Contribution des connaissances a priori dans le pronostic du risque de défaillance des systèmes en exploitation

La problématique de recherche concerne le Pronostic du risque de défaillance des systèmes en exploitation hautement fiables. Ces systèmes sont soumis à des programmes d'inspection et d'intervention réglementaires qui assurent leur sécurité durant leurs périodes de vie utile. Ces systèmes sont assujettis à très peu d'évènements de défaillances et de défauts de fonctionnement. Le défi des experts en maintenance est de pouvoir capitaliser sur les connaissances acquises suite aux diagnostics des causes à l'origine des défaillances et des défauts de fonctionnement de ces systèmes d'une période à l'autre afin d'établir un pronostic valable de leurs risques de défaillance. Pour ce faire, trois scénarios de modélisation des avis a priori sur le risque de défaillance sont proposés et analysés. Scénario 1 : une distribution a priori constante d'une période d'exploitation à une autre, ne tenant pas compte des évènements récents ; Scénario 2 : une distribution a priori à mémoire courte, tenant compte des événements récents au cours de la dernière période d'observation ; Scénario 3 : une distribution à mémoire cumulative qui tient compte de tous les évènements durant toutes les périodes d'observation antérieures. À l'aide de l'inférence bayésienne, ces avis a priori sont conjugués avec les données de défaillance afin d'établir le risque de défaillance a posteriori. Ce risque permet ensuite d'établir un pronostic du risque de défaillance tout au long de la durée de vie d'un système. Une étude comparative de ces différents scénarios est réalisée afin d'évaluer la contribution de chacun des a priori dans la précision de pronostic du risque de défaillance. Deux modèles de risque de défaillance sont étudiés : le modèle binomial qui caractérise la probabilité de défaillance d'un système et le modèle de Poisson qui caractérise le taux de défaillance. Le Deviation Information Criterion (DIC), le p-value Bayésien et le test de Friedman sont utilisés comme critères de validation et d'analyse des scénarios proposés. Deux échantillons de données de défaillance et de défauts de fonctionnement se rapportant à l'exploitation d'une flotte de moteurs d'aéronefs et une autre de turbines à gaz sont utilisés en guise d'illustration.

Abstract

The research problem is about dependable operating systems failure risk prognosis. These systems are monitored and inspected, on a regular basis, in order to insure their safety during their useful life. They are also subject to rare failure and fault events. This is challenging for the maintenance experts, since they have to be able to capitalize on the acquired knowledge during the diagnosis of failure and faults causes from one period of time to another. As a consequence, a valid failure risk prognosis is determined for each period of time. For this purpose, three scenarios for modeling a prior opinions on the risk of failure are proposed and analyzed. The first a priori remains the same for all the operating periods of time, thus, not taking into account recent events. The second a priori is a short memory a priori,that takes into account the last period events. Finally, the third a priori is cumulative and considers all the events that took place during all previous periods. Thanks to the Bayesian inference, these a priori opinions are conjugated with failure data so as to establish an a posteriori failure risk, which enables us to establish a prognosis of failure risk throughout the useful life of an equipment. A comparative study of these different scenarios is carried out in order to evaluate the contribution of each of the a priori in the precision of the prognosis of a system failure risk. Two models of failure risk are considered: the binomial model which characterizes the probability of failure of a system, and the Poisson model which characterizes the rate of failures. The Deviation Information Criterion (DIC), the Bayesian p-value and the Friedman test are used as techniques to validate and analyze the proposed scenarios. Two databases relating to the operation of a fleet of aircraft engines and gas turbines are used for illustration purposes.