Doctorante : Gabriela MEDINA OLIVA

Directeur de Thèse : Benoit IUNG

Laboratoire, Université : Centre de Recherche en Automatique de Nancy (CRAN), Université Henri Poincaré, Nancy I

Séminaire Doctoral, Forum académique AFIS

2-3 décembre 2010, Bordeaux

Modélisation d’un système industriel et de son environnement technique, humain et organisationnel par Réseaux Bayésiens Orientés Objet pour évaluer

ses stratégies de maintenance Mot-clés : Modèle Relationnel Probabiliste (PRM), Système de Maintenance, Exigences de sûreté de fonctionnement.

Résumé : Au sens de l’ISO-IEC 15288, le système de soutien et plus précisément le système de maintenance (SM) sont considérés comme deux systèmes contributeurs essentiels au système principal (SP) dans sa phase de Maintien en Condition Opérationnelle (MCO). Cette interaction requiert, dès les phases d’ingénierie, de définir des exigences et des contraintes bilatérales entre les cycles de développement du SP et de ses systèmes contributeurs. Par exemple, certaines exigences du SP (e.g. disponibilité) induisent des exigences sur le SM (e.g. MTTR-MTBF pour garantir le niveau de disponibilité) et des exigences sur le SM contraignent également les exigences du SP (e.g. la fiabilité d’un équipement va impacter la qualité des produits). Ces interactions se traduisent, de façon récursive, à un niveau inferieur de l’abstraction de l’ingénierie sous la forme d’objectifs à satisfaire pour le système considéré. Le SM a ainsi un ensemble d’exigences et de contraintes à respecter en lien avec ses systèmes contributeurs tels que la logistique, les ressources humaines, etc. pour atteindre les objectifs fixés. Selon (Parida, 2006) ces exigences et contraintes pour le SM peuvent se représenter sous la forme d’indicateurs multicritères. Dans ce contexte, notre travail consiste à proposer une méthodologie permettant d’évaluer, sur la base du calcul d’un ensemble d’indicateurs, si l’architecture fonctionnelle du SM et les stratégies maintenance envisagées (définies notamment à travers le plan de maintenance et son organisation), sont capables de satisfaire les exigences requises par le SP et ses systèmes contributeurs (processus de pronostic des performances de maintenance dans la phase de conception ou exploitation). Lorsque les objectifs ne sont pas atteints, la détection des causes les plus impactantes sur les déviations des exigences (quantifiées par des performances) du SP (processus de diagnostic) doit être réalisée. En ce sens, pour aider à la prise de décision par les responsables de maintenance, nous avons développé un modèle générique qui intègre les différentes interactions du SM avec ses systèmes contributeurs, l’impact de différentes stratégies de maintenance sur le calcul des indicateurs et l’intégration de connaissances de diverses natures du SP et SM (à la fois qualitative pour les analyses organisationnelles et humaines mais aussi quantitative pour les analyses techniques). La technique de modélisation retenue, conformément aux justifications de (Boudali et Dugan, 2005), (Langseth et Portinale, 2007) et (Weber et Jouffe, 2006) est les réseaux bayésiens (RB). Une représentation structurée, supportée par une extension des RB (modèles relationnels probabilistes-PRM), permet une représentation modulaire qui facilite la construction et l’évolution du modèle d’évaluation tout en rendant l’inférence possible. La contribution scientifique consiste ainsi globalement en la proposition d’une démarche de modélisation structurée de type orientée objet d’un système et ses principaux systèmes contributeurs (maintenance, logistique de maintenance, organisation de maintenance …), afin de l’exploiter dans une phase de pronostic pour évaluer l’impact des actions de maintenance sur les composants du système et sur les performances du SP. Boudali H., Dugan J.B. (2005b). A discrete-time Bayesian network reliability modeling and analysis framework. Reliability Engineering &

System Safety. 87(3), 337-349. ISO-IEC 15288, System Engineering – system life cycle processes, International Standardization Organization/ International Electrotechnical

Commission, Geneva, Switzerland, 2002. Langseth H., Portinale L. (2007). Bayesian networks in reliability. Reliability Engineering & System Safety. 92(1), 92-108. Parida A. (2006). Development of a Multi-criteria Hierarchical Framework for Maintenance Performance Measurement. Doctoral Thesis.

Division of Operation and Maintenance Engineering. Luleå University of Technology. Weber P., Jouffe L. (2006). Complex system reliability modelling with Dynamic Object Oriented Bayesian Networks (DOOBN). Reliability

Engineering and System Safety, 91(2),149-162.

Doctorante : Gabriela MEDINA OLIVA

Directeur de Thèse : Benoit IUNG

Laboratoire, Université : Centre de Recherche en Automatique de Nancy (CRAN), Université Henri Poincaré, Nancy I

Séminaire Doctoral, Forum académique AFIS

2-3 décembre 2010, Bordeaux

Object Oriented Bayesian Networks based_modeling of an industrial

system and its technical, human and organizational environment to assess its maintenance strategies

Keywords : Probabilistic Relational Model (PRM), Maintenance System, Requirements on dependability engineering. Abstract : Within the ISO-IEC 15288, the support system and more precisely the maintenance system (MS) are considered as main enabling systems of the system-of-interest (SI) during its operational step to keep expected performances. This interaction requires, in the engineering phases, to define the bilateral requirements and constraints between the development cycle of the SI and its enabling systems. For example, some requirements of the SI (e.g. availability) induce requirements on the MS (e.g. MTTR-MTBF to warranty the availability rate) and, in the same way, the requirements of the MS constraints the requirements on the SI (e.g. equipment reliability will impact the quality of a product). These interactions become, in a recursive way, the objectives to be satisfied for the studied system at a lower abstraction level. Indeed the MS itself has a set of constraints to be controlled in relation with its enabling systems such as the logistic system, human resource system, etc. to achieve the expected objectives. According to (Parida, 2006), these requirements and constraints for the MS could be represented as multi-criteria indicators (KPI). Within this context, our purpose is to propose a methodology that allows to assess, by computing a set of indicators, if the functional architecture of the SM and its maintenance strategies (defined mainly within the maintenance plan and its organization), are able to satisfy the SI and the enabling system requirements (prognostic process of maintenance performances within the design and operation phases). If the objectives are not achieved, the identification of the most impacting causes on the requirements deviations should be performed (diagnostic process). In that way, in order to help the decision-making process for maintenance managers, we developed an “unified” generic model integrating: (a) the interactions of the MS with its enabling systems, (b) the impact of the divers maintenance strategies through the computation of some key indicators and (c) the knowledge of diverse natures such as qualitative (organizational and human analyses) and quantitative (technical analyses) one. According to the justifications given by (Boudali and Dugan, 2005), (Langseth and Portinale, 2007) and (Weber and Jouffe, 2006), the chosen modeling technique is the Bayesian networks (BN). A structured representation, supported by an extension of BN (Probabilistic Relational Model) allows a modular representation that eases the modeling and improvement of the model while enabling its inference. Thus, the scientific contribution consists mainly in the proposition of an object-oriented structured modeling approach of a system and its main enabling systems (maintenance, maintenance logistic, maintenance organization…), in order to assess the impact of maintenance actions on a component but also on the SI performances (prognosis phase). Boudali H., Dugan J.B. (2005b). A discrete-time Bayesian network reliability modeling and analysis framework. Reliability Engineering &

System Safety. 87(3), 337-349. ISO-IEC 15288, System Engineering – system life cycle processes, International Standardization Organization/ International Electrotechnical

Commission, Geneva, Switzerland, 2002. Langseth H., Portinale L. (2007). Bayesian networks in reliability. Reliability Engineering & System Safety. 92(1), 92-108. Parida A. (2006). Development of a Multi-criteria Hierarchical Framework for Maintenance Performance Measurement. Doctoral Thesis.

Division of Operation and Maintenance Engineering. Luleå University of Technology. Weber P., Jouffe L. (2006). Complex system reliability modelling with Dynamic Object Oriented Bayesian Networks (DOOBN). Reliability

Engineering and System Safety, 91(2),149-162.