Amélioration du système de supervision des turbines à gaz basée sur

l’estimation floue de leur fiabilité et disponibilité

Nadji Hadroug (a), Ahmed Hafaifa (a) and Ahmed Chaibet (b)
(a)
Applied Automation and Industrial Diagnostics Laboratory, Faculty of Science and Technology,
University of Djelfa 17000 DZ, Algeria.

E-mail: N.hadroug@univ-djelfa.dz; hafaifa.ahmed.dz@ieee.org

(b)
ESTACA - École d'Ingénieurs, Paris, France

Email: Ahmed.CHAIBET@estaca.fr

Résumé

Dans ce travail, nous étudions l'optimisation de la fiabilité et de la disponibilité des processus

industriels complexes utilisant les techniques de la logique floue, dans le but d’améliorer leur système
de surveillance et d'exploitation. L'avantage de l'augmentation de l'efficacité dans ces installations
industrielles, par des enquêtes récentes avec des tests sur une turbine à gaz examinée. Permis, par
l'examen des paramètres de surveillances, de garantir un fonctionnement fiable et sûr de ce système
de turbine à gaz.

Mots-clés: Disponibilité, turbines à gaz, système de surveillance, de fiabilité, d'optimisation,

l'installation industrielle.

Abstract

In this work, we study the optimization of reliability and availability of complex industrial processes
using the techniques of fuzzy logic in order to improve their surveillance systems and exploitation.
The advantage of increasing efficiency in the industrial plants, by recent investigations with tests on
an examinee gas turbine. Permits, by examining the monitoring parameters to ensure reliable and
safe operation of the gas turbine system.

Keywords: Availability, gas turbines, monitoring system, reliability, optimization, industrial installation.

1. Introduction

Les démarches de développement et d’analyse de fiabilité ont pour objectif de trouver toutes les
causes pouvant affecter la fiabilité du système, et/ou de tous les effets engendrés par l’une de ses
défaillances potentielles. Dans plusieurs applications industrielles les approches de fiabilité
s’organisent dans différentes méthodes d’analyse [1-8]. Dans ce travail, on s’intéresse de plus près
aux effets et aux conséquences qu’une défaillance donnée peut avoir sur le système lui-même et sur
son environnement. En effet, il s’agit d’identifier l’impact d’une vibration de rotor d’une turbine à gaz
sur la turbine lui-même et les effets ressentis par l’exploitant. Donc, il s’agit de rechercher les causes
d’un événement ou d’une défaillance, ou plutôt de chercher à identifier ce qui est à l’origine de cette
vibration.
Cependant, les méthodes d’analyse déployées dans ces démarches sont aussi nombreuses que
différentes, le rôle de l’analyste fiabiliste consiste d’abord à choisir les méthodes les plus adaptées au
type de problème abordé, aux objectifs qui lui sont fixés et aux moyens dont il dispose. Ensuite, il doit
faire en sorte que l’exploitation de ces méthodes aboutisse à la réalisation d’un modèle de fiabilité du
système et des défaillances qui l’affectent [8-10].

Dans cet article, une modélisation floue avec optimisation de la fiabilité et de la disponibilité d’une
turbine à gaz est proposée, dans le but d’améliorer leur système de surveillance et d'exploitation.
Pour l’amélioration de leur système de supervision basée sur l’estimation floue de leur fiabilité et
disponibilité.

2. Méthodes d’évaluation de fiabilité

En réalité pratique et avant toute étude de fiabilité, il est indispensable de disposer des analyses
fonctionnelles interne et externe du système. Ces deux analyses sont complémentaires, elles sont
utilisées à des moments et avec des buts différents [10-13]:

• Analyse fonctionnelle externe est indépendante de toute solution et permet de fixer des
objectifs de performances (des limites matérielles du système, les fonctions et les opérations
réalisées par le système, les configurations d’exploitation) et d’exprimer les attentes des
utilisateurs,

• Analyse fonctionnelle interne porte sur la définition générale du système et sur la

détermination du cheminement des fonctions techniques des différents composants dans le
système.

A chaque étape du cycle de développement simplifié, nous avons associé les méthodes d’analyse de
la fiabilité. En se basons sur le recueil des données, qui représente un ensemble de données
validées et/ou élaborées après un long processus d’expertise et de traitement, relatif à un domaine de
connaissance et organisé pour être offert aux consultations d’utilisateurs. En suite, les essais de
fiabilité, cela sont destinés à vérifier ou compléter les données de fiabilité existantes ou à les élaborer
lorsqu’elles ne sont pas disponibles, et ceci en procédant à des tests sur un certain nombre de
systèmes. Ils s’appliquent sur les modèles d’étude ou prototypes et sur les systèmes de présérie. Et
enfin, le retour d’expériences (REX) qui a pour objectif d’élaborer une base de connaissances à partir
d’une analyse du système pendant toute la durée de vie du système, de sa mise en service jusqu’à
sa désintégration [11-15].

En effet, le développement d’un système s’effectue selon une suite séquentielle d’étapes, comme il
est montré sur la Figure 1. Toutes les étapes sont conditionnées par les précédentes. Les études de
fiabilité s’inscrivent dans cette suite et forment le processus de fiabilité [9, 11, 14 et 16-20].
Figure 1 : Méthodes d’évaluation de fiabilité pendant le cycle de développement d’un système

Cependant, le processus de fiabilité comporte trois phases : la fiabilité prévisionnelle, la fiabilité

expérimentale et la fiabilité opérationnelle dans lesquelles on utilise plusieurs méthodes et outils. Plus
on agit en amont (fiabilité prévisionnelle et expérimentale), plus on obtient des systèmes
suffisamment robustes dès les premières étapes de la spécification [17-20].

2.1. Evaluation prévisionnelle de la fiabilité

Cette phase consiste dès le début dans l’étude de fiabilité à travers des analyses qualitatives (APR,
AMDEC, ...) et quantitatives (AdD, DF, ...), en intégrant les différents recueils de données. Pour des
systèmes complexes, il est possible de modéliser la fiabilité par des RdP ou MEE. La fiabilité
prévisionnelle permet de prendre des orientations optimales en matière de conception [20].

2.2. Evaluation expérimentale de la fiabilité

Cette phase intervient dès que le développement du produit est suffisamment avancé et que l’on
dispose des premiers prototypes, il est possible de réaliser des essais de robustesse (appelés
également essais aggravés) afin de connaître les faiblesses et les marges de conception. Une fois
que le produit est mature (marges suffisantes), une campagne d’essais peut être menée pour estimer
la fiabilité. Lors de la production, l’élimination des défauts de jeunesse (dérive process, composant
faible, ...) est opérée par des essais de déverminage [18-21].

2.3. Evaluation opérationnelle de la fiabilité

Une fois que le produit est en exploitation, une estimation de la fiabilité est réalisée à partir des
données de REX. Elle se pratique dès les premières mises en service et permet ainsi de corriger des
défauts de conception et de fabrication/réalisation [18-21].
3. Amélioration de la fiabilité

Pour l’amélioration de la fiabilité des systèmes industriels, elle consiste à trouver la meilleure façon
d'augmenter la fiabilité. Les méthodes les plus utilisées pour réaliser ceci est de réduire la complexité
du système au minimum possible et d’augmenter la fiabilité des composants dans le système. Avec
une maintenance de réparation des composants défaillants ou avec une maintenance préventive des
composants qui serons remplacés périodiquement par des autres neufs même s'ils ne sont pas
encore défaillants. Dans ce cas, la fiabilité total de ce système pour les composantes en série est
donner par :

n
R s (t ) = ∏ R i (t ) (1)
i =1

Avec : i є {1, n} et Ri(t) la fiabilité du composant (i)

Et pour les composantes en parallèle est donner par :

n
R s (t ) = (1 − ∏ (1 − R i (t ))) (2)
i =1

Avec: i є {1, n} et Ri(t) la fiabilité du composant (i)

L’amélioration de la fiabilité des systèmes industriels est basée sur le développement de l’approche
de fiabilité utilisée. Le développement de fiabilité d’un système s’effectue selon l’évaluation
prévisionnelle et l’évaluation expérimentale et enfin l’évaluation opérationnelle de la fiabilité.

3.1. Estimation de fiabilité

La maîtrise de la fiabilité d’un système représente un enjeu économique important pour toute
entreprise. La mesure de cette grandeur est un premier pas indispensable vers sa maîtrise. De
nombreuses entreprises se sont aperçues que la fiabilité est un facteur important de leur
compétitivité. Les concepteurs et les utilisateurs des systèmes complexes montrent un grand intérêt
pour des évaluations de la fiabilité du système global, des parties matérielle, logicielle et des
interactions entre les différentes parties du système. La fiabilité recouvre de multiples aspects :
l’analyse de défaillance des systèmes, la fiabilité prévisionnelle, les banques de données de fiabilité,
les essais de fiabilité, la fiabilité opérationnelle, les méthodes prévisionnelles de fiabilité et de
sécurité, l’assurance de la fiabilité et de la qualité.

La caractérisation de la fiabilité d’un équipement ou d’un système peut être obtenue selon trois
approches qui se distinguent par le type de données dont on dispose, comme il est montré sur la
Figure 2. Ces données peuvent correspondre à des temps de défaillance issus d’un historique de
panne (modèles statistique sur base d’un historique d’événements), à des mesures de la dégradation
physique prélevées au cours du temps dont on connait la loi de dégradation (modèles physiques de
défaillance) ou bien à l’évolution de variables explicites de la dégradation (suivi d’un indicateur de
dégradation).
 Modèles physiques
Z(t) de défaillance

dégradation
t
R(t)
1 Fiabilité
durée de vie

Fiabilité
Suivi d'un indicateur Historique événements
X(t) de dégradation 0 statistiques

Etat
Indicateur

Marche =1 panne =0
t
1
0
t t

Figure 2 : Approche d’estimation de fiabilité

3.2. Validation et calculs fiabilité

Pour les calculs fiabilité, on peut minimiser le poids, la taille, le coût et les contraintes pour améliorer
la fiabilité de système industriel. En pratique, il existe plusieurs lois pour les calculs fiabilité ; parmi
ces lois, on trouve la loi Weibull qui a de nombreuses applications dans plusieurs domaines. Elle
décrit la vie des matériels qui subissent des défaillances. La loi de fiabilité est donnée par la relation :

β
⎛t ⎞
− ⎜⎜ ⎟⎟
⎝η ⎠
R (t ) = e (3)

La densité de probabilité est la dérivé la fonction de répartition est donnée par :

f (t ) = F ′(t ) = − R′(t )

′ ′
⎛ ⎞ ⎛ −⎜⎛ t ⎟⎞ ⎞
β β
⎛t⎞
−⎜ ⎟
⎜
f (t ) = 1 − e ⎝η ⎠ ⎟ = −⎜e ⎝ ⎠
η ⎟ (4)
⎜ ⎟ ⎜ ⎟
⎝ ⎠ ⎝ ⎠

La dérivé de la formule (2) nous donne ce qui suit :

⎛ β ′ ⎞ β ′
β β

⎜ ⎛ ⎛ t ⎞ ⎞ −
⎛t⎞
⎜ ⎟ ⎟ ⎛ ⎛ t ⎞ ⎞ −
⎛t⎞
⎜ ⎟
f (t ) = − ⎜ − ⎜ ⎜ ⎟ ⎟ e ⎝ η ⎠ ⎟ = ⎜⎜ ⎜ η ⎟ ⎟⎟ e
⎝η ⎠
(5)
⎜⎝η ⎠ ⎟
⎜ ⎝ ⎠ ⎟ ⎝⎝ ⎠ ⎠
⎝ ⎠

Cela conduit à :

′ β −1 ⎛t⎞
β
β −1 ⎛t⎞
β

⎛t⎞⎛t⎞ −⎜ ⎟ 1 ⎛ t ⎞ −⎜ ⎟
f (t ) = β ⎜ ⎟ ⎜ ⎟ e ⎝ η ⎠ = β ⎜ ⎟ e ⎝ η ⎠ (6)
⎝η ⎠ ⎝η ⎠ η ⎝η ⎠
 β
β −1 ⎛t⎞
β⎛t⎞ −⎜ ⎟
⎝η ⎠
f (t ) = ⎜ ⎟ e (7)
η ⎝η ⎠

Finalement la fonction de densité de probabilité est donnée par la relation :

β
β −1 ⎛t ⎞
β ⎛t ⎞ −⎜⎜ ⎟⎟
⎝η ⎠
f (t ) = ⎜ ⎟ e (8)
η ⎝η ⎠

Le taux de défaillance est donné par la formule :

f (t ) f (t )
λ (t ) = =
R(t ) 1 − F (t )
β
β −1 ⎛t⎞
f (t ) β⎛t⎞ −⎜ ⎟
⎝η ⎠ 1
λ (t ) = ⎜ ⎟ e (9)
1 − F (t ) η ⎝ η ⎠
β
⎛t⎞
−⎜ ⎟
⎝η ⎠
e
Finalement on peut écrire :

β −1
β ⎛t ⎞
λ (t ) = ⎜ ⎟ (10)
η ⎝η ⎠

Le taux de défaillance instantané h (t) :

β −1
β ⎛t ⎞
h (t ) = ⎜ ⎟ (11)
η ⎝η ⎠

3.3. Estimation de fiabilité à base de logique floue

L’intelligence artificielle peut permettre d’automatiser certaines des décisions prises manuellement
dans le monde industriel et être une alternative efficace aux processus basés sur des règles. Car,
l’intelligence artificielle serait capable de prendre en compte plus de facteurs et de variables, tout en
apprenant, à la différence des moteurs de planification automatique basés sur des algorithmes fixes.
Ce travail est consacré à l’utilisation d’un système expert à base de la logique floue, pour l’estimation
de fiabilité d’une turbine à gaz examinée. En effet, la logique floue est une technique de traitement de
connaissances imprécises basées sur des termes linguistiques, elle donne les moyens de convertir
une commande linguistique basée sur le raisonnement humain en une commande automatique,
permettant ainsi la commande des systèmes complexes dont les informations sont exprimées d’une
façon vague et mal définie [8-15].

Soit l’ensemble E est donné par la fonction d'appartenance identiquement égale à 1 et l'ensemble
vide est donné par la fonction d'appartenance identiquement nulle. Le noyau d'une partie floue A est
l'ensemble des éléments qui appartiennent totalement à A, c'est-à-dire dont le degré d'appartenance
à A vaut 1 :
 {
n ( A ) = x ∈ E μA ( x ) = 1} (12)

Le support d'une partie floue A est l'ensemble des éléments appartenant, même très peu à A,
c'est-à-dire dont le degré d'appartenance à A est différent de 0 :

{
supp ( A ) = x ∈ E μA ( x )〉 0} (13)

La hauteur d'un sous-ensemble flou A de E est définie par :

{
h ( A ) = sup μA ( x ) x ∈ E } (14)

Une partie floue A de E peut aussi être caractérisée par l'ensemble de ses α-coupes. Une α-
coupe d'une partie floue A est le sous-ensemble net (classique) des éléments ayant un degré
d'appartenance supérieur ou égal à α :

{
α − coupe ( A ) = x ∈ E μA ( x ) ≥ α } (15)

Il existe plusieurs fonctions répondant aux critères énoncés. On a choisi d'adopter la

fonction, comme il est montré sur la Figure 3.

Non ( µA ( x ) = 1 − µA ( x ) (16)

µ(x) non µ(x)

1 1

0 0
70 80 70 80

Figure 3 : Fonction d’appartenance de l’opérateur Non

Nous pouvons considérer que chaque règle donne un avis sur la valeur à attribuer au signal
de commande, le poids de chaque avis dépend du degré de vérité de la conclusion, comme il est
montré sur la Figure 4.

µA µB µC

R1:
}⇒
min
y0 z µC
x0 x y

}⇒
max.
µA’ µB’ µC’
z

R2:
}⇒
min

x0 x y0 y z

Figure 4 : Principe de l’agrégation de deux règles

Le schéma montré sur la Figure 5, résumer le principe de l’utilisation de concept flou.

Entrées non Sorties non

floues floues
Base de
connaissances floues
Interface Interface
Non-flou/ Flou/Non-flou
Flou Moteur
d'interférences floues

Fuzzification Raisonnement Défuzzification

Figure 5 : Schéma de principe d’un contrôle flou

3.4. Système expert à base de connaissance

Chaque expert acquis au cours de son travail une expertise, cette expertise ou l’ensemble de
ces connaissances, est stocké sous forme de faits ou de règles de production. Cet ensemble de La
première étape consiste à calculer le taux de défaillance de chacune des 6 composantes choisies à
partir des informations et des conditions de travail de la pompe. Ensuite et à base de taux de
défaillance de chaque composant, le taux de défaillance global de la pompe centrifuge est déterminé.
Les bases de connaissances d'expert MIL-HDBK utilisant des lois mécaniques et des lois empiriques
basées sur la connaissance de l'expert sont utilisées. La Figure 6, ci-dessous présente l'architecture
du premier système expert.

Utilisateur
λRObase Conditions de
Base des
Moteur λCFbase fonctionnement
connaissances D(cm),T( oC)..
d'inférence CTLF (MIL-HDBK) Interface
.
(Programme . K avec
MATLAB) l'utilisateur
(PC)
λBE, λSE, λP…
Calculés

Expert

Figure 6 : Architecture du premier système expert

4. Résultats d’application

Pour déterminer le taux d'échec choisi par un système qui utilise deux entrées et deux sorties
variables, ces variables sont suffisants pour sélectionner l'architecture des systèmes flous pour
modéliser un système de vibration d’une turbine à gaz. Le premier modèle flou qui utilise deux
entrées (et TBF) pour générer une sortie unique (la valeur du taux de défaillance), chaque entrée est
fuzzified par trois ensembles flous de type gaussien. Le système expert prendra la structure finale
comme le montre la Figure 7, ci-dessous.

Base des  Base des 
Moteur d'inférence  Moteur d'inférence
connaissances   connaissances  (Programme  
MATLAB) 
(MIL‐HDBK)  (Barringer  MATLAB)
database)
Utilisateur

Interface
avec
l'utilisateur
(PC)

Expert

Figure 7 : Architecture de système expert pour l'évaluation de la fiabilité

A la fin et à partir des données de fonctionnement, ce système expert peut nous fournir plusieurs
résultats tels que les paramètres des lois de distribution de taux de défaillance, la fiabilité
prévisionnelle, la moyenne des temps de bon fonctionnement et le taux de défaillance instantané
pour chaque composant ainsi que le rotor de la turbine à gaz examinée. La Figure 8, représenté le
taux de défaillance en utilisant la fonction de distribution de Weibull et la Figure 9, montre la fonction
de fiabilité en utilisant la même distribution sur la turbine à gaz examinée.

30 1

0.9

25
0.8

0.7
t a u x d e d é f a illa n c e

20

0.6

15 0.5
R (t)

0.4

10
0.3

0.2
5

0.1

0 0
0 1000 2000 3000 4000 5000 6000 7000 8000 0 1000 2000 3000 4000 5000 6000
temps temps
Figure 8: Failure rate using function using Weibull Figure 9. Reliability function

Dans la Figure 9, le taux de défaillance est obtenus en utilisant la fonction de distribution de Weibull
et dans la Figure 10, la fonction de densité de probabilité est présenté, ce qui est confirmé le
maintien de services d’exploitation de la turbine à gaz étudie et de fournir un plan de prévention pour
améliorer la production de l’installation

La probabilité de défail ance La densité de probabilité

100 1.4

90
1.2
80

70 1

60
0.8
F (t)

f(t)
50

0.6
40

30
0.4

20
0.2
10

0 0
0 1000 2000 3000 4000 5000 6000 0 1000 2000 3000 4000 5000 6000
temps temps

Figure 10. Failure rate function Figure 11. Density function

5. Conclusion

L’évaluation prévisionnelle de la fiabilité des structures industrielles est indispensable pour concevoir
des systèmes de plus en plus performants. Contrairement aux systèmes électroniques, il n’y pas de
méthodes uniques ou normalisées pour évaluer la fiabilité prévisionnelle des systèmes mécaniques.
Le choix de la méthode à appliquer se fait en fonction des objectifs fixés et des outils disponibles.
Dans ce travail nous avons fait une modélisation et évaluation de la fiabilité prévisionnelle d'un
système industriel à base d'un système expert flou. Nous avons pris comme application une turbine à
gaz, ce choix est justifié par l'utilisation très vaste de ce type d’équipement dans l’industrie pétrolière.
Une analyse fonctionnelle de ces composants a été réalisée afin d'identifier leurs modes de
défaillances, les causes possibles et leurs effets sur les systèmes à étudier. Cette approche
développée en utilisant le système d'inférence floue appliquée à une turbine à gaz a déduit le modèle
de fiabilité pour estimer le temps de fonctionnement de la turbine à gaz examinée. Ceci est dans le
but de réduire les coûts d'intervention et de maximiser la durée de vie de l'équipement sélectionné
pour offrir les meilleures performances de cet équipement.

Références

[1]. Emilio Sarno, Vipin Kumar, Wei Li, A hybrid methodology for enhancing reliability of large
systems in conceptual design and its application to the design of a multiphase flow station.
Research in Engineering Design, vol. 16, no. 1-2, November 2005, pp. 27-41.
[2]. Gaft Ya. Z., Desner O. G., Zadanovskii L. G. and Érdraikh V. S., Increasing the reliability of an
axial chemical pump. Chemical and Petroleum Engineering, vol. 17, no 3, March 1981, pp. 125-
127.

[3]. Glovatskii O. Ya., Operating experience and reliability assessment of elements of pumping
stations. Hydrotechnical Construction, vol. 23, no. 9, September 1989, pp. 532-537.

[4]. Govind S. Mudholkar, Kobby O. Asubonteng, Alan D. Hutson, Transformation of the bathtub
failure rate data in reliability for using Weibull-model analysis. Statistical Methodology, vol. 6,
no. 6, November 2009, pp. 622-633.

[5]. Hafaifa Ahmed, Belhadef Rachid and Mohamed Boumehraz, Reliability modeling based on
incomplete data: oil pump application. Management Systems in Production Engineering
Journal, vol. 3, no. 15, 2014, pp. 140‐144.

[6]. Hafaifa Ahmed, Ferhat Laaouad and Moulod Guemana, A New engineering method for fuzzy
reliability analysis of surge control in centrifugal compressor. American Journal of Engineering
and Applied Sciences, vol. 02 no. 04, 2009, pp. 676-682.

[7]. Isabel Sartori, Edilson M. de Assis, Adilton L. da Silva, Rosana L.F. Vieira de Melo, Ernesto P.
Borges, e Silvio A.B. Vieira de Melo, Reliability Modeling of a Natural Gas Recovery Plant Using
q-Weibull Distribution. Computer Aided Chemical Engineering, vol. 27, 2009, pp. 1797-1802.

[8]. Kucheryavyi V. I., Mil’kov S. N., Statistical modeling of the lifetime of face seals in an oil-transfer
pump. Journal of Machinery Manufacture and Reliability, vol. 38, no. 1, February 2009, pp 94-
99.

[9]. Li Zhengmei, Zhou Qiong, An Qi, Tang Jianping, Influences of eccentric unbalances on loads
and life of auto water pump bearing. Mechanism and Machine Theory, vol. 46, no. 3, March
2011, pp. 253-263.

[10]. Mansour Aghababaei Jazi, Chin-Diew Lai, Mohammad Hossein Alamatsaz, A discrete inverse
Weibull distribution and estimation of its parameters. Statistical Methodology, vol. 7, no. 2,
March 2010, pp. 121-132.

[11]. Moeini Asghar, Kouroush Jenab, Mohsen Mohammadi, Mehdi Foumani, Fitting the three-
parameter Weibull distribution with Cross Entropy. Applied Mathematical Modelling, vol. 37, no.
9, May 2013, pp. 6354-6363.

[12]. Mokronosov E. D., Bogdanov V. V. and Eltyshev M. N., Increase in the operating reliability of a
well sucker-rod pump. Chemical and Petroleum Engineering, vol. 43, no. 11-12, November
2007, pp. 756-758.

[13]. Mouloud Guemana, Slimane Aissani and Ahmed Hafaifa, Use a new calibration method for gas
pipelines: An advanced method improves calibrating orifice flowmeters while reducing
maintenance costs. Hydrocarbon Processing Journal, vol. 90, no. 8, August 2011, pp. 63-68.
[14]. Qing Zhang, Cheng Hua, Guanghua Xu, A mixture Weibull proportional hazard model for
mechanical system failure prediction utilising lifetime and monitoring data. Mechanical Systems
and Signal Processing, vol. 43, no. 1–2, 3, February 2014, pp. 103-112.

[15]. Raif Sakin, İrfan Ay, Statistical analysis of bending fatigue life data using Weibull distribution in
glass-fiber reinforced polyester composites. Materials & Design, vol. 29, no. 6, 2008, pp. 1170-
1181.

[16]. Saad J. Almalki, Saralees Nadarajah, Modifications of the Weibull distribution: A review.
Reliability Engineering & System Safety, vol. 124, April 2014, pp. 32-55.

[17]. Saad J. Almalki, Jingsong Yuan, A new modified Weibull distribution. Reliability Engineering &
System Safety, vol. 111, March 2013, pp. 164-170.

[18]. Schijve J., Statistical distribution functions and fatigue of structures. International Journal of
Fatigue, vol. 27, no. 9, September 2005, pp. 1031-1039.

[19]. Tieling Zhang, Min Xie, On the upper truncated Weibull distribution and its reliability
implications. Reliability Engineering & System Safety, vol. 96, no. 1, January 2011, pp. 194-200.

[20]. Tuominen Janne, Mikko Viinikainen, Pekka Alho, Jouni Mattila, Using a data-centric event-
driven architecture approach in the integration of real-time systems at DTP2. Fusion
Engineering and Design, vol. 89, no. 9–10, October 2014, pp. 2289-2293.

[21]. Vitkovskii V., Kirillov I. R., Chaika P. Yu., Kryuchkov E. A., Poplavskii V. M., Nosov Yu. V.,
Oshkanov N. N., Performance-based reliability assessment of electromagnetic pumps. Atomic
Energy, vol. 102, no. 2, February 2007, pp. 122-128.
 jlûll (VclwaJ cujjlj^JI (UÛJCLXJI

Association A l g é r i e n n e de l'Industrie du Gaz

ATTESTATION
L'Association Algérienne de l'Industrie du Gaz tient à exprimer ses vifs remerciements à

Monsieur H A D R O U G Nadji
our sa communient on intitulée

Amélioration du système de supervision des turbines à gaz basée sur l'estimation floue
de leur fiabilité et disponibilité

présentée au 5
è m e symposium
L A T E C H N O L O G I E , M O T E U R D E D E V E L O P P E M E N T DES RESSOURCES GAZIERES
ET DE DIVERSIFICATION DES ECHANGES ET DES USAGES.