rapport soutenance de fin de stage - hersant...
TRANSCRIPT
HERSANT Julien Stage Recherche de Master 2 SDS
1
MASTER Ingénierie des Systèmes Industriels et des Projets
SPÉCIALITÉ : SYSTÈMES DYNAMIQUES ET SIGNAUX
Année 2008 / 2009
Thèse de Master SDS
Présentée et soutenue par :
Julien HERSANT
le jeudi 2 juillet 2009
Au sein de l'Institut des Sciences et Techniques de l'Ingénieurs d'Angers
TITRE
Comparaison de plusieurs méthodes de calcul de fiabilité associées à la prédiction de l’usure
dans les contacts roulants
JURY
Président : Laurent HARDOUIN Professeur des universités Examinateurs Sylvain CLOUPET
Fabrice GUERIN Maitre de conférences Professeur des universités
Directeur(s) de thèse : Fabrice GUERIN, Sylvain CLOUPET Laboratoire : LASQUO
62, avenue Notre Dame du Lac 49000 Angers
HERSANT Julien Stage Recherche de Master 2 SDS
2
Sommaire
Table des figures ...................................................................................................................................... 4
Introduction ............................................................................................................................................. 5
1 Objectifs de l’étude ......................................................................................................................... 6
2 Présentation de l’existant................................................................................................................ 9
2.1 Reproduction du phénomène de dégradation ........................................................................ 9
2.2 Démarche de simulation de l’usure ........................................................................................ 9
2.3 Approche 1 : modèle déterministe couplé à une approche de Monte Carlo ....................... 10
3 Approche 2 : étude des phénomènes de dégradation par les processus stochastiques .............. 12
3.1 Différentes approches de modélisation ................................................................................ 12
3.2 Approche Fiabiliste : Les modèles de dégradation................................................................ 12
3.2.1 Principe de modèles de dégradation ............................................................................. 12
3.2.2 Modèles de dégradation étudiés .................................................................................. 13
4 Modélisation des processus de dégradation ................................................................................. 16
4.1 Structure des programmes .................................................................................................... 16
4.1.1 Mise en place des paramètres ...................................................................................... 17
4.1.2 Création du vecteur temps ............................................................................................ 17
4.1.3 Génération des trajectoires suivant le processus désiré .............................................. 17
4.1.4 Détermination des instants de franchissement ............................................................ 19
4.1.5 Détermination des densités de répartition ................................................................... 19
4.1.6 Détermination des fonctions de répartition ................................................................. 21
4.2 Objectif .................................................................................................................................. 22
5 Analyse des données d’essais........................................................................................................ 23
5.1 Mise en place de la base de travail ....................................................................................... 23
5.1.1 Etude des données ........................................................................................................ 23
5.1.2 Transformation des données ........................................................................................ 24
5.2 Détermination des paramètres de modélisation .................................................................. 27
5.2.1 Droite de Henry ............................................................................................................. 27
5.2.2 Test de Kolmogorov-Smirnov ........................................................................................ 29
5.2.3 Paramètres du processus de dégradation ..................................................................... 32
6 Simulation des trajectoires ............................................................................................................ 33
6.1 Simulation des trajectoires dans la base Log-Log ................................................................. 33
6.2 Transposition des trajectoires dans la base standard ........................................................... 34
6.3 Analyse des temps de défaillance ......................................................................................... 34
7 Analyse comparative des différentes méthodes ........................................................................... 36
HERSANT Julien Stage Recherche de Master 2 SDS
3
7.1 Résultats par la méthode semi-hertzienne ........................................................................... 36
7.2 Comparaison des résultats .................................................................................................... 38
8 Conclusion et perspectives ............................................................................................................ 39
9 Bibliographie .................................................................................................................................. 40
Annexe 1 : Programmation du processus de Wiener ............................................................................ 42
Annexe 2 : simulation par le processus de Wiener ............................................................................... 47
HERSANT Julien Stage Recherche de Master 2 SDS
4
Table des figures Figure 1 : Evolution du niveau de dégradation en fonction du temps .................................... 6
Figure 2 : Répartition des instants de défaillance ....................................................................... 7
Figure 3 : Algorithme de résolution du problème d’usure [CHE 07] ....................................... 9
Figure 4 : Résultat de simulation de l’évolution de l’usure en fonction du nombre de
cycles : modèle déterministe. .......................................................................................................... 10
Figure 5 : résultat de l’approche probabiliste paramétrique ................................................... 10
Figure 6 : Approche des Modèles de Défaillance par les Processus ....................................... 12
Figure 7 : : Trajectoires selon un processus de Wiener de paramètres ................................. 14
Figure 8 : Trajectoires selon un processus Gamma de paramètres ....................................... 15
Figure 9 : Algorithme de chaque programme ............................................................................. 16
Figure 10 : Tracé de 2100 trajectoires selon un processus de Wiener ................................... 18
Figure 11 : Tracé de 2100 trajectoires selon un processus Gamma ....................................... 18
Figure 12 : Détermination des instants de franchissement .................................................... 19
Figure 13 : Densités de répartition selon un processus de Wiener ........................................ 20
Figure 14 : Densités de répartition selon un processus Gamma ............................................ 20
Figure 15 : Fonction de répartition selon un processus de Wiener ........................................ 21
Figure 16 : Fonction de répartition selon un processus Gamma ............................................ 22
Figure 17 : Données d’essais ........................................................................................................... 23
Figure 18 : Tracé des essais ............................................................................................................ 23
Figure 19 : Mise en place d’une loi puissance sur les données d’essais ................................ 24
Figure 20 : Coefficients de corrélation des modèles puissance ............................................... 25
Figure 21 : Transposition des données d’essais dans la base Log-Log .................................. 25
Figure 22 : Passage des données en base Log-Log ..................................................................... 26
Figure 23 : Calcul de la droite de Henry ...................................................................................... 28
Figure 24 : Représentation graphique de la droite de Henry .................................................. 28
Figure 25 : Raccordement d’une distribution d’une loi normale pas le test de Kolmogorov-
Smirnov et pour un risque de 5% .................................................................................................. 29
Figure 26 : Application du test de Kolmogorov Smirnov à nos données d’essais................ 31
Figure 27 : Simulation de 2100 trajectoires selon un processus ............................................ 33
Figure 28 : Simulation des trajectoires selon un processus ..................................................... 34
Figure 29 : Répartition des temps de franchissement pour un seuil de dégradation de �0 = 20 ��. ......................................................................................................................................... 35
Figure 30 : 2100 simulations selon la méthode semi-hertzienne ........................................... 36
Figure 31 : Répartition des temps de franchissements pour un seuil de dégradation de �0 = 20 �� .......................................................................................................................................... 36
Figure 32 : Comparaison des deux distributions ....................................................................... 38
HERSANT Julien Stage Recherche de Master 2 SDS
5
Introduction
La notion de contacts roulants est très répandue dans de nombreux domaines tels
que l’automobile, le ferroviaire ou l’ingénierie de production pour la
transformation de mouvement. C’est le cas des systèmes came/galet.
Dans cette étude, nous nous intéresserons aux deux derniers domaines cités où
les contacts entre solides sont de type acier sur acier. Cependant, comme seuls
des essais galet/came sont à notre disposition, nous nous focaliserons sur le
procédé de mise en forme des bouteilles plastiques.
Les systèmes à came sont généralement utilisés de manière industrielle pour la
commande de cinématiques particulières. Dans le procédé de mise en forme des
bouteilles plastiques, les passages successifs du galet sur la came génèrent de
l’usure superficielle : la piste de roulement se creuse faisant évoluer les
paramètres géométriques de la came.
En plus de l’enjeu économique, la problématique réside dans le fait, qu’il faut
maîtriser et limiter l’usure qui conduit à des déphasages cinématiques et des
disfonctionnements.
Cette usure est en général la conséquence du glissement relatif entre les deux
solides en contact. Dans ce processus, interviennent la lubrification, la vitesse
relative, le chargement mécanique et les conditions de frottement à l’interface.
Ces quantités présentent des incertitudes importantes liées à la technologie
utilisée, à des disfonctionnements dans le cas de la lubrification (de la graisse
coule de façon irrégulière sur la piste) et à des variations liées aux phases
dynamiques et vibratoires. Ces incertitudes conditionnement la prédiction de la
profondeur d’usure en fonction du nombre de passages de galet. Ces aléas doivent
être pris en compte afin d’estimer la durée de vie et ainsi garantir la fiabilité
associée à cette prédiction.
La première partie permet de poser la problématique de l’étude et de définir les
objectifs. Dans la seconde partie, nous exposons une méthode de prédiction du
niveau d’usure existante, reposant sur la description d’un modèle mécanique
ainsi qu’une prise en compte des incertitudes par tirages de Monte-Carlo sur les
paramètres de ce modèle. Dans la troisième partie, nous détaillons la méthode de
prédiction par les processus stochastiques. Dans la quatrième partie, nous
modélisons les processus de dégradation sous le logiciel MATLAB. Dans la
cinquième partie, nous analysons les données d’essais et déterminons les
paramètres nécessaires à la simulation de trajectoires. Dans la sixième partie,
nous effectuons la simulation de trajectoires de dégradation par le processus de
Wiener. Dans la Septième partie, nous nous effectuons une analyse critique des
résultats obtenus.
HERSANT Julien Stage Recherche de Master 2 SDS
6
1 Objectifs de l’étude Une approche déterministe de ce problème d’usure a déjà été abordée par
Chevalier et al. dans [CHE 06a, 07]. Il est donc nécessaire d’être capable
d’évaluer le niveau d’usure maximale en fonction du temps (ou du nombre de
cycles) et cela en prenant en compte les différentes incertitudes ou aléas décrits
précédemment. Un exemple de processus de dégradation est présenté figure 1 :
Figure 1 : Evolution du niveau de dégradation en fonction du temps
Une fois les instants de défaillance déterminés pour de nombreuses trajectoires,
nous obtenons un jeu de données correspondant, sur lequel il va falloir venir
porter une loi de distribution afin de déterminer une fiabilité associée. Cette
fiabilité est la date (ou le nombre de cycles) pour laquelle X% de nos systèmes ne
seront pas défaillants.
Ces travaux de recherche se trouvent à la frontière de plusieurs domaines qui
sont :
o la tribologie pour l’étude des conditions d’interface dans les contacts
roulants,
o la mécanique du solide pour le calcul des quantités mécaniques
transmises d’un solide à l’autre,
o les sciences expérimentales pour la mesure et l’identification de modèle,
Dégradation Maximale Admissible
Evolution du Niveau de Dégradation
Instant de Défaillance
HERSANT Julien Stage Recherche de Master 2 SDS
7
o les probabilités pour prendre en compte les incertitudes existantes dans
les essais d’usure.
L’apport de ce travail de recherche est d’être capable d’estimer la fiabilité
associée à la prédiction de ces instants de défaillance comme présenté sur la
figure 2 :
Figure 2 : Répartition des instants de défaillance
Ces instants de défaillance sont déterminés en calculant l’instant ou le niveau
d’usure dépasse pour la première fois le niveau d’usure maximale autorisé comme
défini dans [NIK 07]. Pour ce faire, il est nécessaire de réaliser cela pour un
grand nombre de trajets comme celui de la figure 1 pour estimer la fiabilité de
systèmes soumis à des dégradations par usure. Pour répondre à cette
problématique, nous allons comparer deux approches :
o L’approche 1 est basée sur la méthode Résistance/Contrainte. L’estimation
de la fiabilité est obtenue en utilisant une technique de propagation
d’incertitudes (Monte Carlo (direct, conditionnel…), FORM/SORM, algèbre
des variables aléatoires…) appliquée à un modèle mécanique déterministe.
Cette approche a été très peu étudiée dans le cas de l’endommagement par
usure, elle est néanmoins abordée dans [CHE 05] dans le cadre de la thèse
de doctorat de sylvain CLOUPET [CLO 06].
o L’approche 2 consiste à considérer le phénomène d’usure comme un
processus stochastique. De nombreux processus peuvent être utilisés pour
modéliser la dégradation par usure : Gamma, Gaussien, Wiener,
Markovien, comme dans [NIK 07], [COU 05] et [GUE 09]… Néanmoins,
peu d’études approfondies sur l’application de cette approche à l’usure
existent.
HERSANT Julien Stage Recherche de Master 2 SDS
8
Le premier objectif de cette étude est de déterminer les pseudo-instants de
défaillance de notre système, c’est-à-dire les temps pour lesquels le niveau de
dégradation est atteint ou dépassé, et plus particulièrement dans notre cas le
niveau d’usure, atteint le niveau de dégradation maximal admissible.
Le second objectif de ce stage est de réaliser l’étude par les processus de
dégradation afin de pouvoir la comparer avec l’étude réalisée avec un modèle
mécanique et prise en compte des incertitudes par tirages de Monte-Carlo sur les
paramètres.
HERSANT Julien Stage Recherche de Master 2 SDS
9
2 Présentation de l’existant
2.1 Reproduction du phénomène de dégradation Pour reproduire cette dégradation, des essais ont été mis en place et réalisés
[CLO 06]. Le principe de cet essai est de faire rouler un galet chargé d’un effort
sur une piste de roulement. Cette piste est un cylindre. Les deux matériaux sont
en acier.
2.2 Démarche de simulation de l’usure L’objectif est de simuler l’évolution des profils d’usure en fonction du nombre de
passages du galet. La démarche suivie pour résoudre le problème d’usure [CHE
06b] et [CHE 07] est résumée sur la Figure 3.
Figure 3 : Algorithme de résolution du problème d’usure [CHE 07]
La résolution du problème se fait donc comme suit :
1. Définition des profils initiaux de la came et du galet avant usure.
2. Choix du nombre de cycles que l’on souhaite réaliser (nombre de passages
du galet). Permet de définir une vitesse d’avance de l’usure.
3. Calcul du champ de pression, du champ de contraintes ainsi que de la
vitesse de glissement au niveau du contact. Du fait du nombre de
simulations importantes, des méthodes de calcul rapides ont été mis en
place. Elles dérivent essentiellement des travaux qui ont été réalisés ces 30
dernières années : [KAL 82], [KAL 87], [KIK 96] et [AYA 02, 06].
4. Calcul de la puissance dissipée au niveau du contact [CHE 06a] et de
l’usure avec actualisation des profils usés après dégradation. Le modèle d’usure utilisé est la réécriture locale du modèle empirique d’Archard [ARC 53].
5. On réitère les étapes 3 et 4 jusqu’à atteindre notre critère d’arrêt : l’usure générée.
HERSANT Julien Stage Recherche de Master 2 SDS
10
La Figure 4 est le résultat de cette simulation.
Figure 4 : Résultat de simulation de l’évolution de l’usure en fonction du nombre
de cycles : modèle déterministe.
On peut suivre sur cette figure le niveau d’usure maximal en fonction du temps
ainsi que les profils usés en fin de trajet : 6.106 cycles.
2.3 Approche 1 : modèle déterministe couplé à une approche de Monte Carlo
Cette approche consiste à réaliser des simulations en fonction de différents jeux
de paramètres. Les paramètres peuvent être stochastiques ou déterministes. La
dispersion de chaque paramètre stochastique est représentée par une densité de
probabilité connue. Un tirage de Monté Carlo est réalisé pour chaque paramètre
et un jeu de paramètres est créé. Une simulation à partir du modèle déterministe
est alors réalisée avec ce jeu de paramètres. Des résultats de cette approche
probabiliste sont présentés sur la Figure 5.
Figure 5 : résultat de l’approche probabiliste paramétrique
HERSANT Julien Stage Recherche de Master 2 SDS
11
Cette approche est introduite dans [CHE 05] et appliquée dans [CLO 06]. On
peut constater sur les deux figures, les trajets suivis en fonction du jeu de
paramètres (1100 réalisations) et la distribution en usure au bout de 1,3.106
cycles. A partir de ces résultats, il est possible de déduire l’estimation de fiabilité.
On souhaite comparer cette approche à l’approche 2.
HERSANT Julien
3 Approche 2 : étude des phénomènes de dégradation par les processus stochastiques
3.1 Différentes approches de modélisationOn trouve dans la littérature toutes sortes d’approches des modèldéfaillances par les processus stochastiques. Ils sont répartit en deux grandes familles de problèmes, une du point de vue global (au niveau systémique) et une du point de vue local (au niveau composant). On peut les répartir ainsi, comme décrit dans [SIN 95] :
Figure 6 : Approche des Modèles de Défaillance par les Processus
Dans notre cas, nous nous chargeons de modéliser l’évolution du niveau d’usure
au niveau d’un contact Came/Galet à partir de données d’essais tout en prenant
en compte les phénomènes aléatoires. Donc, nous allons nous intéresser plus
particulièrement aux deux cas encadrés
Wiener.
3.2 Approche Fiabiliste
3.2.1 Principe de modèles de dégradationPour étudier l’évolution de notre usure au cours du temps, on commence par
discrétiser notre axe des temps en
Stage Recherche de Master 2 SDS
12
: étude des phénomènes de dégradation par les processus stochastiques
Différentes approches de modélisation On trouve dans la littérature toutes sortes d’approches des modèldéfaillances par les processus stochastiques. Ils sont répartit en deux grandes familles de problèmes, une du point de vue global (au niveau systémique) et une du point de vue local (au niveau composant). On peut les répartir ainsi, comme
Approche des Modèles de Défaillance par les Processus
Stochastiques [SIN 95]
Dans notre cas, nous nous chargeons de modéliser l’évolution du niveau d’usure
au niveau d’un contact Came/Galet à partir de données d’essais tout en prenant
en compte les phénomènes aléatoires. Donc, nous allons nous intéresser plus
eux cas encadrés : le processus Gamma et
Approche Fiabiliste : Les modèles de dégradation
Principe de modèles de dégradation Pour étudier l’évolution de notre usure au cours du temps, on commence par
discrétiser notre axe des temps en � intervalles de longueur h. Ainsi notre
Stage Recherche de Master 2 SDS
: étude des phénomènes de dégradation
On trouve dans la littérature toutes sortes d’approches des modèles de défaillances par les processus stochastiques. Ils sont répartit en deux grandes familles de problèmes, une du point de vue global (au niveau systémique) et une du point de vue local (au niveau composant). On peut les répartir ainsi, comme
Approche des Modèles de Défaillance par les Processus
Dans notre cas, nous nous chargeons de modéliser l’évolution du niveau d’usure
au niveau d’un contact Came/Galet à partir de données d’essais tout en prenant
en compte les phénomènes aléatoires. Donc, nous allons nous intéresser plus
amma et le processus de
: Les modèles de dégradation
Pour étudier l’évolution de notre usure au cours du temps, on commence par
intervalles de longueur h. Ainsi notre
HERSANT Julien Stage Recherche de Master 2 SDS
13
incrément d’usure sera visualisé tous les h pas de temps. C'est-à-dire en 0, ℎ, 2ℎ, 3ℎ, … et ainsi de suite jusqu’à � × ℎ.
On défini, ∀���0, ��, ����, la valeur de la dégradation en � = � × ℎ. Ainsi, si la
dégradation vaut ���� en � × ℎ et ��� + 1� en �� + 1� × ℎ, le modèle proposé par
A.J. Lemoine et M.L. Wenocur [LEM 85] nous permet de définir l’incrément de
dégradation comme étant fonction des paramètres du processus par :
��� + 1� − ���� = ������� × �� + ������� × ℎ (1)
où ��� est un ensemble de variables indépendantes et identiquement distribuées, ������� !� ������� sont deux paramètres du processus. Cet ensemble décrit le
processus suivi.
Par passage à la limite, on déduit l’expression continue (2) à partir de
l’expression discrète (1) quelque soit la taille de l’intervalle :
"���� = ������� × "#��� + ������� × "� (2)
où l’ensemble �#��� peut-être un processus Gamma si ��� est un ensemble de
variables indépendantes et identiquement distribuées selon une loi Gamma, ou
un processus de Wiener si ��� est un ensemble de variables indépendantes et
identiquement distribuées selon une loi Gaussienne. Ces deux distributions sont
étudiées dans [LEM 85] et [WEN 89].
En intégrant la relation (2) et en supposant que ������� !� ������� sont constants ∀�, on obtient l’expression qui permet de décrire l’évolution de la dégradation en
fonction du temps suivant le processus #��� choisit :
���� = � × #��� + � × � (3)
Pour s’assurer que ���� reste croissant au cours du temps, ce qui est nécessaire
dans certains domaines, il faut que �, � !� � soient tous positifs.
3.2.2 Modèles de dégradation étudiés
3.2.2.1 Processus de Wiener Pour un processus de Wiener, #��� est un mouvement Brownien. C'est-à-dire, que ∀ℎ > 0, ∀�, �#�� + ℎ� − #���� suit une loi Normale de moyenne 0 et d’écart-type h.
D’après (3), on peut donc écrire :
��� + ℎ� − ���� = � × %�0, ℎ� + � × ℎ (4)
Avec dans ce cas, � = & l’écart–type du processus et � = � la moyenne du
processus.
HERSANT Julien Stage Recherche de Master 2 SDS
14
En résumé, un processus stochastique �����, � > 0 est un processus de Wiener de
paramètres ��, &� si :
'()(* ��0� = 0�����, � > 0 + "!, é.è�!�!��, ,�+�01��+02!, !� 0�"é3!"+��,∀ ℎ > 0 !� ∀ �, ���� + ℎ� − ����� !,� �12�+4!�!�� "0,�2056é +.!7 6�! �18!��! � × ℎ !� 6�! .+20+�7! &9 × ℎ
:
Il permet de décrire des trajectoires de dégradations croissantes en moyenne.
Cela peut entraîner une diminution de la dégradation entre deux instants
successifs. On peut visualiser sur la figure 7 trois trajectoires suivant un
processus de Wiener de moyenne � = 0.8 et de variance &9 = 0.5.
Figure 7 : : Trajectoires selon un processus de Wiener de paramètres � = 0.8 !� &9 = 0.5
3.2.2.2 Processus Gamma Dans le cas d’un processus Gamma, on a que ∀ℎ > 0, ∀�, �#�� + ℎ� − #���� suit
une loi Gamma Γ de paramètre de forme 0 et de paramètre d’échelle 1.
D’après (3), on peut donc écrire :
��� + ℎ� − ���� = � × Γ�0,1� + � × ℎ (5)
Avec dans ce cas, � = ? le paramètre d’échelle et � = @ le paramètre de forme du
processus.
En résumé, un processus stochastique �����, � > 0 est un processus Gamma de
paramètres A@, 1 ?B C si :
HERSANT Julien Stage Recherche de Master 2 SDS
15
'()(* ��0� = 0�#���, � > 0 + "!, é.è�!�!��, ,�+�01��+02!, !� 0�"é3!"+��,∀ ℎ > 0 !� ∀ �, ���� + ℎ� − ����� ,60� 6�! 410 D+��+ "! 3+2+�è�2!, �@ × ℎ, 1 ?B �
:
Il permet de modéliser une dégradation croissante dans le temps d’un composant
soumis au vieillissement. Malgré cela, les processus Gamma admettent entre
deux points successifs des sauts ce qui peut-être gênant. On peut visualiser sur la
figure 8 trois trajectoires suivant un processus Gamma de paramètre de forme @ = 1.5 et de paramètres d’échelle ? = 1 5.2B .
Figure 8 : Trajectoires selon un processus Gamma de paramètres @ = 1.5 !� 1 ?B = 5.2
HERSANT Julien Stage Recherche de Master 2 SDS
16
4 Modélisation des processus de dégradation Nous allons développer dans cette partie la démarche suivie pour modéliser les
processus de dégradation.
La structure de programmation étant la même quelque soit le processus utilisé, je
m’attacherai à décrire la démarche des deux processus de Wiener et Gamma en
parallèle pour une meilleure lisibilité de la comparaison.
L’ensemble des développements est réalisé avec le logiciel Matlab.
4.1 Structure des programmes La structure de chaque programme est découpée en 6 parties comme décrites
figure 9 distinctes dont je vais expliquer brièvement les principes :
Mise en place des paramètres
Création du vecteur temps
Génération des trajets suivant le processus désiré
Détermination des instants de franchissement
Détermination des densités de répartition
Détermination des fonctions de répartition
Figure 9 : Algorithme de chaque programme
HERSANT Julien Stage Recherche de Master 2 SDS
17
4.1.1 Mise en place des paramètres Il s’agit de décider ici des paramètres de notre simulation :
o Nombre de trajectoires
o Nombre de points par trajectoire : ce nombre est défini en fonction de la
précision souhaitée
o Temps de la simulation
o Paramètres du processus
o Valeur initiale de la dégradation
o Dégradation maximale admissible
4.1.2 Création du vecteur temps On s’intéresse à la prédiction de la durée de vie, il est donc nécessaire de définir
une échelle des temps.
Un vecteur temps est déterminé en fonction de la durée de modélisation et du
nombre de points que l’on souhaite avoir sur chacune de nos trajectoires. Le pas
de temps est choisit constant.
Plus le pas de temps sera défini faible et plus la détermination de l’instant de
franchissement sera précis.
4.1.3 Génération des trajectoires suivant le processus désiré Dans cette partie, on génère à la fois les trajectoires de référence, qui sont la
trajectoire moyenne et la dégradation maximale admissible, ainsi que les
trajectoires aléatoires qui suivent le processus de dégradation choisi.
Pour tracer ces trajectoires aléatoires, nous partons de la dégradation initiale,
qui peut-être nulle, en t=0, puis nous ajoutons entre deux points successifs une
loi de distribution caractéristique de notre processus, comme décrit dans le
paragraphe 3.2.2.
Les figures 9 et 10 présentent les trajectoires de dégradation aléatoires en
fonction du processus choisit :
HERSANT Julien Stage Recherche de Master 2 SDS
18
Figure 10 : Tracé de 2100 trajectoires selon un processus de Wiener
de paramètres � = 0.8 !� &9 = 0.5
Figure 11 : Tracé de 2100 trajectoires selon un processus Gamma
de paramètres @ = 1.5 !� 1 ?B = 5.2
Nous pouvons constater que le processus de Wiener autorise des incréments de
dégradation négatifs, ce qui n’est pas le cas du processus Gamma. C’est un point
important à noter et que nous aborderons dans la suite de ce mémoire.
HERSANT Julien Stage Recherche de Master 2 SDS
19
4.1.4 Détermination des instants de franchissement Notre objectif est de déterminer la répartition de nos instants de défaillance.
C’est-à-dire déterminer le moment où notre dégradation simulée dépasse le seuil
de dégradation admissible.
Tout d’abord, on détermine le premier point pour lequel le niveau de dégradation
est supérieur à celui de la dégradation maximale.
Ensuite, pour une meilleure précision et étant donné le fait que l’on ne connaisse
notre niveau de dégradation que sur une échelle discrète, on fait l’hypothèse
d’une évolution linéaire du niveau de dégradation entre deux points successifs.
Cette démarche est illustrée figure 11 :
: Discrétisation
des trajectoires
tf : temps de
franchissment
t(i) : temps au
point i
Z0 : Dégradation
admissible
Figure 12 : Détermination des instants de franchissement
On effectue ce calcul pour chacune des trajectoires et on répertorie ces instants
de défaillance dans un vecteur.
4.1.5 Détermination des densités de répartition Dans cette section, les objectifs sont de déterminer et de comparer pour un seuil
de dégradation donné :
o la densité de répartition des instants de défaillance à partir des temps de
franchissements : on trace un histogramme de répartition des instants de
défaillances regroupés dans un nombre de classes fonction du nombre de
trajectoires.
o la densité de répartition à partir des incréments d’usure : On détermine les
paramètres du processus à partir de la répartition statistique des
incréments d’usure.
o la densité de répartition théorique du processus : on peut directement
avoir analytiquement la densité de répartition théorique à partir des
paramètres du processus.
t(i) t(i+1) tf
Z0
Unité de
Temps
Niveau de la dégradation
HERSANT Julien Stage Recherche de Master 2 SDS
20
Ces courbes sont tracées figures 12 et 13 :
Figure 13 : Densités de répartition selon un processus de Wiener
de paramètres � = 0.8 !� &9 = 0.5
Figure 14 : Densités de répartition selon un processus Gamma
de paramètres @ = 1.5 !� 1 ?B = 5.2
HERSANT Julien Stage Recherche de Master 2 SDS
21
On remarque que la densité de répartition calculée à partir des incréments
d’usure se superpose presque parfaitement avec la densité de répartition
théorique. Ce résultat permet de valider les programmes réalisés. En effet, nous
retrouvons bien la répartition théorique à partir des simulations.
4.1.6 Détermination des fonctions de répartition De la même manière que dans le paragraphe précédent, le but est de déterminer
la fonction de répartition selon les trois mêmes méthodes afin de comparer leurs
résultats.
Figure 15 : Fonction de répartition selon un processus de Wiener
de paramètres � = 0.8 !� &9 = 0.5
Ainsi, à une unité de temps de 12, 50% des trajectoires ont franchi le seuil de
dégradation.
HERSANT Julien Stage Recherche de Master 2 SDS
22
Figure 16 : Fonction de répartition selon un processus Gamma
de paramètres @ = 1.5 !� 1 ?B = 5.2
Dans le cas de ce processus Gamma, 50% de nos trajectoires ont franchi le seuil
de dégradation au bout de 13 unités de temps.
4.2 Objectif Dans la suite de ce mémoire, l’objectif va être d’appliquer la méthode des
processus de dégradation décrite ci-dessus à des données d’essais. Ces essais sont
issus des travaux de [CLO 06] et concernent des résultats de mesure d’usure sur
un banc d’essais reproduisant le contact roulant galet/came des machines de
production.
Nous allons présenter ces résultats d’essais dans ce qui suit.
HERSANT Julien Stage Recherche de Master 2 SDS
23
5 Analyse des données d’essais
5.1 Mise en place de la base de travail
5.1.1 Etude des données Pour cette étude, nous disposons de données d’essais d’usure de trois systèmes.
Ces données sont présentées dans le tableau ci-dessous :
Essai 1 Essai 2 Essai 3
t1 (min) Z1 (µm) t2 (min) Z2 (µm) t3 (min) Z3 (µm)
0 0 0 0 0 0 18 5 77 23,4 25 5 27 9,7 122 45,9 80 18,9 99 10,9 277 52,55 107 23
256 24 317 45,9 324 54,8 362 21,9 372 45,9 381 61,6 397 31 432 51,3 438 73
477 62,5 533 69,4
704 73,2
822 87,2
859 100,5
959 100,9
1017 109,35
Figure 17 : Données d’essais
Voici leurs représentations graphiques :
Figure 18 : Tracé des essais
HERSANT Julien Stage Recherche de Master 2 SDS
24
A partir de la figure 16, on peut faire deux principaux constats :
o Entre deux points successifs, on peut avoir des incréments d’usure
négatifs. Physiquement, cela correspondrait à un niveau d’usure qui
diminuerait au cours du temps, ce qui n’est pas logique. Donc, cela
s’explique par le fait qu’il existe des erreurs de mesure et il faut donc
prendre en compte cela dans la modélisation. Dans les processus de
dégradation décrits ci-dessus, seul le processus de Wiener permet de
prendre en compte ces incertitudes de mesure. En effet, le processus
Gamma n’admet pas d’incrément négatif. Son utilisation pour simuler ces
données d’essais est donc impossible.
o Une chose importante lorsque l’on utilise les processus de dégradation est
que cette méthode ne fonctionne que sur des modèles de dégradation
linéaire. Or en analysant ces données, nous nous apercevons de la non-
linéarité de l’évolution de la dégradation pour des valeurs de temps faibles.
Par contre, passé une phase de rodage, la dégradation évolue linéairement.
Une première étape consiste donc à trouver une base de travail dans
laquelle ces données d’essais suivent une tendance linéaire.
5.1.2 Transformation des données Pour ce faire, on fait l’hypothèse que ces essais suivent une loi puissance du type : ���� = E × �� Un modèle de régression au sens des moindres carrés est placé sur chaque essai
et présenté figure 11.
Figure 19 : Mise en place d’une loi puissance sur les données d’essais
HERSANT Julien Stage Recherche de Master 2 SDS
25
Pour ces trois modèles de régression, on trouve les coefficients de corrélations
suivants :
K n R²
Essai 1 1.3152 0.5067 0.9695
Essai 2 7.3447 0.3291 0.9459
Essai 3 1.05 0.6656 0.9763
Figure 20 : Coefficients de corrélation des modèles puissance
Le coefficient étant de niveau élevé pour les trois essais, l’hypothèse de
l’évolution en loi puissance est donc acceptée.
Le modèle de dégradation étant du type ���� = E × ��, la base de travail dans
laquelle ce modèle est linéaire est donc la base Log-Log. C'est-à-dire :
ln���ln ����� = � × ln��� + ln�E�
donc du type :
8��� = + × � + 5
On effectue la transformation des données issues de la figure 15 dans la base
Log-Log et on vérifie que le modèle est bien linéaire :
ln t1 ln u1 ln t2 ln u2 ln t3 ln u3
0 0,23854435 0 2,0179517 0 0,32526683 2,89037176 1,60943791 4,34380542 3,15273602 3,21887582 1,60943791 3,29583687 2,27212589 4,80402104 3,82646512 4,38202663 2,93916192 4,59511985 2,38876279 5,62401751 3,9617651 4,67282883 3,13549422 5,54517744 3,17805383 5,75890177 3,82646512 5,78074352 4,00369019 5,89164421 3,08648664 5,91889385 3,82646512 5,94279938 4,12066187 5,98393628 3,4339872 6,06842559 3,93769075 6,08221891 4,29045944
6,16751649 4,13516656 6,27852142 4,23988687
6,55677836 4,29319542
6,7117404 4,46820433
6,75576892 4,61015773
6,86589107 4,61412993
6,9246124 4,69455375
Figure 21 : Transposition des données d’essais dans la base Log-Log
Pour éviter les singularités dues aux propriétés mathématiques de la fonction
logarithme, on introduit sur chaque courbe un nouveau point. En effet, au point
origine des essais (0,0), la fonction logarithmique tend vers −∞. Cependant,
l’information qu’il apporte conditionne la tendance de la courbe en loi puissance.
Ce point a plusieurs propriétés :
1. Il est définit proche de l’origine dans la base standard afin de ne pas
perdre d’information sur la tendance de la loi puissance.
HERSANT Julien Stage Recherche de Master 2 SDS
26
2. Il introduit une erreur nulle dans le modèle puissance créé par régression
avec minimisation par les moindres carrés pour ne pas perturber
l’équation du modèle de régression.
Figure 22 : Passage des données en base Log-Log
Dans la suite de ce mémoire, nous nous intéresseront donc à simuler ces essais
par le processus de Wiener.
HERSANT Julien Stage Recherche de Master 2 SDS
27
5.2 Détermination des paramètres de modélisation Pour pouvoir utiliser le processus de Wiener comme processus de dégradation, il
nous faut vérifier que la répartition de nos incréments d’usure dans la base Log-
Log suit bien une loi normale dont il nous faudra déterminer ensuite les
paramètres. Pour ce faire, nous proposons deux méthodes :
o Une méthode graphique : Le tracé de la droite de Henry
o Une méthode analytique : Le test de Kolmogorov-Smirnov
Ces deux études ont été effectuées sous le logiciel Excel.
5.2.1 Droite de Henry Le test par la droite de Henry a pour objectif de vérifier si une population est
distribuée suivant une loi Gaussienne ou non. C’est une méthode graphique qui
se réalise sur un papier Gausso-arithmétique.
On porte en abscisse les valeurs observées qui sont ici les incréments d’usure et
on porte en ordonnées le fractile pour la loi de Gauss à partir des fréquences
cumulées. Le fractile d’ordre p est la valeur u telle que la probabilité cumulée
jusqu’à u est égale à p.
Démarche pour tracer la droite de Henry :
o Détermination des incréments d’usure : ∆�ln��JK�� ∆�ln��JK��L
o Détermination des fréquences cumulées : M% = !OO!7�0O 76�64é !OO!7�0O �1�+4⁄
o Détermination du fractile pour la loi de Gauss : Q = 410 �12�+4! ,�+�"+2" 0�.!2,! �M%�
RS�T� RS�U� ∆�RS�UVW�� ∆�RS�TVW�� ∆�ln��0X��∆�ln��0X�� Y% Z
0 0,23854435 2,89037176 1,60943791 1,37089356 2,89037176 0,47429662 1,01229508 #NOMBRE! 3,29583687 2,27212589 0,66268797 0,40546511 1,63438964 0,72540984 0,59898884
4,59511985 2,38876279 0,1166369 1,29928298 0,08977021 0,35655738 -0,36767611 5,54517744 3,17805383 0,78929104 0,95005759 0,83078231 0,80737705 0,86827117 5,89164421 3,08648664 -0,09156719 0,34646677 -0,26428853 0,06967213 -1,47823734 5,98393628 3,4339872 0,34750057 0,09229207 3,76522676 0,68442623 0,4801123
0 2,0179517 4,34380542 3,15273602 1,13478432 4,34380542 0,26124198 0,88934426 1,22304824 4,80402104 3,82646512 0,67372909 0,46021562 1,46394225 0,76639344 0,72702096 5,62401751 3,9617651 0,13529998 0,81999646 0,16500069 0,43852459 -0,15471097 5,75890177 3,82646512 -0,13529998 0,13488427 -1,00308199 0,02868852 -1,90042744
HERSANT Julien Stage Recherche de Master 2 SDS
28
5,91889385 3,82646512 0 0,15999208 0 0,15163934 -1,02942781 6,06842559 3,93769075 0,11122564 0,14953173 0,74382629 0,31557377 -0,4801123 6,16751649 4,13516656 0,1974758 0,0990909 1,99287522 0,64344262 0,36767611
0 0,32526683 3,21887582 1,60943791 1,28417108 3,21887582 0,39895018 0,93032787 1,47823734 4,38202663 2,93916192 1,32972401 1,16315081 1,1432086 0,97131148 1,90042744 4,67282883 3,13549422 0,19633229 0,2908022 0,67514033 0,60245902 0,25971714 5,78074352 4,00369019 0,86819598 1,10791468 0,78363072 0,84836066 1,02942781 5,94279938 4,12066187 0,11697168 0,16205586 0,7217985 0,39754098 -0,25971714 6,08221891 4,29045944 0,16979757 0,13941954 1,21788937 0,5204918 0,05138794 6,27852142 4,23988687 -0,05057257 0,19630251 -0,25762571 0,11065574 -1,22304824 6,55677836 4,29319542 0,05330855 0,27825693 0,19158032 0,23360656 -0,72702096 6,7117404 4,46820433 0,17500891 0,15496204 1,12936634 0,56147541 0,15471097 6,75576892 4,61015773 0,1419534 0,04402853 3,22412323 0,4795082 -0,05138794 6,86589107 4,61412993 0,0039722 0,11012215 0,03607085 0,19262295 -0,86827117
6,9246124 4,69455375 0,08042382 0,05872132 1,36958464 0,27459016 -0,59898884
Figure 23 : Calcul de la droite de Henry
Et enfin, on trace la droite de Henry correspondante :
Figure 24 : Représentation graphique de la droite de Henry
Dans le cas d’une distribution normale, la droite de Henry doit suivre un modèle
linéaire. Ici, la droite n’est pas flagrante, mais ceci peut-très bien s’expliquer par
le fait du faible nombre de mesures à disposition. Le test de la droite de Henry ne
permet donc pas de conclure sur la distribution des données d’essais.
Pour s’assurer ou non de la répartition normale des incréments d’usure, on va
donc procéder à un test de Kolmogorov-Smirnov.
HERSANT Julien Stage Recherche de Master 2 SDS
29
5.2.2 Test de Kolmogorov-Smirnov Le test de Kolmogorov-Smirnov est une extension de la méthode de la droite de
Henry. En effet, ce test représente graphiquement une enveloppe autour de cette
droite, comme représenté figure 20 :
Figure 25 : Raccordement d’une distribution d’une loi normale pas le test de
Kolmogorov-Smirnov et pour un risque de 5%
La largeur de cette enveloppe dépend du nombre d’échantillons et du risque que
l’on prend.
Le test d'ajustement de Kolmogorov-Smirnov est un test non paramétrique qui
permet de tester l'hypothèse [\ selon laquelle les données observées sont
engendrées par une loi de probabilité théorique considérée comme étant un
modèle convenable. Mais contrairement au test de Khi-deux, la loi théorique doit ici être continue et entièrement spécifiée, sans paramètre inconnu. Dans ce test, les calculs sur les lois de probabilité se font sur les fonctions de répartition : on mesure l'écart entre la fonction de répartition théorique et la fonction de répartition observée. On considère ainsi une variable aléatoire X de fonction de répartition F, que l'on veut comparer à une fonction de répartition théorique M\ continue.
HERSANT Julien Stage Recherche de Master 2 SDS
30
On souhaite tester : o l'hypothèse [\ ∶ M = M\
contre : o l'hypothèse [^ ∶ M ≠ M\
Dans ce cas, on a : [\ est notre échantillon suit une distribution normale.
L’idée globale de ce test est de comparer la répartition de nos données avec une
répartition théorique. Ensuite on vient vérifier si l’écart entre ces deux
distributions n’est pas trop élevé.
Pour ce faire, on mesure en chaque point l’écart correspondant et on vérifie que
l’écart maximal sur toutes les données ne dépasse pas une valeur seuil
déterminée en fonction du nombre de données disponibles ainsi que d’un risque
admissible.
Dans notre cas, nous disposons de 25 incréments et nous admettons un risque de
5%.
Voici le détail de la démarche :
o On rassemble par ordre croissant nos échantillons : `V
o On calcule l’écart au carré de chaque valeur avec la moyenne des
échantillons : �`V − ab�c
o On calcule la fréquence cumulée théorique pour chaque valeur :
Yde�V� = �dffdgTVf ghehié− j. k��dffdgTVf TlTmi + j. n�
o On norme et on centre chaque valeur pour obtenir une distribution
normale de moyenne nulle et d’écart-type unitaire : �`V − ab�o
o On calcule la probabilité de chacune de ses variables centrées réduites
suivant une loi normale : pV�Yde�
o On détermine ensuite les distances entre la probabilité suivant les données
et la probabilité théorique :
q Vr − pV; pV − �V − t�r u
HERSANT Julien Stage Recherche de Master 2 SDS
31
i Valeurs `V �`V − ab�c YTv�V� �`V − ab�o pV�Yde� Vr − pV pV − �V − t�r
1 -1,00308 3,36572 0,02756 -1,74537 0,04046 0,00046 0,04046 2 -0,26429 1,20077 0,06693 -1,04250 0,14859 0,06859 0,10859 3 -0,25763 1,18621 0,10630 -1,03616 0,15006 0,03006 0,07006 4 0,00000 0,69141 0,14567 -0,79107 0,21445 0,05445 0,09445 5 0,03607 0,63272 0,18504 -0,75675 0,22460 0,02460 0,06460 6 0,08977 0,55017 0,22441 -0,70566 0,24020 0,00020 0,04020 7 0,16500 0,44423 0,26378 -0,63409 0,26301 0,01699 0,02301 8 0,19158 0,40951 0,30315 -0,60881 0,27133 0,04867 0,00867 9 0,26124 0,32520 0,34252 -0,54253 0,29373 0,06627 0,02627
10 0,39895 0,18711 0,38189 -0,41152 0,34035 0,05965 0,01965 11 0,47430 0,12760 0,42126 -0,33984 0,36699 0,07301 0,03301 12 0,67514 0,02445 0,46063 -0,14876 0,44087 0,03913 0,00087 13 0,72180 0,01204 0,50000 -0,10437 0,45844 0,06156 0,02156 14 0,74383 0,00769 0,53937 -0,08342 0,46676 0,09324 0,05324 15 0,78363 0,00229 0,57874 -0,04555 0,48183 0,11817 0,07817 16 0,83078 0,00000 0,61811 -0,00069 0,49972 0,14028 0,10028 17 1,12937 0,08872 0,65748 0,28337 0,61155 0,06845 0,02845 18 1,14321 0,09716 0,69685 0,29654 0,61659 0,10341 0,06341 19 1,21789 0,14929 0,73622 0,36759 0,64341 0,11659 0,07659 20 1,36958 0,28953 0,77559 0,51191 0,69564 0,10436 0,06436 21 1,46394 0,39997 0,81496 0,60168 0,72631 0,11369 0,07369 22 1,63439 0,64462 0,85433 0,76383 0,77752 0,10248 0,06248 23 1,99288 1,34877 0,89370 1,10489 0,86540 0,05460 0,01460 24 3,22412 5,72461 0,93307 2,27625 0,98858 0,02858 0,06858 25 3,76523 8,60671 0,97244 2,79104 0,99737 0,00263 0,03737
Figure 26 : Application du test de Kolmogorov Smirnov à nos données d’essais
Moyenne et Ecart-type sur les données d’incréments (valeurs `V� :
Moyenne des valeurs : �b = 0,831507953
Ecart-type : & = 1,051120305
On remarque que la valeur de l’écart-type est grande. Il y aura donc une
dispersion importante dans les simulations.
o Calcul de l’écart maximal entre la probabilité théorique et la probabilité
sur les données :
yz = em` { Vr − pV| y} = em` ~pV − �V}t�r � 0,14027541 0,10858918
HERSANT Julien Stage Recherche de Master 2 SDS
32
y = em`�yz, y}� 0,140275411
o Détermination du critère de nos données :
��y� = y × �√� − j. jt + j. ��√� � 0,723821123
Or pour un seuil de confiance de 95%, on a une valuer référence de ����� = 0.895.
Cette valeur est déterminée à partir d’une table, en fonction du nombre
d’échantillons et du risque @.
Donc on vérifie bien que ���� < ����� ; H0 est donc acceptée et les données
d’incréments d’usure suivent bien une loi normale.
On peut donc déterminer les paramètres de la loi normale du processus et
simuler nos trajectoires.
5.2.3 Paramètres du processus de dégradation Les incréments d’usure suivent une loi normale, de moyenne et d’écart-type :
o �b = 0,831507953
o & = 1,051120305
HERSANT Julien Stage Recherche de Master 2 SDS
33
6 Simulation des trajectoires La loi statistique utilisée n’est valable que dans la base Log-Log, il convient donc
de modéliser les trajectoires dans cette base.
Un premier problème se pose : dans la base standard dégradation-temps, le point
initial et qui est d’ailleurs le seul point commun à toutes les trajectoires, est
l’origine (0,0). Or dans la base Log-Log, ce point n’est pas défini.
Pour remédier à ce problème, il faut se définir un point de référence. Ce point
doit être proche de l’origine dans la base standard afin de travailler sur la
globalité du modèle et ne pas introduire une erreur trop grande dans la
modélisation.
Ensuite on modélise toutes les trajectoires dans la base Log-Log, puis on calcule
les différents points de ces trajectoires dans la base standard afin de déterminer
les instants de défaillance.
6.1 Simulation des trajectoires dans la base Log-Log Les trajectoires sont simulées dans la base Log-Log selon un processus de Wiener
avec les paramètres suivants :
� �\� = 0� = 0.832& = 1.05 : On simule ainsi 2100 trajectoires avec pour chacune 1001 points :
Figure 27 : Simulation de 2100 trajectoires selon un processus
de Wiener dans la base Log-Log
HERSANT Julien Stage Recherche de Master 2 SDS
34
On peut visualiser figure 27 les trajectoires simulées ainsi que les données
d’essais auxquelles on a retiré le premier point pour éviter les problèmes de
définition. On remarque que la dispersion autour des données d’essais est très
importante dans cette base.
6.2 Transposition des trajectoires dans la base standard Pour ce faire, on utilise chaque point de chaque trajectoire et on prend
l’exponentiel de son abscisse et l’exponentiel de l’ordonnée afin de retrouver notre
base d’origine.
Voici ce que l’on obtient :
Figure 28 : Simulation des trajectoires selon un processus
de Wiener dans la base standard
On remarque que le niveau de dégradation maximal n’est pas du même ordre de
grandeur que celui des essais, il est 10� fois trop important, ce qui semble
aberrant. On va tout de même poursuivre l’étude et déterminer la répartition des
instants de défaillance.
6.3 Analyse des temps de défaillance L’objectif de ce travail de recherche est de comparer la répartition des instants de
défaillance suivant deux approches distinctes. On a donc déterminé les instants
de défaillance selon le processus de Wiener pour un seuil de dégradation de �0 = 20 ��.
HERSANT Julien Stage Recherche de Master 2 SDS
35
Voici le résultat obtenu :
Figure 29 : Répartition des temps de franchissement pour un seuil de
dégradation de �0 = 20 ��.
On remarque que la répartition est très concentrée vers les temps très faibles ce
qui s’explique par le fait que le niveau de dégradation obtenu n’est pas du même
ordre de grandeur que les essais.
Les instants de défaillance pour les trois essais étaient compris entre 0 et 200
min. Or ici, les temps de franchissement sont regroupés en dessous de 50 min.
HERSANT Julien Stage Recherche de Master 2 SDS
36
7 Analyse comparative des différentes méthodes Afin de comparer les deux méthodes de prévision des instants de défaillances, il
convient de recenser dans les deux cas la répartition des instants de défaillance
pour un seuil de dégradation de �0 = 20 ��.
7.1 Résultats par la méthode semi-hertzienne La simulation est effectuée selon la méthode 1, pour un nombre de 2100
trajectoires. Les figures 29 et 30 montrent l’ensemble des trajectoires ainsi que la
répartition des instants de défaillance pour un seuil de dégradation de �0 =20 ��.
Figure 30 : 2100 simulations selon la méthode semi-hertzienne
Figure 31 : Répartition des temps de franchissements pour un seuil de
dégradation de �0 = 20 ��
HERSANT Julien Stage Recherche de Master 2 SDS
37
On remarque comme pour les essais que les temps de franchissements sont
regroupés entre 0 et 200 min ce qui est tout à fait plausible.
Pour la densité de répartition de ces instants de franchissement, on fait
l’hypothèse d’une loi log-normale donc voici les paramètres :
�� = 4.5929
& = 0.6066
On fait ensuite l’hypothèse de la même répartition pour les données d’essais et on
obtient :
�� = 4.2234
& = 1.2157
Et enfin, on compare les fonctions de fiabilité à la fonction de fiabilité théorique
pour une loi log-normale :
Figure 32 : Comparaison des deux distributions
On remarque que la fonction de fiabilité issue de l’approche 1 est très proche de
la fonction de fiabilité théorique que qui valide l’hypothèse faite. La fonction de
fiabilité issue des essais est trop pauvre en données pour pouvoir donner une
bonne approximation.
HERSANT Julien Stage Recherche de Master 2 SDS
38
7.2 Comparaison des résultats Pour comparer les deux résultats, on superpose les deux distributions obtenues
sur le même graphique. La figure 31 montre cette superposition des temps de
franchissements pour un seuil de dégradation de �0 = 20 �� selon les deux
approches :
Figure 33 : Comparaison des deux distributions
On peut faire plusieurs remarques :
o La méthode par les processus de dégradation a des trajectoires dont les
niveaux de dégradation sont très élevés. De ce fait les instants de défaillance
arrivent plus tôt.
o En comparant les deux méthodes, il y a donc une grande disparité sur les
deux résultats.
La comparaison entre les deux méthodes n’est pas satisfaisante et ne permet pas
de conclure sur la justesse de l’une ou l’autre des approches.
HERSANT Julien Stage Recherche de Master 2 SDS
39
8 Conclusion et perspectives Dans ce mémoire, nous avons présenté deux processus de dégradation
permettant de modéliser l’évolution de l’usure dans les contacts roulants acier
sur acier. Ce sont les modèles de l’approche 2. L’objectif définit de ce travail est la
comparaison de l’approche 2 avec l’approche 1 : modèle mécanique où les
incertitudes sont prises en compte par tirage de Monte-Carlo sur les paramètres.
Tout d’abord, nous avons écarté le processus Gamma pour simuler l’évolution de
la dégradation observée sur les essais d’usure. En effet, les données font
apparaitre des incréments négatifs dus à des erreurs de mesure qui doivent être
intégrées dans la modélisation. C’est pourquoi la comparaison de l’approche 2 par
l’approche 1 c’est faite à partir du processus de dégradation de Wiener.
Ensuite, la comparaison des deux approches passe par l’identification du modèle
sur les essais d’usure. Il fallait s’assurer que la distribution de ces résultats
expérimentaux suivait bien une loi normale. Un test de Kolmogorov-Smirnov
permet la validation de cette hypothèse.
De plus, la linéarité du processus de dégradation n’étant pas compatible avec la
non-linéarité des résultats d’essais, nous avons décrit l’évolution de la
dégradation dans une base log-log.
Enfin l’identification à partir des données fait apparaitre une dispersion très
importante sur les paramètres du modèle. Cela conduit à des niveaux de
dégradation très importants. De ce fait, la comparaison n’est pas satisfaisante
avec l’approche 1.
En perspective, il faudrait réaliser de nouveaux essais qui nous permettraient
d’obtenir assez d’informations en nombre, en ayant une erreur de mesure plus
faible mais tout en permettant d’observer de la dispersion. Pour mener à bien
cette étude, il faudrait mettre en place un plan d’essais.
HERSANT Julien Stage Recherche de Master 2 SDS
40
9 Bibliographie
[ARC 53] J.F. Archard, Contact and rubbing of flat surfaces, J. Appl. Phys.
Vol.24 (1953) 981–988.
[AYA 02] J.B. Ayasse, H. Chollet, J.S. Fleuret, E. Leveque, CAF, A
generalisedconicity criteria for the wheel rail contact. Example of a
switch blade safety study. 8th VSDIA Symposium, November,
Budapest,Hungary.2002.
[AYA 05] J. B. Ayasse, H.Chollet, Determination of the Wheel Rail Contact
Patch in Semi-Hertzian Conditions, Veh. Syst. Dyn., Vol. 43, No. 3,
p.161 – 172, March, 2005.
[CHE 05] L. Chevalier, S. Cloupet, C. Soize, Probabilistic approach for wear
modelling in steady state rolling contact, Wear, Vol. 258 p. 1543-
1554,2005.
[CHE 06a] L. Chevalier, S. Cloupet, M. Quillien, "Friction and Wear during
Twin-disc experiments under ambient and cryogenic conditions".
Tribology International 39 (2006) 1376–1387
[CHE 06b] L. Chevalier, S. Cloupet, A. Eddhahak "Contributions à la
modélisation simplifiée de la mécanique des contacts roulants",
Mécanique & Industries. Vol 7. Num 2 (2006) 155-168
[CHE 07] L. Chevalier, S. Cloupet, A. Eddhahak, "On a Simplified Model for
Numerical Simulation of Wear during Dry Rolling Contacts"
Journalof Tribology, Submitted Dec 2007, In press
[CLO 06] S.Cloupet, "Simulation de l'usure superficielle par microglissement
dans les contacts roulants came-galet : approche probabiliste des
dispersions expérimentales", thèse de Doctorat, ENS de Cachan,
(2006).
[COU 05] V. Couallier. degradation modelling and semiparametric
estimationwith non independent noises. Qualita, Bordeaux, 2005.
[GUE 09] F. Guérin, M. Barreau, F. Coadou, R. Idrissi, Estimation de la
fiabilité par des essais de dégradation, QUALITA 2009, 18 – 20
mars 2009.
[LEM 85] A. J. Lemoine et M. L. Wenocur, On Failure Modeling. Naval
Research Logistics Quarterly, Volume 32, Numéro 3, Pages 497 -
508, 1985.
[KAL 82] J.J. Kalker, A Fast Algorithm for the Simplified Theory of Rolling
Contact, Vehicle Syst. Dyn. Vol. 11 p. 1-13, 1982.
[KAL 87] J.J. Kalker, Wheel/rail wear calculations with the program
CONTACT, Contact Mechanics and Wear of Rail/Wheel System,
Vol.2 p. 3-26, 1987.
[KIK 96] W. Kik, J. Piotrowski, A fast approximative method to calculate
normal load at contact between wheel and rail, and creep forces
duringrolling, Warsaw Technical University, 2nd mini-conference
on contactmechanics and wear of rail/wheel systems, Budapest,
1996.
[NIK 07] M. Nikulin, L. Gerville-Réache et V. Couallier, Statistique des
essaisaccélérés. Ed Hermes Science, pp. 229-258, Paris, 2007
HERSANT Julien Stage Recherche de Master 2 SDS
41
[SIN 95] N. M. Singpurwalla, Survival in Dynamic Environments.
Statistical Science, Volume 10, Numéro 1, Pages 86 - 103, 1995.
[WEN 89] M. L. Wenocur, A Reliability Model Based on the Gamma Process
and its Analytic Theory. Advances in applied Probability, Volume
21, Numéro 4, Pages 899 - 918, 1989.
HERSANT Julien Stage Recherche de Master 2 SDS
42
Annexe 1 : Programmation du processus de Wiener
clear all
%--------------------------------------------------------------------------
% Initialisation des paramètres
a = 2; % Nombre de trajectoires de référence
b = 1000; % Nombre de trajectoires
n = a+b; % Nombre total de trajectoires tracées
m = 1001; % Nombre de points par trajectoire
p = 1001; % Nombre de points pour les courbes théoriques
c = m-1; % nombre de colonnes de la matrice contenant les accroissements de dégradation
l = b; % nombre de lignes de la matrice contenant les accroissements de dégradation
Tmax = 30; % Temps de la simulation
deltaT = Tmax/(m-1); % Intervalle de temps entre deux points
mu = 0.8; % Moyenne
sigma = 0.5^0.5; % Ecart-type
X0 = 0; % Valeur initiale de la dégradation
Z0 = 10; % Dégradation maximale acceptable
nclass = floor(1+(10/3)*log(b)); % Nombre de classes pour la répartition des défaillances
%--------------------------------------------------------------------------
% Matrices de temps
temps = zeros(m,1);
for i = 1:m % Calcul de la position temporelle de chaque point
temps(i) = (i-1)*deltaT;
end
temps_th = zeros(p,1);
for i = 1:p % Calcul de la position temporelle de chaque point
temps_th(i) = (i-1)*Tmax/(p-1);
end
%--------------------------------------------------------------------------
% Génération des tragectoires
y = zeros(n,m);
for i = 1:m
y(1,i) = mu*temps(i); % Calcul de la dégradation moyenne
y(2,i) = Z0; % Calcul de la dégradation maximale autorisée
end
HERSANT Julien Stage Recherche de Master 2 SDS
43
for j = 3:n % Pour chaque autre trajectoire, la valeur initiale de la dégradation vaut X0
y(j,1) = X0;
end
for j = 3:n % On génère chaque trajectoire suivant un processus de Wiener
for i = 2:m
y(j,i) = y(j,i-1) + normrnd(deltaT*mu,(deltaT^0.5)*sigma);
end
end
%--------------------------------------------------------------------------
% Tracé de l'ensemble des trajectoires
figure(1);clf % On trace toutes les trajectoires sur un même graphique
set(gca,'box','on','linewidth',2,'fontname','arial','fontsize',16);
hold on
plot(temps,y)
title('Ensemble des Trajectoires')
ylabel('Niveau de la Dégradation')
xlabel('Temps')
grid on
print -djpeg100 Ensembles_des_Trajctoires_selon_un_processus_de_Wiener.jpg
%--------------------------------------------------------------------------
% Détermination des temps de franchissement (ne fonctionne que si tous les systèmes sont défaillants)
delta = zeros(n-2,m); % On crée la matrice des écarts entre la dégradation et Z0 en chaque point
for j = 3:n
for i = 1:m
delta(j-2,i) = y(j,i) - Z0;
end
end
signe = zeros(n-2,m-1); % On crée la matrice de dépassement de Z0
for j = 3:n % On détermine les intervalles dans lesquels la dégradation dépasse Z0
for i = 2:m
signe(j-2,i-1) = sign(delta(j-2,i)) - sign(delta(j-2,i-1));
end
end
temps_f = zeros(n-2,1); % On crée le vecteur des temps de franchissement
temps_f_j = zeros(n-2,m-1);
for j = 3:n % On initialise les instants de franchissement à Tmax
temps_f(j-2,1) = Tmax;
end
for j = 3:n % On détermine pour chaque trajectoire le temps de franchissement
for i = 2:m
if signe(j-2,i-1) == 2
temps_f_j(j-2,i-1) = ( Z0 - y(j,i-1) ) * deltaT / (y(j,i) - y(j,i-1) ) + temps(i-1);
if temps_f_j(j-2,i-1) <= temps_f(j-2)
HERSANT Julien Stage Recherche de Master 2 SDS
44
temps_f(j-2) = temps_f_j(j-2,i-1);
end
end
end
end
%--------------------------------------------------------------------------
% Détermination de la densité de répartition à partir des incréments d'usure
M_increment = zeros(n-2,m-1); % Création de la matrice des incréments d'usure
for j=3:n
for i=1:m-1
M_increment(j-2,i) = y(j,i+1)-y(j,i);
end
end
V = zeros(1,c*l); % Création du vecteur incrément d'usure
ind = 0:c:l*c; % Création du vecteur indice
for k = 1:l;
V(ind(k)+1:ind(k+1)) = M_increment(k,:);
end
[Muh,SigmaCh] = normfit(V); % Détermination des paramètres de la loi Normale à partir des simulations
mu_s = Muh/deltaT;
sigma_s = SigmaCh/sqrt(deltaT);
dr_s = zeros(p,1);
dr_s(1) = 0;
for i=2:p
dr_s(i)=Z0/(sqrt(2*pi)*sigma_s)*1/(sqrt(temps_th(i))^3)*exp(-(Z0-
mu_s*temps_th(i))^2/(2*sigma_s^2*temps_th(i)));
end
%--------------------------------------------------------------------------
% Détermination de la densité de répartition théorique du processus
dr_th = zeros(p,1);
dr_th(1) = 0;
for i=2:p
dr_th(i)=Z0/(sqrt(2*pi)*sigma)*1/(sqrt(temps_th(i))^3)*exp(-(Z0-
mu*temps_th(i))^2/(2*sigma^2*temps_th(i)));
end
%--------------------------------------------------------------------------
% Construction de l'histogramme
[nout,xout] = hist(temps_f,nclass);
HERSANT Julien Stage Recherche de Master 2 SDS
45
%--------------------------------------------------------------------------
% Tracé de la répartition des temps de défaillance
figure(2);clf % On trace toutes les trajectoires sur un même graphique
set(gca,'box','on','linewidth',2,'fontname','arial','fontsize',16);
hold on
bar(xout,(nout*(nclass-1))/(b*(xout(nclass)-xout(1))),'b')
%hist(temps_f,nclass)
plot(temps_th,dr_s,'-k','linewidth',2) % En noir, on visualise la répartition simulée
plot(temps_th,dr_th,'-r','linewidth',2) % En rouge, on visualise la répartition théorique
title('Répartition des Instants de Défaillance')
ylabel('Densité de Répartition')
xlabel('Instants de Défaillance')
legend('Observé','Numéquique','Analytique');
grid on
print -djpeg100 Répartition_des_Instants_de_Défaillance_selon_un_processus_de_Wiener.jpg
%--------------------------------------------------------------------------
% Construction de la fonction de répartition à partir des instants de
% défaillance
temps_f_r = sort(temps_f);
for j = 3:n
Fempirique(j-2) = (j-2-0.3) / (n-2+0.4);
end
for j = 3:n
TW_Fempirique(2*(j-2)-1) = Fempirique(j-2);
end
for j = 3:(n-1)
TW_Fempirique(2*(j-2)) = Fempirique(j-2);
end
for j = 3:n
TW_temps_f_r(2*(j-2)-1) = temps_f_r(j-2);
end
for j = 3:(n-1)
TW_temps_f_r(2*(j-2)) = temps_f_r(j-1);
end
%--------------------------------------------------------------------------
% Construction de la fonction de répartition à partir des incréments d'usure
fr_s = zeros(p,1);
fr_s(1) = dr_s(1) * Tmax / (p-1);
for i=2:p
fr_s(i) = dr_s(i) * Tmax / (p-1) + fr_s(i-1);
end
HERSANT Julien Stage Recherche de Master 2 SDS
46
%fr_s = cumtrapz(dr_s).*deltaT;
%--------------------------------------------------------------------------
% Construction de la fonction de répartition théorique
fr_th = zeros(p,1);
fr_th(1) = dr_th(1) * Tmax / (p-1);
for i = 2:p
fr_th(i) = dr_th(i) * Tmax / (p-1) + fr_th(i-1);
end
%--------------------------------------------------------------------------
% Tracé des fonctions de répartition
figure(3);clf
set(gca,'box','on','linewidth',2,'fontname','arial','fontsize',16);
hold on
plot(TW_temps_f_r,TW_Fempirique,'-b','linewidth',2) % En bleu, on visualise la fonction de répartition à partir
des instants de défaillance
plot(temps_th,fr_th,'-r','linewidth',2) % En rouge, on visualise la fonction de répartition théorique
plot(temps_th,fr_s,'-k','linewidth',2) % En rouge, on visualise la fonction de répartition simulée
title('Fonction de Répartion des Instants de Défaillance')
ylabel('Probabilité')
xlabel('Temps')
legend('A partir des instants de défaillance','A partir des Incréments','Théorique',4);
grid on
print -djpeg100 Fonction_de_Répartition_selon_un_processus_de_Wiener.jpg
%--------------------------------------------------------------------------
% Paramètres du processus
mu
sigma
mu_s
sigma_s
erreur_sur_sigma = abs( sigma - sigma_s ) / sigma * 100
erreur_sur_mu = abs( mu - mu_s ) / mu * 100
%--------------------------------------------------------------------------
HERSANT Julien Stage Recherche de Master 2 SDS
47
Annexe 2 : simulation par le processus de Wiener clear all;
%--------------------------------------------------------------------------
% Essai 1
Nbre_mes_1 = 7;
ESSAI1 = [ 0 0 ; 18 5 ; 27 9.7 ; 99 10.9 ; 256 24 ; 362 21.9 ; 397 31 ];
% Essai 2
Nbre_mes_2 = 8;
ESSAI2 = [ 0 0 ; 77 23.4 ; 122 45.9 ; 277 52.55 ; 317 45.9 ; 372 45.9 ; 432 51.3 ; 477 62.5 ];
% Essai 3
Nbre_mes_3 = 13;
ESSAI3 = [ 0 0 ; 25 5 ; 80 18.9 ; 107 23 ; 324 54.8 ; 381 61.6 ; 438 73 ; 533 69.4 ; 704 73.2 ; 822 87.2 ; 859 100.5 ;
959 100.9 ; 1017 109.35 ];
%--------------------------------------------------------------------------
% Paramètres
Nbre_ess = 3;
Nbre_mes = Nbre_mes_1 + Nbre_mes_2 + Nbre_mes_3;
%--------------------------------------------------------------------------
% Tracé des Essais
figure(1);clf % On trace tous les essais sur un même graphique
set(gca,'box','on','linewidth',2,'fontname','arial','fontsize',16);
hold on
plot(ESSAI1(:,1),ESSAI1(:,2),'+g','linewidth',2)
plot(ESSAI2(:,1),ESSAI2(:,2),'+r','linewidth',2)
plot(ESSAI3(:,1),ESSAI3(:,2),'+b','linewidth',2)
title('Ensemble des Essais')
ylabel('Niveau de la Dégradation (en um)')
xlabel('Temps (en min)')
legend('Essai 1','Essai 2','Essai 3',4);
grid on
print -djpeg100 Ensembles_des_Essais.jpg
%--------------------------------------------------------------------------
% Passage en base Log-Log
LOG_ESSAI1 = log(ESSAI1(:,:));
LOG_ESSAI2 = log(ESSAI2(:,:));
LOG_ESSAI3 = log(ESSAI3(:,:));
HERSANT Julien Stage Recherche de Master 2 SDS
48
figure(2);clf % On trace tous les essais sur un même graphique
set(gca,'box','on','linewidth',2,'fontname','arial','fontsize',16);
hold on
plot(LOG_ESSAI1(:,1),LOG_ESSAI1(:,2),'-g','linewidth',2)
plot(LOG_ESSAI2(:,1),LOG_ESSAI2(:,2),'-r','linewidth',2)
plot(LOG_ESSAI3(:,1),LOG_ESSAI3(:,2),'-b','linewidth',2)
title('Ensemble des Essais')
ylabel('Niveau de la Dégradation (en um)')
xlabel('Temps (en min)')
grid on
%print -djpeg100 Ensembles_des_Essais_bas_Log_Log.jpg
%--------------------------------------------------------------------------
% Matrice des incréments d'usure
M_incr_ess = zeros(Nbre_mes - Nbre_ess , 1 );
for i = 1:Nbre_mes_1-1
M_incr_ess(i,1) = (LOG_ESSAI1(i+1,2)-LOG_ESSAI1(i,2))/(LOG_ESSAI1(i+1,1)-LOG_ESSAI1(i,1));
end
for i = 1:Nbre_mes_2-1
M_incr_ess(i+Nbre_mes_1-1,1) = (LOG_ESSAI2(i+1,2)-LOG_ESSAI2(i,2))/(LOG_ESSAI2(i+1,1)-LOG_ESSAI2(i,1));
end
for i = 1:Nbre_mes_3-1
M_incr_ess(i+Nbre_mes_1+Nbre_mes_2-2,1) = (LOG_ESSAI3(i+1,2)-LOG_ESSAI3(i,2))/(LOG_ESSAI3(i+1,1)-
LOG_ESSAI3(i,1));
end
%--------------------------------------------------------------------------
% Détermination des paramètres du processus par les essais
[Log_Mu_ess,Log_Sigma_ess] = normfit(M_incr_ess)
%--------------------------------------------------------------------------
% Initialisation des paramètres
a = 2; % Nombre de trajectoires de référence
b = 2100; % Nombre de trajectoires
n = a+b; % Nombre total de trajectoires tracées
m = 1001; % Nombre de points par trajectoire
p = 1001; % Nombre de points pour les courbes théoriques
c = m-1; % nombre de colonnes de la matrice contenant les accroissements de dégradation
l = b; % nombre de lignes de la matrice contenant les accroissements de dégradation
T0 = 1;
Tmax = 400; % Temps de la simulation
deltaT = (Tmax-T0)/(m-1); % Intervalle de temps entre deux points
HERSANT Julien Stage Recherche de Master 2 SDS
49
Log_Tmax = log(Tmax);
deltalogT = (log(Tmax)-log(T0))/(m-1);
mu = 0.831507953; % Moyenne
sigma = 1.051120305; % Ecart-type
X0 = 1; % Valeur initiale de la dégradation
Z0 = 100; % Dégradation maximale acceptable
Log_Z0 = log(Z0);
nclass = floor(1+(10/3)*log(b)); % Nombre de classes pour la répartition des défaillances
%--------------------------------------------------------------------------
% Matrices de temps en T
temps = zeros(m,1);
for i = 1:m % Calcul de la position temporelle de chaque point
temps(i) = T0 + (i-1)*deltaT;
end
temps_th = zeros(p,1);
for i = 1:p % Calcul de la position temporelle de chaque point
temps_th(i) = (i-1)*Tmax/(p-1);
end
%--------------------------------------------------------------------------
% Matrices de temps en log
temps_log = zeros(m,1);
for i = 1:m % Calcul de la position temporelle de chaque point
temps_log(i) = log(temps(i));
end
%--------------------------------------------------------------------------
% Génération des tragectoires
y_log = zeros(n,m);
for i = 1:m
y_log(1,i) = mu*temps_log(i); % Calcul de la dégradation moyenne
y_log(2,i) = Log_Z0; % Calcul de la dégradation maximale autorisée
end
for j = 3:n % Pour chaque autre trajectoire, la valeur initiale de la dégradation vaut X0
y_log(j,1) = log(X0);
end
for j = 3:n % On génère chaque trajectoire suivant un processus de Wiener
for i = 2:m
%y_log(j,i) = y_log(j,i-1) + normrnd(deltalogT*mu,(deltalogT^0.5)*sigma);
HERSANT Julien Stage Recherche de Master 2 SDS
50
y_log(j,i) = y_log(j,i-1) + normrnd((temps_log(i)-temps_log(i-1))*mu,((temps_log(i)-temps_log(i-
1))^0.5)*sigma);
end
end
%--------------------------------------------------------------------------
% Tracé de l'ensemble des trajectoires
figure(3);clf % On trace toutes les trajectoires sur un même graphique
set(gca,'box','on','linewidth',2,'fontname','arial','fontsize',16);
hold on
plot(temps_log,y_log)
plot(LOG_ESSAI1(:,1),LOG_ESSAI1(:,2),'-g','linewidth',3)
plot(LOG_ESSAI2(1:6,1),LOG_ESSAI2(1:6,2),'-r','linewidth',3)
plot(LOG_ESSAI3(1:6,1),LOG_ESSAI3(1:6,2),'-b','linewidth',3)
title('Ensemble des Trajectoires')
ylabel('Logarithme du Niveau de la Dégradation')
xlabel('Logarithme du Temps')
grid on
print -djpeg100 Ensembles_des_Trajctoires_selon_un_processus_de_Wiener_en_base_log_log.jpg
%--------------------------------------------------------------------------
% Transformation des trajectoires
y = zeros(2,m);
for i = 1:m
y(1,i) = exp(y_log(1,i)); % Calcul de la dégradation moyenne
y(2,i) = Z0; % Calcul de la dégradation maximale autorisée
end
for j = 3:n % On génère chaque trajectoire suivant un processus de Wiener
for i = 1:m
y(j,i) = exp(y_log(j,i));
end
end
%--------------------------------------------------------------------------
% Tracé de l'ensemble des trajectoires
figure(4);clf % On trace toutes les trajectoires sur un même graphique
set(gca,'box','on','linewidth',2,'fontname','arial','fontsize',16);
hold on
plot(temps,y)
plot(ESSAI1(:,1),ESSAI1(:,2),'-g','linewidth',3)
plot(ESSAI2(1:6,1),ESSAI2(1:6,2),'-r','linewidth',3)
plot(ESSAI3(1:6,1),ESSAI3(1:6,2),'-b','linewidth',3)
title('Ensemble des Trajectoires')
ylabel('Niveau de la Dégradation (en um)')
xlabel('Temps (en min)')
grid on
print -djpeg100 Ensembles_des_Trajctoires_selon_un_processus_de_Wiener_en_base_t_z.jpg
HERSANT Julien Stage Recherche de Master 2 SDS
51
%--------------------------------------------------------------------------
figure(5);clf;
set(gca,'box','on','linewidth',2,'fontname','arial','fontsize',16);
hold on
hist(y(3:n,1001),50)
title('Fonction de Répartion des Instants de Défaillance')
ylabel('Probabilité')
xlabel('Temps')
grid on
print -djpeg100 Fonction_de_Répartition_selon_un_processus_de_Wiener.jpg
HERSANT Julien Stage Recherche de Master 2 SDS
52
Titre : Comparaison de plusieurs méthodes de calcul de fiabilité associées à la
prédiction de l’usure dans les contacts roulants.
Mots clés : usure, contact roulant, simulation numérique, fiabilité, processus de
dégradation.
Résumé : l’objectif de cette étude est de mettre en place une méthodologie de
prédiction de l’usure dans les contacts roulants afin de comparer cette méthode
avec une approche de résolution basée sur un modèle mécanique avec prise en
compte des incertitudes de mesure par tirage de Monte-Carlo sur les paramètres
du modèle.
Title : Comparison of several reliability methods for the prediction of wear in
rolling contact
Keywords : wear, rolling contact, computational mechanic, reliability,
degradation model.
Abstract : The goal of this study is to set up a methodology of prediction of wear
in rolling contact to compare this method with an approach of resolution based on
a mechanical model. Laboratoire : LASQUO
62, avenue Notre Dame du Lac 49000 Angers