Upload
others
View
2
Download
0
Embed Size (px)
Citation preview
Problème Modélisation Résolution Résultats Conclusion
Arrêt optimal et optimisation de la maintenance
Benoîte de Saporta
CQFD - Contrôle de Qualité et Fiabilité Dynamique
22 septembre 2011
Benoîte de Saporta 1/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Plan
1 Un problème de maintenance
2 Modélisation mathématique
3 Stratégie de résolution
4 Résultats numériques
5 Conclusion et perspectives
Benoîte de Saporta 2/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Plan
1 Un problème de maintenance
2 Modélisation mathématique
3 Stratégie de résolution
4 Résultats numériques
5 Conclusion et perspectives
Benoîte de Saporta 3/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Maintenance d’une structure métallique
Structure de missile balistique stratégique soumis à corrosion
Benoîte de Saporta 4/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Problème de corrosion
Structure de missile balistique stratégique soumis à corrosion
support pour les équipements du missilestructure de petite taille : un seul point demesurelongue durée de vie → surveillance de laperte d’épaisseur par corrosion
Benoîte de Saporta 5/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Profil d’emploi
Structure de missile balistique stratégique soumis à corrosion
Profil d’emploiStockage dans 3 environnements différentes avec durées aléatoires
1 atelier2 sous-marin nucléaire en mission3 sous-marin en cale sèche
Exigence du sûreté très forte
⇓Maîtriser l’évolution de l’épaisseur
Benoîte de Saporta 6/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Profil d’emploi
Structure de missile balistique stratégique soumis à corrosion
Profil d’emploiStockage dans 3 environnements différentes avec durées aléatoires
1 atelier2 sous-marin nucléaire en mission3 sous-marin en cale sèche
Exigence du sûreté très forte
⇓Maîtriser l’évolution de l’épaisseur
Benoîte de Saporta 6/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Profil d’emploi
Structure de missile balistique stratégique soumis à corrosion
Profil d’emploiStockage dans 3 environnements différentes avec durées aléatoires
1 atelier2 sous-marin nucléaire en mission3 sous-marin en cale sèche
Exigence du sûreté très forte
⇓Maîtriser l’évolution de l’épaisseur
Benoîte de Saporta 6/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Politique de Maintenance
Une seule intervention avant la rupture ⇒ remise à neuf de lastructure
Optimisation de la maintenance : équilibre entreune maintenance trop précoce coûteuxune maintenance trop tardive dangereux
Optimisation des margesEn phase de conception
consolider les marges de dimensionnement par rapport auxspécificationsassurer à 95% qu’aucune maintenance ne sera nécessaire avantla date objective contractuelle
Benoîte de Saporta 7/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Dynamique du processus de dégradation
Succession déterministe des environnements : 1→2→3→1· · ·Temps aléatoire passé dans l’environnement i loi Exp(λi )
Protection anti-corrosion initiale d’une durée aléatoire suivantune loi de WeibulEquation de la perte d’épaisseur dans l’environnement i :
dt = ρi
(t − ηi + ηiexp(−t/ηi )
)
ρi taux de corrosion stable aléatoire suivant une loi uniformedépendant de l’environnement iηi durée de transition déterministe dans l’environnement i .
On dispose de valeurs numériques pour tous les paramètres.
Structure inutilisable si dt ≥ 0.2mm
Benoîte de Saporta 8/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Dynamique du processus de dégradation
Succession déterministe des environnements : 1→2→3→1· · ·Temps aléatoire passé dans l’environnement i loi Exp(λi )
Protection anti-corrosion initiale d’une durée aléatoire suivantune loi de WeibulEquation de la perte d’épaisseur dans l’environnement i :
dt = ρi
(t − ηi + ηiexp(−t/ηi )
)
ρi taux de corrosion stable aléatoire suivant une loi uniformedépendant de l’environnement iηi durée de transition déterministe dans l’environnement i .
On dispose de valeurs numériques pour tous les paramètres.
Structure inutilisable si dt ≥ 0.2mm
Benoîte de Saporta 8/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Dynamique du processus de dégradation
Succession déterministe des environnements : 1→2→3→1· · ·Temps aléatoire passé dans l’environnement i loi Exp(λi )
Protection anti-corrosion initiale d’une durée aléatoire suivantune loi de WeibulEquation de la perte d’épaisseur dans l’environnement i :
dt = ρi
(t − ηi + ηiexp(−t/ηi )
)
ρi taux de corrosion stable aléatoire suivant une loi uniformedépendant de l’environnement iηi durée de transition déterministe dans l’environnement i .
On dispose de valeurs numériques pour tous les paramètres.
Structure inutilisable si dt ≥ 0.2mm
Benoîte de Saporta 8/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Dynamique du processus de dégradation
Succession déterministe des environnements : 1→2→3→1· · ·Temps aléatoire passé dans l’environnement i loi Exp(λi )
Protection anti-corrosion initiale d’une durée aléatoire suivantune loi de WeibulEquation de la perte d’épaisseur dans l’environnement i :
dt = ρi
(t − ηi + ηiexp(−t/ηi )
)
ρi taux de corrosion stable aléatoire suivant une loi uniformedépendant de l’environnement iηi durée de transition déterministe dans l’environnement i .
On dispose de valeurs numériques pour tous les paramètres.
Structure inutilisable si dt ≥ 0.2mm
Benoîte de Saporta 8/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Dynamique du processus de dégradation
Succession déterministe des environnements : 1→2→3→1· · ·Temps aléatoire passé dans l’environnement i loi Exp(λi )
Protection anti-corrosion initiale d’une durée aléatoire suivantune loi de WeibulEquation de la perte d’épaisseur dans l’environnement i :
dt = ρi
(t − ηi + ηiexp(−t/ηi )
)
ρi taux de corrosion stable aléatoire suivant une loi uniformedépendant de l’environnement iηi durée de transition déterministe dans l’environnement i .
On dispose de valeurs numériques pour tous les paramètres.
Structure inutilisable si dt ≥ 0.2mm
Benoîte de Saporta 8/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Dynamique du processus de dégradation
Succession déterministe des environnements : 1→2→3→1· · ·Temps aléatoire passé dans l’environnement i loi Exp(λi )
Protection anti-corrosion initiale d’une durée aléatoire suivantune loi de WeibulEquation de la perte d’épaisseur dans l’environnement i :
dt = ρi
(t − ηi + ηiexp(−t/ηi )
)
ρi taux de corrosion stable aléatoire suivant une loi uniformedépendant de l’environnement iηi durée de transition déterministe dans l’environnement i .
On dispose de valeurs numériques pour tous les paramètres.
Structure inutilisable si dt ≥ 0.2mm
Benoîte de Saporta 8/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Dynamique du processus de dégradation
Succession déterministe des environnements : 1→2→3→1· · ·Temps aléatoire passé dans l’environnement i loi Exp(λi )
Protection anti-corrosion initiale d’une durée aléatoire suivantune loi de WeibulEquation de la perte d’épaisseur dans l’environnement i :
dt = ρi
(t − ηi + ηiexp(−t/ηi )
)
ρi taux de corrosion stable aléatoire suivant une loi uniformedépendant de l’environnement iηi durée de transition déterministe dans l’environnement i .
On dispose de valeurs numériques pour tous les paramètres.
Structure inutilisable si dt ≥ 0.2mm
Benoîte de Saporta 8/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Exemples de trajectoires simulées
0 1 2 3 4 5 6 7 8 9x 105
0
0.05
0.1
0.15
0.2
0.25
Benoîte de Saporta 9/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Exemples de trajectoires simulées
0 1 2 3 4 5 6x 105
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
Benoîte de Saporta 9/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Plan
1 Un problème de maintenance
2 Modélisation mathématique
3 Stratégie de résolution
4 Résultats numériques
5 Conclusion et perspectives
Benoîte de Saporta 10/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Processus markoviens déterministes par morceaux
Davis (80’s)
Classe générale de processus hybridesune variable discrète mode de fonctionnement ouenvironnementvariables continues grandeurs physiques : épaisseur, pression,température. . .
Trajectoire déterministe avec des sauts aléatoires.
Applicationsbiologie, trafic internet, fiabilité dynamique. . .
Benoîte de Saporta 11/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Dynamique
Processus hybride Xt = (mt , yt)
mode discret mt ∈ {1, 2, . . . , p}variables d’état continues yt ∈ Rd
Caractéristiques locales dans le mode m
Flot φm: Rd × R→ Rd mouvement déterministe entre lessautsIntensité λm: Rd → R+ intensité des sauts aléatoiresNoyau markovien Qm sur (Rd ,B(Rd ) sélectionne la nouvelleposition après les sauts
Benoîte de Saporta 12/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Construction itérative
Point de départ
X0 = Z0 = (m, y)
PSfrag repla ementsEm
y
Benoîte de Saporta 13/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Construction itérative
Xt suit le flot déterministe
Xt =(m, φm(y , t)
), t < T1
PSfrag repla ementsEm
y
T1
Benoîte de Saporta 13/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Construction itérative
Xt suit le flot déterministe jusqu’au premier temps de saut T1 = S1
Pm,y (T1 > t) = exp(−∫ t∧t∗(m,y)0 λ
(φm(y , s)
)ds)
1{t≤t∗(m,y)}
PSfrag repla ementsEm
y
T1
Benoîte de Saporta 13/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Construction itérative
Position après saut Z1 = (M1,Y1) tirée suivant la loi
Qm(φm(y ,T1), ·
)
PSfrag repla ementsEM1
Em
y
T1
Qm
(φm(y, T1), ·
)
Y1
Benoîte de Saporta 13/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Construction itérative
Xt suit le flot jusqu’au deuxième temps de sautT2 = T1 + S2
XT1+t =(M1, φM1(Y1, t)
), t < S2
PSfrag repla ementsEM1
Em
y
T1
Qm
(φm(y, T1), ·
)
Y1
S2
Benoîte de Saporta 13/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Construction itérative
Postion après saut Z2 = (M2,Y2) tirée suivant la loi
QM1
(φM1(Y1, S2), ·
). . .
PSfrag repla ementsEM1
Em
y
T1
Qm
(φm(y, T1), ·
)
Y1
S2QM1
(φM1
(Y1, S2), ·)
Benoîte de Saporta 13/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Chaîne de Markov sous-jacente
{Xt} processus de Markov en temps continu
Processus en temps discret sous-jacentZ0 point de départ du processus, S0 = 0, S1 = T1
Zn nouveaux mode et position après le n-ème saut,Sn = Tn − Tn−1, durée inter-saut
Proposition
(Zn, Sn) est une chaîne de Markov en temps discretSeule source d’aléa du PDP
Benoîte de Saporta 14/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Modélisation de la corrosion par un PDP
Processus Markovien déterministe par morceaux
Xt = (mt , dt , γt , ρt)
mode mt : environnement à l’instant tdt perte d’épaisseurγt : reste de la protection anti-corrosion à l’instant tρt : taux de corrosion
Chaîne de Markov sous-jacente (Sn,Zn)
Sn : temps passé dans le n-ème environnementZn : valeur du processus juste après le n-ème changementd’environnement
Benoîte de Saporta 15/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Temps d’arrêt
Prendre une décision dans un environnement aléatoire qui changeau cours du temps
choisir une date de maintenancedécider d’acheter ou de vendre une action. . .
Instant d’intervention = temps d’arrêtInstant aléatoire où on prend une décision en fonction du passé etdu présent mais pas du futur
Exemple : vendre l’action quand son prix aura doubléContre-exemples : vendre l’action au maximum de son cours,vendre l’action avant qu’elle baisse, . . .
Benoîte de Saporta 16/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Formulation mathématique du problème d’optimisation
Problème d’arrêt optimalCalculer la fonction valeur
V (x) = supτ≤TN
Ex [g(Xτ )]
→ performance optimaleTrouver un temps d’arrêtoptimal τ∗ qui atteint V (x)→ instant de maintenance
Fonction de performance g
0 0.05 0.1 0.15 0.2 0.250
0.5
1
1.5
2
2.5
3
3.5
4
Benoîte de Saporta 17/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Objectif
Objectif
Proposer une méthode numérique pour calculer
la fonction valeurune règle d’arrêt optimale
avec des bornes de l’erreur commise
application à la maintenance du missile
Benoîte de Saporta 18/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Plan
1 Un problème de maintenance
2 Modélisation mathématique
3 Stratégie de résolution
4 Résultats numériques
5 Conclusion et perspectives
Benoîte de Saporta 19/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Résolution itérative théorique
Programmation dynamiquevN = gvn = L(vn+1, g) pour n ≤ N − 1
v0(x) = supτ≤TN
Ex [g(Xτ )] = V (x)
L(w , g)(x)
= supu≤t∗(Zn)
{E[w(Zn+1)1{Sn+1<u} + g
(φ(Zn, u)
)1{Sn+1≥u}
∣∣ Zn = x]}
∨ E[w(Zn+1)
∣∣ Zn = x]
Benoîte de Saporta 20/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Résolution itérative théorique
Programmation dynamiquevN = gvn = L(vn+1, g) pour n ≤ N − 1
v0(x) = supτ≤TN
Ex [g(Xτ )] = V (x)
But : proposer une méthode numérique d’approximation de V
Benoîte de Saporta 20/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Quantification
Méthode de discrétisationremplacer une variable aléatoire X à valeurs dans un espacecontinu par une variable aléatoire X̂ prenant un nombre fini devaleursles espérances (intégrales) en X deviennent des sommes finiesen X̂l’erreur commise est connue
Benoîte de Saporta 21/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Calcul des grilles
Algorithme de quantificationentrée : simulateur de Xsortie :
grille Γla poids de chaque point de Γ
X̂ est la projection de X sur Γ
Benoîte de Saporta 22/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Exemple N (0, I2)
Benoîte de Saporta 23/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Exemple N (0, I2)
−3 −2 −1 0 1 2 3−3
−2
−1
0
1
2
3
Benoîte de Saporta 23/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Exemple N (0, I2)
−3 −2 −1 0 1 2 3−3
−2
−1
0
1
2
3
Benoîte de Saporta 23/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Problème pratique
Echelles des différents paramètres
taux de corrosion stable ρ ∼ 10−6
temps moyen de séjour dans l’environnement 2λ−1
2 = 131 400 h
Loi uniforme sur[0, 1]× [0, 5000]
Benoîte de Saporta 24/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Problème pratique
Echelles des différents paramètres
taux de corrosion stable ρ ∼ 10−6
temps moyen de séjour dans l’environnement 2λ−1
2 = 131 400 h
Loi uniforme sur[0, 1]× [0, 5000]
algorithme standard0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10
500
1000
1500
2000
2500
3000
3500
4000
4500
5000
Benoîte de Saporta 24/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Problème pratique
Echelles des différents paramètres
taux de corrosion stable ρ ∼ 10−6
temps moyen de séjour dans l’environnement 2λ−1
2 = 131 400 h
Loi uniforme sur[0, 1]× [0, 5000]
algorithme pondéré0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10
500
1000
1500
2000
2500
3000
3500
4000
4500
5000
Benoîte de Saporta 24/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Plan
1 Un problème de maintenance
2 Modélisation mathématique
3 Stratégie de résolution
4 Résultats numériques
5 Conclusion et perspectives
Benoîte de Saporta 25/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Grilles pour le processus de dégradation
Dans l’environnement 2 après le 1er saut
0 2 4 6 8 10 12 14 16x 104
0
0.2
0.4
0.6
0.8
1
1.2
1.4
Benoîte de Saporta 26/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Grilles pour le processus de dégradation
Dans l’environnement 3 après le 2ème saut
0 2 4 6 8 10 12 14x 105
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1numero de saut =3
Benoîte de Saporta 26/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Grilles pour le processus de dégradation
Dans l’environnement 1 après le 15ème saut
0 1 2 3 4 5 6x 104
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
Benoîte de Saporta 26/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Calcul de la fonction valeur
Résultats numériques (vraie valeur : 4)
Nombre de points dans Fonction valeur Fonction valeurles grilles de quantification approchée par Monte Carlo
10 2.48 0.9450 2.70 1.84100 2.94 2.10200 3.09 2.63500 3.39 3.151000 3.56 3.432000 3.70 3.605000 3.82 3.738000 3.86 3.75
Benoîte de Saporta 27/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Vitesse de convergence
Droites de régression pour l’erreur calcul direct, par Monte Carlo
10
10
10
10
- 1
0
1
2
10 10 10 10 100 1 2 3 4
Coefficients directeurs : -0.477, -0.483 (valeur théorique -0.5)
Benoîte de Saporta 28/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Règle d’arrêt itérative
0 1 2 3 4 5 6x 104
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
Benoîte de Saporta 29/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Règle d’arrêt itérative
0 1 2 3 4 5 6x 104
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
Benoîte de Saporta 29/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Règle d’arrêt itérative
0 5 10 15x 105
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
Benoîte de Saporta 29/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Règle d’arrêt itérative
0 5 10 15x 105
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
Benoîte de Saporta 29/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Règle d’arrêt itérative
0 0.5 1 1.5 2 2.5x 105
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
Benoîte de Saporta 29/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Règle d’arrêt itérative
0 0.5 1 1.5 2 2.5x 105
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
Benoîte de Saporta 29/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Règle d’arrêt itérative
0 0.5 1 1.5 2 2.5x 105
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
Benoîte de Saporta 29/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Règle d’arrêt itérative
0 0.5 1 1.5 2 2.5x 105
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
Benoîte de Saporta 29/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Règle d’arrêt itérative
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5x 105
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
Benoîte de Saporta 29/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Règle d’arrêt itérative
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5x 105
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
Benoîte de Saporta 29/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Règle d’arrêt itérative
0 0.5 1 1.5 2 2.5 3 3.5x 105
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
Benoîte de Saporta 29/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Règle d’arrêt itérative
0 0.5 1 1.5 2 2.5 3 3.5x 105
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
Benoîte de Saporta 29/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Règle d’arrêt itérative
0 0.5 1 1.5 2 2.5 3 3.5x 105
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
Benoîte de Saporta 29/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Règle d’arrêt itérative
0 0.5 1 1.5 2 2.5 3 3.5x 105
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
Benoîte de Saporta 29/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Optimisation des marges
0 20 40 60 80 100 120 140 160 180 2000
200
400
600
800
1000
1200
1400
1600
1800
2000 Seuil Probabilité5 ans 0.000210 ans 0.030415 ans 0.052420 ans 0.079340 ans 0.264760 ans 0.604880 ans 0.8670100 ans 0.9691150 ans 0.9997
Benoîte de Saporta 30/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Comparaison avec Monte Carlo
Temps d’arrêt optimal
τ∗ = inf{t : dt ≥ 0.02}
0 20 40 60 80 100 120 140 160 180 2000
200
400
600
800
1000
1200
1400
1600
1800
2000
temps d’arrêt approché
0 20 40 60 80 100 120 140 160 180 2000
200
400
600
800
1000
1200
1400
1600
1800
2000
temps d’arrêt théorique
Benoîte de Saporta 31/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Plan
1 Un problème de maintenance
2 Modélisation mathématique
3 Stratégie de résolution
4 Résultats numériques
5 Conclusion et perspectives
Benoîte de Saporta 32/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Conclusion
méthode numérique performantecalculs lourds off line indépendants de la fonction coûtcalcul de la règle arrêt en temps réelrègle d’arrêt adaptée à chaque trajectoirepas besoin de mesure en continu : seulement aux changementsd’environnementcontexte mathématique rigoureux
algorithme général pour ce type de processuspreuve de convergence avec vitesse
Astrium étude exploratoire en vue d’optimiser et de justifier lesmarges de conception
Benoîte de Saporta 33/34
Arrêt optimal et optimisation de la maintenance
Problème Modélisation Résolution Résultats Conclusion
Perspectives
Etape suivante : maintenance avec réparations éventuellementpartielles⇒ contrôle impulsionneldifficultés théoriques et pratiques importantes
Benoîte de Saporta 34/34
Arrêt optimal et optimisation de la maintenance