit des matriaux, alas de lenvironnement,...). Pour modliser
cette situation et afin dassurer une conception fiable des structures, on introduit la notion de
variable alatoire dans la formule de la fonction dtat limite. Ainsi, nous considrons les
variables de conception comme des variables alatoires dcrites par des lois statistiques qui
tiennent compte de leurs dispersions et de la variabilit mcanique des matriaux, ( voir figure
C.3). La plupart des paramtres ont une variabilit caractrise par une loi normale, loi de
Weibull, Log-normale ou uniforme, etc.
Lidentification dune distribution statistique (dfinie par une densit de probabilit ou une
fonction de rpartition ou bien une moyenne et une variance) est base sur un recueil de
donnes accompagne dune analyse statistique exprimentales en utilisant des techniques
mcaniques et statistiques trs connues, telles que les Essais mcaniques, les techniques
destimation ponctuelle et/ou ensembliste, les techniques des Tests dhypothse paramtriques
et/ou non paramtriques (tests dadquation), et autres. Nanmoins ce nest pas toujours
facile destimer la distribution de probabilit des variables de conception, lun des problmes
majeurs est que les donnes sur les matriaux, elles ne sont pas disponibles ou pas assez
consquentes.
Pour contourner ces problmes on a souvent recours soit aux essais mcaniques pour
obtenir des donnes soit aux mthodes de simulation, ces solutions deviennent trs difficiles
mettre en uvre ds que le nombre de variables est important, cela peut engendrer dautres
problmes ( temps de calcul long, cot de lopration trs lev, ).
R
s
i
s
t
a
n
c
e

R
Chargement C
S
u
r
f
a
c
e

d
t
a
t

l
i
m
i
t
e
:

S
u
r
f
a
c
e

d
t
a
t

l
i
m
i
t
e
:

R

=

C
R

=

C
R > C R > C
R R C C
Zone de bon fonctionnement
Zone de dfaillance
R
s
i
s
t
a
n
c
e

R
Chargement C
S
u
r
f
a
c
e

d
t
a
t

l
i
m
i
t
e
:

S
u
r
f
a
c
e

d
t
a
t

l
i
m
i
t
e
:

R

=

C
R

=

C
R > C R > C
R R C C
Zone de bon fonctionnement
Zone de dfaillance
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
ANNEXES
169
La figure C.3 donne Quelques exemples de modles de variation de certaines variables de
conceptions :
Figure C.3. Modles de variabilit des paramtres de dimensionnement
C.2.3.2. Calcul de la probabilit de dfaillance

Nous supposons que les n variables alatoires
n 2 1
X ,..., X , X intervenant dans la formule
de lquation dtat ) X ,..., X ,..., X , X ( G ) X ( G Z
n i 2 1
= = , ont des densits de probabilit
respectivement : (.) f (.),..., f (.), f
n
X
2
X
1
X
. La densit de probabilit du vecteur
alatoire ) X ,..., X , X ( X
n 2 1
= est la densit conjointe des n variables
alatoires : (.) ,..., , f
n
X
2
X
1
X
. La probabilit de dfaillance de la structure est dfinie
mathmatiquement par :
= =
0 )
i
x ( G
n 2 1 n 2 1
n
X
2
X
1
X f
dx ... dx dx ) x ,..., x , x ( ,..., , f ) 0 ) X ( G ( P P
La fiabilit ou la probabilit du bon fonctionnement est :
Gaussien ?
Weibull ?
Lognormal ?
. ?
Variables Variables
Thermiques Thermiques
Chargements Chargements
Mcaniques Mcaniques
Alatoires Alatoires
Caractristiques Caractristiques
Matriaux Matriaux
Alatoires Alatoires
Autres Autres
Variables Variables
.. ..
Gaussien ?
Weibull ?
Lognormal ?
. ?
Variables Variables
Variables Variables
Mcaniques Mcaniques
Alatoires Alatoires
Mcaniques Mcaniques
Alatoires Alatoires
Matriaux Matriaux
Alatoires Alatoires
Matriaux Matriaux
Alatoires Alatoires
Autres Autres
Variables Variables
.. ..
Autres Autres
Variables Variables
.. ..
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
ANNEXES
170
) 0 ) X ( G ( P P 1 P
f R
> = =
Dans le cas bidimensionnel simple, avec une rsistance R et une contrainte C, la
probabilit de dfaillance P
f
est la probabilit pour que la variable rsistance R de la structure
soit infrieure la variable contrainte C :
= = =
f
D
C , R f
dc dr ) c , r ( f ) C R ( P ) 0 C R ( P P
O D
f
est le domaine de dfaillance de la structure, f
R,C
(.) est la densit conjointe de R et C
Plusieurs problmes sont rencontrs lors de lvaluation de cette intgrale, la densit
conjointe nest pas toujours connue, le domaine de dfaillance peut tre de gomtrie
complexe. Des mthodes sont proposes pour le calcul de cette intgrale, de type calcul direct,
approch ou par simulation. Ces mthodes sont trs nombreuses, nous parlerons des plus
utilises dentre elles (principe, avantages et inconvnients de la mthode):
1. Mthodes directes
Elles sont bases sur un calcul, analytique ou numrique, de la probabilit de dfaillance
partir de la densit conjointe.
Ceci est facile effectuer quand les lois des variables sont respectivement normale ou log-
normale. En cas de distributions quelconques, il faut recourir des mthodes numriques
dintgration qui permettent dobtenir cette probabilit graphiquement partir des
transformes de Mellin par exemple.
Ces mthodes directes ont lavantage dobtenir une valeur exacte de la probabilit de
dfaillance. Mais cette exactitude est obtenue dans les cas simples (normale, lognormale,
Weibull, Gamma), dans le cas contraire il nest pas possible de raliser le calcul directement.
2. Mthodes par approximation
Les mthodes approches sont bases sur trois points essentiels :
o Approximation de la loi de distribution de la variable G par une loi continue
normale (hypothse de phnomne gaussien, ce qui nest pas toujours vrifi) et
de rechercher les paramtres de cette loi (voir figure C.4 ) partir de ceux des lois
des variables,
o Calcul de certains indices appels indices de fiabilit : de nombreux indices ont
t dfinis le plus utilis a t propos par Hasofer et Lind, il existe aussi dautres
indices comme lindice de Cornell ( figure C.4), de Veneziano ou de Ditlevse et
autres...
o Approximation de la probabilit de dfaillance.
Plusieurs mthodes ont t dveloppes dans ce cadre, parmi les quelles on trouve les
mthodes First/Second Order Reliability Methods connues sous le nom FORM/SORM et les
mthodes utilisant l'Algbre des variables alatoires telle que la mthode des moments et
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
ANNEXES
171
sommes des variances. Des travaux de recherche trs avancs et continus sont en cours de
ralisation pour tudier en dtails ces mthodes et leurs applications en industrie.
Figure C.4. Dfinition de la marge de scurit et indice de fiabilit dans le cas
bidimensionnel
La mthode des moments et somme des variances ou algbre des variables alatoires
([Ayyub and Mccuen, 1997], [Dodson and Nolan, 1999]) est base sur la dtermination des
paramtres de la loi de la variable G, dfinie comme fonction des variables de conception, en
appliquant des transformations et oprations sur les variables alatoires. Pour cela, on utilise
les drives partielles de la fonction G partir du dveloppement de Taylor au voisinage des
valeurs moyennes des X
i
. Le rsultat donne une estimation des paramtres de la loi de la
variable G, moyenne et dispersion, en fonction des caractristiques statistiques des variables
de conception. Nanmoins, la connaissance de ces deux paramtres nest pas suffisante pour
le problme de la fiabilit. Aussi, cette mthode est intressante dans le cas o la fonction
dtat est simple et si les variables sont indpendantes entres-elles. Dans le cas contraire la
contrainte de temps de calcul est incontournable.
Les mthodes FORM/SORM ([Ayyub and Mccuen, 1997], [Madsen et al., 1986], [Castillo
et al., 1999]) sont largement utilises, leur temps de calcul dpend du nombre de variables et
non de la probabilit de dfaillance. Pour appliquer ces mthodes, il est ncessaire de
transformer les lois des variables de conception en lois normales centres rduites en utilisant
des mthodes telles que les transformations de Nataf ou de Rosenblatt. Les mthodes FORM
et SORM sont des mthodes numriques approximatives qui ncessitent une hypothse trs
forte concernant la normalit des lois des variables de conception, ce qui nest pas toujours
vrifi en pratique. Vu limportance de ces mthodes, plusieurs tudes sont menes pour
tudier en dtails les diffrentes tapes de ces mthodes, leur limites dapplication et la
validit des rsultats obtenus selon les donnes disponibles afin de bien les amliorer selon les
besoins industriels.
3. Mthodes par simulation de Monte-Carlo
Elles sont bases sur un calcul approximatif de la probabilit de dfaillance selon la
mthode de Monte-Carlo, et appliques en cas d'absence de connaissance explicite de la
forme des lois statistiques des variables de conception. Deux mthodes sont proposes:
M
D
o
m
a
i
n
e

d
e
d
f
a
i
l
l
a
n
c
e
D
o
m
a
i
n
e

d
e
s
r
e
t
.
M
f
M
(.)
P
f
M=R-C
M
Indice de fiabilit
(de Cornell)
M
=
0
M
D
o
m
a
i
n
e

d
e
d
f
a
i
l
l
a
n
c
e
D
o
m
a
i
n
e

d
e
s
r
e
t
.
M
f
M
(.)
P
f
M=R-C
M
Indice de fiabilit
(de Cornell)
M
=
M
=
0
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
ANNEXES
172
mthode de simulation directe parfois appele Hit or Miss Monte-Carlo et mthode de
simulation conditionnelle ( ou de rduction de variance).
La mthode de simulation directe de Monte-Carlo ([Ayyub and Mccuen, 1997],
[Villemeur, 1988]) prsente lavantage de pouvoir valuer la fiabilit quelle que soit la forme
des lois statistiques des variables de conception. Linconvnient majeur est que les
probabilits de dfaillance vrifier tant trs faibles, il est ncessaire deffectuer de
nombreux tirages engendrant des temps de calcul trs importants ([Ayyub and Mccuen,
1997]).
Pour rduire le temps de simulation et corriger les rsultats obtenus par les mthodes
approximatives de FORM/SORM, des mthodes de rduction de variance sont proposes.
Lide est de ne plus faire de simulation autour des valeurs moyennes des variables alatoires
mais autour du point de dfaillance le plus probable trouv soit avec la mthode FORM ou
soit avec SORM. Le nombre de simulation est beaucoup plus faible quavec une application
directe de la mthode de Monte-Carlo. La principale mthode de rduction de variance est la
mthode dchantillonnage prfrentiel (ou importance sampling en anglais). Cette mthode
de simulation est applicable tout problme, elle donne une meilleure prcision et un nombre
de simulation beaucoup moins important que la mthode directe de Monte-Carlo. Nanmoins,
le cot de calculs peut tre trop important et inacceptable en pratique.
C.2.3.3. tude de sensibilit des paramtres de dimensionnement
Les tudes de sensibilit des paramtres permettent dobtenir le poids de chaque paramtre
sur le calcul de P
f
et didentifier ceux le plus dinfluence sur la dfaillance et la dure de vie
de la structure (figure C.5). La technique utilise est gnralement celle des plans
dexprience qui permettent de construire une base de donnes des rponses mcaniques
calcule en fonction des variables de conception. Elle sera utilise pour tudier les sensibilits
et les influences des variables sur le calcul de P
f
et aussi les interactions entre elles.
Figure C.5. Analyse de sensibilit des paramtres
E
f
f
e
t

r
e
l
a
t
i
f

d
e
s

E
f
f
e
t

r
e
l
a
t
i
f

d
e
s

v
a
r
i
a
b
l
e

s
u
r

l
a

f
i
a
b
i
l
i
t

v
a
r
i
a
b
l
e

s
u
r

l
a

f
i
a
b
i
l
i
t
o
m
t
r
i
e
G
o
m
t
r
i
e
T
e
m
p
r
a
t
u
r
e
T
e
m
p
r
a
t
u
r
e
C
h
a
r
g
e
m
e
n
t
C
h
a
r
g
e
m
e
n
t
.
P aramtr es d e d ime ns io nne me nt P aramtr es d e d ime ns io nne me nt
E
f
f
e
t

r
e
l
a
t
i
f

d
e
s

E
f
f
e
t

r
e
l
a
t
i
f

d
e
s

v
a
r
i
a
b
l
e

s
u
r

l
a

f
i
a
b
i
l
i
t

v
a
r
i
a
b
l
e

s
u
r

l
a

f
i
a
b
i
l
i
t
o
m
t
r
i
e
G
o
m
t
r
i
e
T
e
m
p
r
a
t
u
r
e
T
e
m
p
r
a
t
u
r
e
C
h
a
r
g
e
m
e
n
t
C
h
a
r
g
e
m
e
n
t
.
P aramtr es d e d ime ns io nne me nt P aramtr es d e d ime ns io nne me nt
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
ANNEXES
173
C.2.4. Analyse critique des rsultats
Les rsultats obtenus permettent une optimisation de la conception dune structure par un
dimensionnant plus adquat et de mesurer le risque que lon prend en modifiant la valeur du
coefficient de scurit. En cas dun surdimensionnement par exemple il faudrait dfinir un
autre objectif de fiabilit par rapport au scnario de dfaillance choisie. Si on souhaite tudier
un autre scnario de dfaillance il faut effectuer de nouveaux calculs en dfinissant le modle
mcanique associ ce mode de dfaillance.
C.3. Schma de la mthode
Les diffrentes tapes de dmarche probabiliste de la thorie Contrainte-Rsistance sont
reprsentes par lorganigramme suivant (voir figure C.6).
Figure C.6.Organigramme de lapproche probabiliste de la mthode Contrainte-
Rsistance.
Choix et formulation du modle mcanique
Dfinition dun critre de rsistance limite
Formulation de lquation dtat limite
Analyse Prliminaire Analyse Prliminaire
Analyse Mcanique Analyse Mcanique
Analyse Statistique Analyse Statistique
valuation de la variabilit des paramtres
Analyse critique des rsultats Analyse critique des rsultats
tude Qualitative des
scnarios de dfaillance
Paramtres de dimensionnement
Calcul Calcul
de la probabilit de dfaillance de la probabilit de dfaillance
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5
ANNEXES
174
C.4. Limites dapplication de cette mthode
Cette dmarche est actuellement adopte dans divers domaines industriels, parler de ses
limites revient parler des limites des mthodes utilises dans les deux phases principales qui
la constituent : la partie danalyse mcanique et la partie danalyse statistique.
Pour lanalyse mcanique, il est difficile de dfinir un modle mcanique pour
dimensionner une structure complexe (absence de modles mcaniques satisfaisants pour
dcrire des modes de dgradation complexes) ou quand le nombre de variables de conception
et trs grand.
Quant la partie danalyse statistique, on rencontre souvent des problmes lors de
lvaluation de la probabilit de dfaillance. Nous avons dcrit plusieurs mthodes pour
calculer cette probabilit, chaque mthode a ses avantages et ses inconvnients :
Les mthodes directes ont lavantage dobtenir une valeur exacte de la probabilit de
dfaillance. Mais cette exactitude est obtenue dans les cas simples (Normale, lognormale,
Weibull, Gamma), dans le cas contraire il nest pas possible de raliser le calcul directement.
Les mthodes approches bases sur lestimation des paramtres de la loi de la fonction
dtat, moyenne et dispersion, en fonction des caractristiques statistiques des variables de
conception sont intressantes dans le cas o la fonction dtat est simple, dans le cas de
fonctions complexes la contrainte de temps de calcul est incontournable.
Cet tat de lart de mthodes de calcul de la probabilit de dfaillance nest pas exhaustif,
ce sujet a fait l'objet de plusieurs travaux de recherches. Actuellement plusieurs laboratoires
de recherche travaillent pour amliorer les mthodes existantes et en dvelopper dautres. Des
logiciels de calcul sont galement mis au point pour rsoudre les problmes de mise en uvre,
des temps de calculs et de nombre de simulations.
En conclusion, bien quun dimensionnement prenant en compte les dispersions de
rsistance de matriaux et de contrainte subie offre une meilleure garantie que sil nest bas
sur lutilisation dun simple coefficient de scurit (rapport entre la rsistance moyenne et la
contrainte moyenne), il est plus intressant dobtenir des rsultats concernant la probabilit de
dfaillance et la fiabilit, sous formes de distributions et non pas dvaluations ponctuelles.
t
e
l
-
0
0
0
0
9
4
0
7
,

v
e
r
s
i
o
n

1

-

7

J
u
n

2
0
0
5

Tel 00009407

Transféré par

Droits d'auteur :

Formats disponibles

Tel 00009407

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Tel 00009407

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSITE DANGERS Anne 2005

tape 3 tape 2 tape 4

tape 3 tape 2 tape 4

Rsultats dessai Rsultats dessai

= et une temprature de 100C en fonctionnement

, dfinie par la relation (4.39), scrit :

. Soit le nombre total de dfaillances observes dans lintervalle [0, ]

admet une valeur limite gauche)

= Facteur li aux contraintes

Vous aimerez peut-être aussi