Beruflich Dokumente
Kultur Dokumente
OPM
Introduction
Laurent Guillaumat
1 S’intéresser à l’incertain
Est-ce vraiment incertain ?
rugosité
3
Est-ce vraiment incertain ?
Approche pragmatique : on recommence l’observation
un grand nombre de fois
Nb tirages
augmente
4
Est-ce vraiment incertain ?
Attention au trucage, l’incertain à donc des règles :
équiprobabilité
Nb tirages
augmente
5
Est-ce vraiment incertain ?
La planche de GALTON
6
Incertain et variabilité
7
Environnement incertain
• Environnement
• Chargements
• Propriétés des matériaux
• Tolérances géométriques
• …
8
Environnement incertain
On peut borner un minimum le problème :
Prise en compte de la région
9
Environnement incertain
Faut-il considérer tous les environnements ?
-40°C
variabilité
+60°C
10
Environnement incertain
11
Environnement incertain
Propriétés matériaux
métal
composite
12
Environnement incertain
Aléas internes et externes au système
Conditions climatiques
Facteur humain
(E, n, G, σ, …)
Propriétés matériaux
Relief de la route
13
Exemples
25 juillet 2000, le Concorde opérant le vol 4590 d'Air France
113 victimes
Défaillance mécanique
1. P i è c e s u r l a p i s t e
2. P n e u q u i é c l a t e
3. P r o j e c t i l e v e r s l e r é s e r v o i r
14
Exemples
En mars 2011, un séisme et un tsunami ont entraîné la fusion
du combustible de trois des six réacteurs de la centrale de
Fukushima.
Élément naturel
15
Exemples
Un des deux conducteurs du train a affirmé qu'il roulait à
190 km/h pour une limite de vitesse de 80 km/h sur le tronçon
de voie où s'est produit l'accident.
Défaillance humaine
16
2 Définitions
Environnement incertain
Aléas :
18
Quelques définitions
19
Quelques définitions
[ D é f i n i t i o n s e x t r a i t e s d e l a n o r m e E N 1 3 3 0 6 ( 2 0 0 1 )]
20
Quelques définitions
21
Quelques définitions
22
Quelques définitions
Maintenance corrective:maintenance
exécutée après détection d'une panne et destinée
à remettre un bien dans un état dans lequel il
peut accomplir une fonction requise
Maintenance préventive:
maintenance
exécutée à des intervalles prédéterminés ou selon
des critères prescrits et destinés à réduire la
probabilité de défaillance ou la dégradation du
fonctionnement d’un bien
23
Quelques définitions
1. E l i m i n e r a u t a n t q u e p o s s i b l e l e s p o i n t s f a i b l e s
2. A i d e r a u x c h o i x t e c h n o l o g i q u e s
3. D é m o n t r e r l ’ e x i g e n c e d e f i a b i l i t é
4. D é v e l o p p e r l a Q u a l i t é
24
Problème pluridisciplinaires
Approche multidisciplinaires
• P h y s i c i e n s – m é c a n i c i e n s , c h i m i s t e s , …
• S t a t i s t i c i e n s
• M a t h é m a t i c i e n s
25
Positionnement de la fiabilité
Système à n fonctions
AMDEC
m modes de défaillance/fonction
Analyse des modes de défaillances, étude de leurs effets et
criticité
Déterministe
Probabiliste
Valeurs moyennes, limites, …
26
Positionnement de la fiabilité
Déterministe
Valeurs moyennes, limites, …
1. V a l e u r u n i q u e
2. M a r g e
3. C o e f f i c i e n t d e s é c u r i t é o u « d ’ i g n o r a n c e »
4. V a l i d a t i o n p a r r e t o u r d ’ e x p é r i e n c e
27
Positionnement de la fiabilité
Probabiliste
Variables aléatoires, distributions, …
1. P r i s e e n c o m p t e d e l a v a r i a b i l i t é
2. B a n q u e d e d o n n é e s
3. O u t i l s s t a t i s t i q u e s e t p r o b a b i l i s t e s
4. F o n c t i o n d ’ é t a t l i m i t e
28
La fiabilité ne se résume pas à :
1. L a l o i d e g a u s s
2. L a m é t h o d e C o n t r a i n t e R é s i s t a n c e
3. R e m p l a c e m e n t d u t r a v a i l d u b u r e a u d ’ é t u d e s o u
de calculs
4. L ’ a b s e n c e d ’ a n a l y s e f o n c t i o n n e l l e o u A M D E C
5. t r a v a i l d ’ u n s t a t i s t i c i e n
29
La fiabilité en mécanique c’est :
Elle utilise :
2. l e s r é s u l t a t s d e s b u r e a u x d e c a l c u l s .
30
Positionnement de la fiabilité
Approche fréquentielle
1. U n p o i n t d e v u e d e p h y s i c i e n , l e s c o n d i t i o n s
expérimentales d’obtention des données sont bien
connues.
2. L ’ a n a l y s e f r é q u e n t i e l l e r e p o s e s u r l e s s e u l e s
données objectives. Elle est en défaut lorsque les
données sont en nombre insuffisant, le processus
non répétitif, le nombre de paramètres à estimer
important.
3. L e f r é q u e n t i e l r e f u s e d ’ i n t r o d u i r e u n a p r i o r i
dans l’analyse.
4. E l l e e f f e c t u e u n e a n a l y s e c o m p l è t e p r é a l a b l e
suivie d’une interprétation physique.
5. U n e v o l o n t é d ’ o b j e c t i v i t é .
6. U t i l i s a t i o n : a n a l y s e d e s c r i p t i v e , a n a l y s e d e
données, fiabilité opérationnelle, qualité,...
31
Positionnement de la fiabilité
Approche bayesienne
1. U n p o i n t d e v u e d ’ i n g é n i e u r , u n e p h i l o s o p h i e
séduisante, une démarche d’apprentissage
2. L ’ a n a l y s e i n t è g r e t o u t e s l e s i n f o r m a t i o n s
disponibles, en particulier l’expertise
3. N é c e s s i t é d ’ i n t r o d u i r e u n e a p r i o r i ( s o u v e n t
subjective), mais l’impact doit être réduit le
plus possible par le retour d’expérience
(considéré aussi essentiel).
4. U n o u t i l d ’ a i d e à l a d é c i s i o n p a r e x c e l l e n c e , o n
peut exprimer des préférences
5. U t i l i s a t i o n : f i a b i l i t é p r é v i s i o n n e l l e ,
incertitudes, aide à la décision,...
32
3 Approche Contrainte - Résistance
U1
β
U2
Les étapes de la fiabilité
v Surface d’état-limite
v Domaine de sûreté Ds
v Domaine de défaillance Df
34
Les étapes de la fiabilité
Fonction d’état limite
( ) ( ) (
G X = R X 1, ... , X i − S X i +1, ... , X n )
G(X)=0
Défaillance Sûreté
Fiabilité
! $
" ( )
P #G X > 0& =
% ∫
G ( X )>0
f X (X ) dX 1 ... dX n
Probabilité de défaillance
" %
# ( )
P $G X ≤ 0' =
& ∫
G ( X )≤0
f X (X ) dX 1 ... dX n
36
Les étapes de la fiabilité
S R
σS
σR
S R
37
Méthodes de calcul
Monté-Carlo
Tirages aléatoires des variables
10-n => 10n+2 tirages
Temps de calculs !
Couplage avec surfaces de réponses
12
10
8
6
( ) ( ) (
G X = R X 1, ... , X i − S X i +1, ... , X n ) 4
2
0
-2 -1 0 1 2 3 4
( )
G X ≤ 0 => Pf
38
Méthodes de calcul
FORM - SORM
Méthode d’approximation
Temps de calcul beaucoup plus court
Pas d’estimation de l’erreur (aveugle)
Accès aux sensibilités
U1
P = φ (−β )
β
U2
39
Méthodes de calcul
FORM – SORM : comparaison avec Monté-Carlo
1er cas :
G=R-S
R et S deux gaussiennes
Moyenne : R=100 et S variable de 100 à 5 par pas de 5
Ecart type de 20
40
Méthodes de calcul
FORM – SORM : comparaison avec Monté-Carlo
1,0E-01 FORM
MC (1 million)
Probabilité
1,0E-02
1,0E-03
1,0E-04
41
Méthodes de calcul
FORM – SORM : comparaison avec Monté-Carlo
1er cas :
G=R-S
R et S deux gaussiennes
Moyenne : R=100 et S variable à partir de 100
Ecart type de 5
42
Méthodes de calcul
FORM – SORM : comparaison avec Monté-Carlo
1,0E-17
1,0E-20
1,0E-23
1,0E-26
1,0E-29
1,0E-32
1,0E-35
1,0E-38
1,0E-41
43
Méthodes de calcul
44
Surfaces de réponses
3. Krigeage
45
Surfaces de réponses
Plans d’expériences :
p−1
Y = ∑ ai Ψ i (X)
i=0
47
Surfaces de réponses
Krigeage :
Notion de variogramme
m
F(xP ) = ∑ wi .F(xi )
i=1
• interpolation linéaire
• méthode des splines cubiques
48
4 Méthode de Monté-Carlo
Introduction
Permet de calculer des intégrales
Mesure de π
• S o i t u n d i s q u e de rayon = 1 et de
centre (0,0).
• O n t i r e a l é a t o i r e m e n t l a v a l e u r d e s
coordonnées d’un point P dans le carré
de coté =1.
• L a p r o b a b i l i t é q u e P appartienne au
d i s q u e e s t d e π/4 .
• O n u t i l i s e r a c o m m e g é n é r a t e u r une
distribution uniforme.
50
Introduction
52
Technique
Générateur nombre aléatoire classique
100 tirages
1000000 tirages
5000 tirages
53
Technique
Tirages équidistants
Fonction inversible
54
Technique
//**************************************** Tirages équidistants avec une boucle
//
// Tirage Monté-Carlo Gaussienne
//
//****************************************
clear
//tirage équiréparti
for x=0.001:0.001:0.999
invprob=cdfnor("X",moyenne,ecartype,x,1-x)
y(compteur)=invprob
compteur=compteur+1
end
55
Technique
//****************************************
// Tirages équidistants avec la loi uniforme
// Tirage Monté-Carlo Gaussienne
//
//****************************************
clear
clf()
//tirage équiréparti
for i=1:nbtirages
x(compteur)=grand(1,1,"unf",0,1)
invprob=cdfnor("X",moyenne,ecartype,x(compteur),1-x(compteur))
y(compteur)=invprob
compteur=compteur+1
disp(i)
end
56
Technique
Tirages équidistants avec la loi uniforme
100 tirages
57
Technique
Tirages équidistants avec la loi uniforme
100000 tirages
58
Simulation directe
La simulation directe consiste, pour estimer la
probabilité de défaillance, à couvrir l’ensemble du
domaine par des tirages aléatoires et à compter le
nombre de tirage dans le domaine de défaillance :
Z2
domaine de défaillance
fZ2 (Z 2 )
G(Z1, Z 2 ) = 0
Z1
fZ1 (Z1 )
59
Simulation directe
1. G é n é r a t i o n d e n v e c t e u r s z i s e l o n l a l o i c o n j o i n t e
de probabilité de densité fZ ;
2. S i m u l a t i o n d u m é c a n i s m e de défaillance
considéré pour l'échantillon ;
60
Simulation directe
Dans le cas de la simulation directe on peut définir la
probabilité de défaillance comme :
Pf = ∫ f X (X )dX 1 ...dX n = ∫f X
(X ).1G( X )≤0 (X ).dX 1 ...dX n
G( X )≤0 RN
61
Simulation directe
Géométriquement, dans l'espace des variables aléatoires,
chaque vecteur généré représente un point aléatoire. La
simulation directe consiste à dénombrer les points
appartenant au domaine de défaillance et à
n*
calculer la probabilité donnée par : Pf ≈ θ MC =
n
θ M C e s t u n e s t i m a t e u r s a n s b i a i s d e P f ( Biais(θˆ) ≡ E[θˆ]− θ )
θ MC (1− θ MC )
S=
n
62
Simulation directe
En pratique, pour obtenir un coefficient de variation CV
d’environ 10% pour une probabilité P, il faut effectuer au
moins 100/P simulations. En effet le coefficient de
variation est défini comme le quotient de l’écart-type
par la moyenne :
CV =
S
=
(1− θ MC )
θ MC n.θ MC
CV =
(1− P ) ≈
f 1 donc pour un CV=0,1 et Pf=10-n
63
Simulation directe
" 1− Pf % " 1− Pf %
P̂f $$1−1, 96 ' ≤ Pf ≤ P̂f $1+1, 96
' $
'
'
# n.Pf & # n.Pf &
64
Simulation directe
Formule de Shooman :
" 1− P!f %
%erreur = $ 2. ' x100
1,0E+06
$
# n. P!f '&
1,0E+05
1,0E+04
Erreur (%)
1,0E+03
%erreur (Pf=0,01)
%erreur (Pf=10-6)
1,0E+01
1,0E+00
1 10 100 1000 10000 100000 1000000 10000000
1,0E-01
1,0E-02
Nombre de tirages
65
Simulation directe
Convergence très lente
Probabilité de 0,5, évolution du nombre de tirage
66
Simulation directe
Pf : 0,92
Pf : 0,5
Pf : 0,078
67
Simulation directe
Pf
erreur = 10%
Nombre de tirages
68
Listes des autres méthodes
Echantillonnage stratifié
Tirage d’importance
Simulation directionnelle
69
Listes des méthodes
Les deux premières méthodes permettent une réduction
de la variance.
Elles permettent d’estimer des probabilités
d’évènements rares ou de diminuer le temps de calcul.
La réduction de variance consiste à privilégier un
domaine d'intérêt au cours de la simulation puis de
pondérer les résultats obtenus par application du
théorème des probabilités totales.
Z2
+∞ domaine de défaillance
P(B)= ∑ P(B / An ).P(An )
n=1
G(Z1, Z 2 ) = 0
fZ2 (Z 2 )
domaine de sûreté Z1
fZ1 (Z1 )
70
Echantillonnage stratifié
Un inconvénient de la méthode M.C. directe est de ne pas
assurer la couverture totale de l'espace formé par les N
variables : les procédures de générations de nombres
pseudo-aléatoires ne sont pas parfaites
71
Echantillonnage stratifié
PN
Pf ≈ ∑ ∫ 1G( X )≤0 (X ). f (X ).dX 1 ...dX N
i=1 Si
Z2
domaine de défaillance
fZ2 (Z 2 )
G(Z1, Z 2 ) = 0
domaine de sûreté Z1
fZ1 (Z1 )
72
Echantillonnage stratifié
Trois solutions peuvent être appliquées lors de la
partition du domaine :
- E c h a n t i l l o n n a g e s t r a t i f i é é q u i p r o b a b l e : l a p r o b a b i l i t é
d’être dans chaque strate est la même. Cette méthode
de stratification tend à « sous échantillonner » les
queues de distribution des variables aléatoires
d’entrée.
- E c h a n t i l l o n n a g e s t r a t i f i é é q u i d i s t a n t : les strates
sont toutes de même taille.
73
Tirages d’importances
Comme le poids de la probabilité de défaillance est
généralement situé au voisinage du point de conception
P*, il est plus efficace de concentrer les tirages autour
de ce point. Le centre des tirages est déterminé
notamment par des techniques d’homogénéisation.
L’intégrale à évaluer est donnée par :
f X (X)
Pf = ∫ p(X)
p(X). dX1... dX n
G( X )≤0
74
Tirages d’importances
La probabilité peut être écrite suivant :
φn (uk )
Pf = ∫ I D f ψ (uk ). du1... dun
RN
ψ (uk )
75
Tirages d’importances
u2
u1
H(uk)=0
I l f a u t g é n é r e r d e s V . A . n o r m a l e s c e n t r é e s r é d u i t e s uk
(r )
e t d ’ e f f e c t u e r l e c h a n g e m e n t d e v a r i a b l e s : u!k = uk + uk
(r ) (r ) *
76
Tirages d’importances
N # # 2 &&
1 N
φ ( !
u (r )
) 1 β
P!f = ∑ I D(rf) n (rk ) = ∑%% I D(rf) exp % −∑ ui*ui(r ) − (((
N r=1 ψ (u!k ) N r=1 $ $ i 2 ''
*2
β é t a n t l ’ i n d i c e d e H a s o f e r e t L i n d , d o n n é p a r ∑u i
i
77
Simulation directionnelle
78
Simulation directionnelle
La variable aléatoire U, de dimension k, s’exprime sous
la forme d’un produit de variables aléatoires R.A avec
pour loi de A la loi uniforme sur la sphère unité de Rk et
pour R une loi telle que R2 suive une χ2 à k degrés de
liberté. R et A sont indépendantes entre elles.
u2
r
a u1
0
H(uk)=0
79
Simulation directionnelle
80
5 Méthode FORM SORM
U1
β
U2
Généralités
Domaine de défaillance
" " 2 2 %%
Densité de probabilité : P=
1 (
exp$ − $
) (
$ 1 $ X1 − X1
+
X2 − X2 ) ''
''
2.π .σ 1 .σ 2 $ 2 $$ σ 12
σ 22 ''''
$
# # &&
Limite Monté-Carlo :
X2
Espace physique
" " 2 %% 2
P' =
1 (
$ 1 $ X1 − X1
exp $ − $
) ( +
)
X 2 − X 2 ''
2.π .σ 1.σ 2 $ 2 $ σ1
2
σ 22 ''''
# # &&
83
Méthode FORM
Cas d’une gaussienne à deux dimensions
" " 2 2 %%
P' =
1 (
$ 1 $ X1 − X1
exp $ − $
) ( +
)
X 2 − X 2 ''
2.π .σ 1.σ 2 $ 2 $ σ1
2
σ 22 ''''
# # &&
X1 − X1
U1 = ó U 1 = 0 et σ U1 = 1
σ1
1 # 1 2 2 &
P’ devient : Δ' = exp % − (U1 +U 2 ) ( => Équation d’un cercle
2.π $ 2 '
84
Méthode FORM
First Order Reliability Method
X1 H(ui)=0 U1
G(xi)=0
X2 U2
85
Méthode FORM
First Order Reliability Method
U1
U2
Erreur
Espace centré réduit
86
Méthode FORM
Calcul de la probabilité de défaillance :
1 " 1 2 2 %
P= ∫ exp $ − (U1 +U 2 ) '. dU1. dU 2
2.π σ1U1−σ 2U2 +X1−X 2 ≤0 # 2 &
U2 U2
U’2
α
U1 U1
U’1
87
Méthode FORM
Fonction d’état limite dans l’espace physique : G(R, S) = R − S = 0
Etape 1 – Changement de variables :
R−R S−S
U1 = U2 =
σR σS
88
Méthode FORM
a=0
U2
U’2 sin(α ) σR
= tan(α )=
cos(α ) σS
U’0
α ' ' '
U1 G(U1 ,U 2 ) = −(σ R sin(α ) + σ S cos(α )).U 2 +R−S = 0
U’1 R−S
U 2' = = U 0'
(σ R sin(α ) + σ S cos(α ))
89
Méthode FORM
Le déterminant du jacobien de la matrice rotation =1
U1
+∞ 1
− x2
U’1
∫e 2
dx = 2π
−∞
90
Méthode FORM
= 2π
$ −U0' −1(U ' )2 '
1 & 2 2 ') '
P= ∫ e dU2 = Φ(−U0 )
&
2π % −∞ )
(
Notion d’indice de fiabilité !
91
Méthode FORM
$ −U0' −1(U ' )2 '
1 & ') '
P= ∫ e 2 2
dU 2)
= Φ(−U 0
)
&
2π % −∞ (
Fonction de répartition de la gaussienne centrée réduite
−U0'
92
Méthode FORM
Fonction de répartition de la gaussienne centrée réduite
93
Méthode FORM
Application : tige en traction
a.x A + b. y A + c
d=
a2 + b2
94
Méthode FORM
Fonction de répartition de la gaussienne centrée réduite
95
Méthode FORM
Que représente : mR − mS et σ R2 + σ S2
Que représente β
96
Méthode FORM
Indice de CORNELL
FZ(z)
Domaine de
sûreté G(r,s)>0
Domaine de
défaillance
G(r,s)<0
βc*σz mz
m Z = m R − mS mZ
Z = R −S
βc =
σ Z = σ R2 + σ S2 σZ
97
Méthode FORM
Indice de CORNELL
# mG & # &
m −m
Pf = Φ (−βC ) = Φ % − ( = Φ %% − R2 S2 (
(
$ σG ' $ σ R +σ S '
La situation ou les variables sont gaussiennes et l’état limite est linéaire est la
seule représentation rigoureuse pour cet indice.
98
Méthode FORM
Indice de HASOFER et LIND
X1 H(ui)=0 U1
G(xi)=0
X2 U2
99
Méthode FORM
t
β = min(d {u}) = {u} {u}
Pf ≈ Φ(−β )
100
Méthode FORM
Le problème de fiabilité se ramène donc à un problème d’optimisation :
t
β = min(d {u}) = {u} {u} Sous la contrainte : H ({u}) ≤ 0
2
L(ui , λ ) = d (ui ) + λ H (ui )
101
Méthode SORM
Soit l’état limite suivant :
2 2
H(u1 ,u2 )= u −2 3u1u2 +3u −2 3u1 −2u2 +12
1 2
" %
$ 1 3 ' H(u)<0
$ 2 2 '
[ ] $
R = ' V2
$ − 3 1 '
$# 2 2 '&
U1
102
Méthode SORM
V1
U2
H(u)<0
V2
β
U1
103
Méthode SORM
β =3
β = 3 ⇒Pf = φ (−3)
105
Méthode SORM
Problème : la fonction n’est pas un hyper-plan !
Erreur
V1
U2
H(u)<0
Erreur
V2
β
U1
106
Méthode SORM
Second Order Reliability Method
FORM Pf ≈ Φ (− β )
Courbures
n−1 1
−
SORM Pf ≈ Φ (−β ) ∏ (1− β κ i ) 2
i=1
Breitung
107
Méthode SORM
! $ " 1 %
# 3 & $ '
2 '
Courbures principales : λ1 = 0, φ1 = ## 2 && λ2 = 0, φ2 = $
1 $ 3 '
# & $ − '
" 2 % # 2 &
Résultat FORM
Pf _ FORM ≈ φ (−β ) = 0, 001350 soit β = 3
Formule de Breitung
1
Pf _ SORM = φ (−β ) = 0,00051 <=> β = 3,285
1+ κβ
Intégration analytique
X2 û2 U2
(
uˆi = Φ −1 FX ii (xi )) ( )
ui = Γ0,ij Φ −1 FX j (x j )
109
Généralisation
On notera :
110
Généralisation
Transformation probabiliste
U i = Ti (X j )
u2
x2 Domaine de
défaillance Domaine de
défaillance
P* P*
x * u2* H(ui)=0
2 G(xi)=0 β
* x1 u1
0 x 0 *
1 u
1
111
Généralisation
Cas de variables indépendantes
σi
N (0,1)
112
Généralisation
Cas de variables indépendantes
Variables gaussiennes
La transformation donne : H (u 1, u 2 ) = σ RU 1 − σ SU 2 + m R − mS
Cette fonction est une droite dont la distance la plus courte avec l’origine est
donnée par :
m R − mS
d (0, H ) = =β
σ R2 + σ S2
113
Généralisation
( )
Pf = Φ −β
mS=2
σS=1
σR=1
mR=5
mS=2
σS=1
114
Généralisation
Cas de variables indépendantes
x i → u i = Φ−1 (F x (x i ))
i
u i → x i = F x−1 (Φ(u i ))
i
115
Généralisation
Cas de variables indépendantes
1ère étape
N (2;1)
Xi -> Probabilité
0,158
1,0
116
Généralisation
Cas de variables indépendantes
2ème étape
N (0,1) -> ui
-1,00
0,158
117
Généralisation
Cas de variables indépendantes
3ème étape
Détermination de
la loi entre ui et xi -1,00
1,0
118
Généralisation
Cas de variables indépendantes
x i -m x
x i → ui = i
σi
119
Généralisation
Cas de variables indépendantes
120
Généralisation
Cas de variables dépendantes :
121
Généralisation
Méthodes d’optimisation La détermination de l’indice
de fiabilité demande la
G(X)=0 recherche du point de
défaillance le plus probable
noté P*.
S
S u i* = −βαi
P*
β
R
0
123
Généralisation
Il faut considérer :
" %
u su l2a' c o n t H
β = min d (u k ) = min $$ s o∑ r a (i u
n t e) ≤ 0
i ' k
# i &
124
Généralisation
Trouver : u k*
Qui minimise : d 2 (u k ) = ∑u i2
i
Sous la contrainte : H (u k ) ≤ 0
1. D i c h o t o m i e
2. S i m p l e x e n o n l i n é a i r e
1. M é t h o d e d e N e w t o n
2. M é t h o d e d e p r o g r a m m a t i o n q u a d r a t i q u e s é q u e n t i e l l e
Méthodes hybrides
1. M é t h o d e s D F P e t B F G S
127
Généralisation
Problématique :
Minimum local
Minimum global
128
Généralisation
u1
129
Généralisation
Synthèse
Pénalité +robuste
-choix arbitraire des pénalités
HLRF : Hasofer-Lind-Rackwitz-Fiessler
SQP : Programmation quadratique Séquentielle
130
Facteurs de sensibilité
• L’indice de fiabilité
131
Facteurs de sensibilité
132
Facteurs de sensibilité
133
Facteurs de sensibilité
134
Facteurs de sensibilité
• S e n s i b i l i t é m é c a n i q u e
• S e n s i b i l i t é s t o c h a s t i q u e
Influence sur l’indice de fiabilité => variabilité
135
Facteurs de sensibilité
Sensibilité mécanique
({ }) = ∇ G {x }
∂G x
si =
∂x i
( ) i
"
si =
{ ({y })}%'& = ∑ ∂G "$#{x ({y })}%'& ∂x ({y })
∂G $ x
# i
∂y i j ∂x i ∂y i
si =
∂G x ({ }) xi
∂x i
({ }) { } {
G x
x = xr }
136
Facteurs de sensibilité
Attention !!
sensibilité mécanique
et
stochastique
137
Facteurs de sensibilité
Sensibilité fiabiliste
138
Facteurs de sensibilité
Sensibilité de l’indice de fiabilité
αi =
({ })
∇i H u
∇H ({u })
{ } u*
t
∂β ∂β
{ }{}
β =− α u ⇒ {}
=− α = −αi
∂ u
{ }{ ∂u i
u*} {u *}
139
Facteurs de sensibilité
Sensibilité de l’indice de fiabilité
∂β
=∑
∂β ∂u j
= −∑α j
∂T j ({x }) t
= − $J & α{}
∂x i ∂u j ∂x i ∂x i % '
j j
{x *}
140
Facteurs de sensibilité
Sensibilité de l’indice de fiabilité
∂β u *j
= −α j =
∂u j β
αi =
∂β αi = ∑
∂β ∂u j
= −∑
({ } { })
u *j ∂T j x * , p
γ
∂Pi
γ
j ∂u j ∂p iγ j β ∂Piγ
{u *}
γ
{u *}
141
Facteurs de sensibilité
Facteurs d’omission
β u
{} U i =u i
ς (U i = u i ) =
β
Ui = ui
142
Facteurs de sensibilité
Facteurs d’omission
! $
({ }) = β + ∑α U
H U
i
i i
=0 devient H # U U k = u k & = β + αk u k + ∑αiU i = 0
" {} %
i ≠k
αk u k
β 1+
{U }U k
=u
k β
ς (U =u )
= =
k k
β 1 − αk2
143
Facteurs de sensibilité
Facteurs d’omission
Exemple :
G (X 1 , X 2 ) = X 1 − X 2
mX1=5 σX1=0,8
mX2=2 σX2=0,6
X1 −5 X2 −2
U1 = U2 =
0,8 0,6
L ’ é t a t l i m i t e d e v i e n t : H (U ,U ) = 3 + 0,8.U − 0,6.U
1 2 1 2
β + α R u R + αS u S = 0
144
Facteurs de sensibilité
Facteurs d’omission
Exemple :
u2 H (U 1,U 2 ) = 0
H (U 1 = u 1,U 2 ) = 0
β
{U }U =u
1 1
βU
{}
u1
145
Facteurs de sensibilité
Facteurs d’omission
Exemple :
β + αk u k 3 + 0,8 * u 1
β = =
{U }U =u
1 1
1 − αk2 0,6
αk u k 0,8u 1
β 1+ 1+
L e f a c t e u r d ’ o m i s s i o n e s t : ς (U =u ) =
{U }U k
=u
k
=
β
= 3
1 1
β 1 − αk2 0,6
0,8u 1 (= 0)
1+
3 1
P o u r l ’ e x e m p l e o n f i x e x 1 = 5 ( u 1 = 0 ) = > ς (U =u ) = = = 1,67
1 1
0,6 0,6
β =5
{U }U =u1 1
146
6 Sûreté de fonctionnement
E3
E1 E4
E7
E2 E5
E6
Introduction
Toutes les notions vues précédemment concernaient un composant
générant un scénario de défaillance et donc un état limite.
148
Introduction
Un système subit une défaillance quand il ne peut plus délivrer le
service attendu. La panne est l’état du système résultant d’une
défaillance.
• Série ;
• Parallèle ;
• Série de combinaisons parallèles ;
• Parallèle de combinaisons séries ;
• Parallèle conditionnelles.
149
Introduction
Considérons une population de N équipements, mis en service à
l'instant 0. À l'instant t, il reste R(t)×N équipements en
service ; la proportion R(t) est la fonction de survie de
l’équipement considéré. Cette fonction R(t) est la probabilité de
n’avoir connu aucune défaillance jusqu’à l’instant t.
f (t)= R(t).λ(t)
150
Introduction
Comme la probabilité de défaillance représente la variation
(négative) de la population, on a aussi
dR
f (t)= −
dt
D’où :
d ln(R)
λ(t)= −
dt
Finalement :
− λt
R(t)= e
151
Introduction
Mean Time Before Failure = Temps moyen entre pannes
MTBF =
∑ ( duréede fonctionnement −duréede panne )
nombrede pannes
1
MTBF =
λ
152
Introduction
Un système subit une défaillance quand il ne peut plus délivrer le
service attendu. La panne est l’état du système résultant d’une
défaillance.
153
Systèmes en série
Considérons un ensemble d’évènements ayant chacun une défaillance
Ei, associée à une probabilité P(Ei). Le système est un système série
si l’occurrence d’un seul événement entraine la défaillance de
l’ensemble du système.
Psys = Prob(∪Ei )
E1 E2 E3 E4
154
Systèmes en série
E1
E2
155
Systèmes en série
La défaillance d’un des maillons entraine la rupture du système :
n
Rsystème (t)= ∏ Ri (t)
1
Exemple :
R1 (t) = 0,99
R2 (t) = 0,97
R3 (t) = 0,96
R4 (t) = 0,98
R5 (t) = 0,99
156
Systèmes en parallèle
Considérons un ensemble d’évènements ayant chacun une défaillance
Ei, associée à une probabilité P(Ei). Le système est un système
parallèle si la défaillance de tous les événements est nécessaire pour
entrainer la défaillance du système.
E1
Psys = Prob(∩Ei )
E2
E3
Principe de la redondance
E4
157
Systèmes en parallèle
158
Systèmes en parallèle
n
Rsystème (t)= 1− ∏(1− Ri (t))
1
Exemple :
R1 (t) = 0,80
Avec 1 élément, 2 éléments, 5 éléments
159
Systèmes série de parallèle
Pf = Pr ob (∪(∩E i ) j )
sys j i
E3
E1 E4
E7
E2 E5
E6
160
Systèmes série de parallèle
Pf = Pr ob (∩(∪E i ) j )
sys j i
E1 E2 E3
E4 E5
161
Exemple
Quelle est la fiabilité de ce système ?
Elément R
1 0,65
1
2 0,65
5 7
3 0,65
2 4
4 0,96
6 8
5 0,92
3 6 0,89
7 0,87
8 1,0
162
Exemple
163