une approche par la logique floue pour l’optimisation multicritère de la prise de décision...
TRANSCRIPT
This article was downloaded by: [Dokuz Eylul University ]On: 06 November 2014, At: 20:20Publisher: Taylor & FrancisInforma Ltd Registered in England and Wales Registered Number: 1072954 Registered office: MortimerHouse, 37-41 Mortimer Street, London W1T 3JH, UK
Journal of Decision SystemsPublication details, including instructions for authors and subscription information:http://www.tandfonline.com/loi/tjds20
Une approche par la logique floue pourl’optimisation multicritère de la prise de décisionappliquée à l’AMDECTaieb Ben Romdhane a , Faouzi Ben Ammar a b & Ahmed Badreddine aa Institut National des Sciences Appliquées et de Technologie, INSAT Centre urbain Nord,BP 676 , 1080 , Tunisb LSE - ENIT, BP 37 , 1002 Tunis, Le Belvèdère, TunisPublished online: 18 Apr 2012.
To cite this article: Taieb Ben Romdhane , Faouzi Ben Ammar & Ahmed Badreddine (2007) Une approche par la logiquefloue pour l’optimisation multicritère de la prise de décision appliquée à l’AMDEC, Journal of Decision Systems, 16:4,505-544, DOI: 10.3166/jds.16.505-544
To link to this article: http://dx.doi.org/10.3166/jds.16.505-544
PLEASE SCROLL DOWN FOR ARTICLE
Taylor & Francis makes every effort to ensure the accuracy of all the information (the “Content”) containedin the publications on our platform. However, Taylor & Francis, our agents, and our licensors make norepresentations or warranties whatsoever as to the accuracy, completeness, or suitability for any purpose ofthe Content. Any opinions and views expressed in this publication are the opinions and views of the authors,and are not the views of or endorsed by Taylor & Francis. The accuracy of the Content should not be reliedupon and should be independently verified with primary sources of information. Taylor and Francis shallnot be liable for any losses, actions, claims, proceedings, demands, costs, expenses, damages, and otherliabilities whatsoever or howsoever caused arising directly or indirectly in connection with, in relation to orarising out of the use of the Content.
This article may be used for research, teaching, and private study purposes. Any substantial or systematicreproduction, redistribution, reselling, loan, sub-licensing, systematic supply, or distribution in anyform to anyone is expressly forbidden. Terms & Conditions of access and use can be found at http://www.tandfonline.com/page/terms-and-conditions
Journal of Decision Systems. Volume 16 – No. 4/2007, pages 505 à 544
Une approche par la logique flouepour l’optimisation multicritère de la prisede décision appliquée à l’AMDECTaieb Ben Romdhane* Faouzi Ben Ammar*,**Ahmed Badreddine*
* Institut National des Sciences Appliquées et de Technologie, INSATCentre urbain Nord, BP 676, 1080 [email protected],
** LSE - ENIT, BP 37, 1002 Tunis, Le Belvèdère, TunisFaouzi.Benamar@ insat.rnu.tn
RÉSUMÉ. L’analyse des modes de défaillances, de leurs effets et leurs criticités est uneméthode basée sur le calcul d’une seule criticité globale, fonction de la fréquenced’occurrence d’une panne, de la probabilité de non-détection de la panne et de la gravitéengendrée par la défaillance. Il s’avère dans un bon nombre d’applications que l’AMDECmono-criticité est insuffisante pour la pertinence d’une prise de décision. Dans cet article,nous proposons une nouvelle méthodologie permettant d’améliorer l’exploitation de laméthode AMDEC en adoptant une approche multicriticité floue. La nouvelle approcheconsiste à remplacer le calcul de la criticité globale par un moteur d’inférence flou délivrantcinq criticités différentes qui mesurent efficacement et séparément l’impact d’une défaillancesur les personnels, l’environnement, les équipements, la production et le management. Afind’affiner la pertinence de la prise de décision les auteurs ont utilisé la méthode multicritèreAHP (Analytic, Hierarchical Processes) pour construire une matrice de criticité.ABSTRACT. Failure Mode and Effects Analysis (FMEA) is used as a reliability evaluationtechnique to determine the effects of system and equipment failures in many industries . Thetraditional version of FMEA uses the Risk Priority Number (RPN) to evaluate only one totalcriticality, this assessment is based on the severity, frequency of occurrence, and detectabilityof a failure. However in many cases, the FMEA mono criticality is insufficient for pertinentdecision-making. This paper describes a new methodology for improving the exploitation ofFMEA by considering FMEA as a fuzzy multi-criteria decision making problem. The newapproach consists in replacing the calculation of total criticality by a fuzzy inference enginedelivering five different criticalities which measure effectively and separately the impact of afailure on the personnel, the environment, the equipment, the production and management. Inorder to refine the relevance of the decision-making the authors used multicriteria methodAHP (Analytic, Hierarchical Processes) to build a matrix of criticality.MOTS-CLÉS : AMDEC, logique floue, méthode multicritère.
KEYWORDS: FMEA, Fuzzy Logic, Multicriteria.
DOI:10.3166/JDS.16.505-544 2007 Lavoisier, Paris
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
506 Journal of Decision System. Volume 16 – No. 4/2007
1. Introduction
La norme AFNOR NFX60-500 (AFNOR, 1998) définit la sûreté defonctionnement comme « l’aptitude d’une entité à satisfaire une ou plusieursfonctions requises dans des conditions données ». Cette discipline est considéréecomme la science des défaillances et des pannes (Villmeur, 1988 ; Montrieux,2001 ; Monchy, 1998) car elle permet de rechercher et d’exploiter les événementsredoutés. En effet, elle consiste à analyser la fiabilité, la maintenabilité, ladisponibilité et la sécurité se caractérisant par l’analyse des défaillances et de leursconséquences, elle est ainsi appelée FMDS (fiabilité, maintenabilité, disponibilité etsécurité).
Les outils les plus communs dans le domaine de la sûreté de fonctionnementsont : l’analyse préliminaire des risques (APR), l’analyse de fonctionnement(HAZOP, Hazard and Operability study), l’arbre de défaillance (Cabarbaye et al.,2000), l’analyse des modes de défaillance et de leurs effets (AMDE), l’analyse desmodes de défaillance de leurs effets et de leurs criticités (AMDEC). Cette panoplied’outils n’est plus réservée à l’aéronautique, l’armement ou le transport ferroviaire,mais elle concerne désormais tous les domaines industriels.
La méthode AMDEC sous ses trois formes, AMDEC machine, AMDEC produit,AMDEC processus reste sans doute l’une des méthodes les plus répondues et lesplus efficaces. Elle est en effet de plus en plus utilisée en maintenance, en contrôlequalité et en management. Cette nouvelle technique de la sûreté de fonctionnementest avant tout une méthode d’analyse de système en s’appuyant sur un raisonnementinductif pour l’étude organisée des causes, des effets des défaillances et de leurscriticités (Cyril, 2002 ; Braglia, 2000).
La norme NFX60-510 définit l’AMDEC comme une méthode qualitatived‘analyse de la fiabilité d‘une entité donnée. Elle consiste à étudier les modes despannes pour chaque sous-entité et à déterminer les effets de ces modes sur les autressous-entités et sur les fonctions requises de l‘entité. D’après l’équation [1],l’évaluation de la criticité d’un mode de défaillance consiste à multiplier entre ellesles cotations de la fréquence d’occurrence des pannes F, la probabilité de non-détection des modes de défaillance ND et la gravité des conséquences G.
C = F.G.ND [1]
Par ailleurs, il s’avère dans un bon nombre d’applications que l’AMDEC avecle calcul d’une seule criticité est insuffisante pour la pertinence d’une prise dedécision concernant les actions à mettre en place pour la maîtrise des risques etl’optimisation des coûts. On propose ici, la détermination de cinq gravitésdifférentes G1, G2, G3, G4 et G5 permettant d’évaluer efficacement et séparémentl’impact d’une défaillance sur les personnels, les équipements, l’environnement, laproduction et le management. On peut envisager le calcul de cinq criticitésdifférentes C1, C2 ,C3, C4 et C5 par l’équation suivante :
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
Méthode multicritère de la prise de décision appliquée à l’AMDEC 507
C = C1+ C2+ C3+ C4 + C5
= F.G1.ND + F.G2.ND + F.G3.ND + F.G4.ND + F.G5.ND [2]
Afin de tolérer les imprécisions des données d’entrées F, ND, G1, G2, G3, G4, G5nous avons adopté avantageusement une approche floue. En effet, dans unereprésentation floue (Zadeh, 1997 ; Buhler, 1994 ; Gentile, 2005 ; Kaufmann, 1992 ;Ross, 1995) l’information n’est pas focalisée sur une seule valeur d’une variabled’entrée, plusieurs valeurs seront donc privilégiées. Le paramétrage flou synthétiseun sous-ensemble pondéré plutôt qu’une caractérisation unique du comportement.Le rejet d’informations contradictoires sera alors diminué, puisque la progressivitéd’une valeur linguistique matérialisée par son niveau d’appartenance atténue lanotion même d’informations contradictoires.
L’adoption d’une approche floue en sûreté de fonctionnement vise à répondreaux doléances des industriels en quête permanente de tableaux de bord précis.L’outil de la logique floue a de fortes chances à désamorcer les réticences desprofessionnels concernant la mise en œuvre de la démarche bayésienne (Aupied,1994) même avec des données incomplètes et statiquement non exploitables. Lalogique floue permet de représenter et de traiter des informations quantitativesimprécises ou des jugements d’experts incertains, elle permet à l’expert de traduireses connaissances, ses appréhensions, ses intuitions, ses attirances et ses répulsionsen écriture linguistique.
La puissance du formalisme de la logique floue permet d’assurer une objectivitéaux résultats à partir de la subjectivité de l’expert. Les techniques de la logiquefloue ont été introduites dans le domaine de la sûreté de fonctionnement par(Bowles et al., 1995 ; Dunyak et al., 1994) et ce, grâce à leurs aspects formels pourla manipulation des informations qualitatives ou imprécises.
C’est dans ce contexte que (Rajiv et al., 2005) ont essayé d’introduire cestechniques pour l’évaluation de la criticité de l’AMDEC, et ce, en « fuzzifiant » lesvaleurs de cotation de chaque variable d’entrée. Certes, cette méthode a permis unemeilleure flexibilité pour l’évaluation de la criticité à partir des règles d’inférenceissues des jugements des experts. Néanmoins, elle reste insuffisante pour unemeilleure prise de décision, et ce, en considérant qu’elle n’a pas pallié l’aspectqualitatif de l’information et que la gravité des modes de défaillance n’estconsidérée que pour les équipements. Les travaux de (Kai Meng Tay et al., 2006)représentent une tentative d’amélioration de l’approche développée par (Rajiv et al.,2005), et ce, en introduisant un algorithme d’optimisation du nombre des règlespour alléger le moteur d’inférence. L’adoption dans l’AMDEC de l’intelligenceartificielle et les systèmes experts par les travaux de (Hunt et al., 1993) et (Lee,2001) a permis le développement d’algorithmes sous forme de langage proche auraisonnement humain. De même (Wang et al., 1995) ont proposé une approchecombinant la représentation booléenne et la méthode AMDEC appelée (BRM :Boolean Representation Method). L’inconvénient majeur de cette méthode se
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
508 Journal of Decision System. Volume 16 – No. 4/2007
présente par la difficulté de représenter les relations entre les composants dessystèmes complexes.
Figure 1. Synoptique général de la nouvelle approche
Afin d’améliorer les insuffisances des travaux cités auparavant, nous avonsdéveloppé une approche dont le synoptique est représenté par la figure 1. Lapremière partie de l’article concerne la définition des grandeurs d’entrées, elles sontélaborées sous forme d’intervalles bornés en effectuant un mixage des jugementsd’experts et des résultats qui découlent du retour d’expérience. En effet,l’exploitation des historiques des pannes permet de définir les différents indicateurset de les regrouper dans un tableau de bord, ainsi ils sont exploités comme desvariables d’entrées à savoir le taux de défaillance, la probabilité de non-détection etles gravités des conséquence sur le personnel, l’environnement, la production et le
Tableau de bord maintenance
Fréquenced’occurrencedu mode dedéfaillance
Gravité desconséquences
sur lepersonnel
Gravité desconséquences
sur l’environnement
Gravité desconséquences
sur leséquipements
Gravité desconséquences
sur lemanagement
Gravité desconséquences
sur laproduction
Probabilité denon détectiondu mode dedéfaillance
Système d’inférence flou
Criticité surle personnel
Criticité surles
équipements
Criticité surl’environ-nement
Criticité sur laproduction
Criticité sur lemanagement
Application de l’aide à la décision multicritère
Criticité globale du modede défaillance et pland’actions spécifique
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
Méthode multicritère de la prise de décision appliquée à l’AMDEC 509
management. La deuxième partie de l’article porte une attention particulière àl’élaboration des fonctions d’appartenance appropriées.
Les entrées floues résultantes de la « fuzzification » des entrées sont ensuiteévaluées dans un moteur d’inférence flou qui utilise les différentes règles flouespour déterminer le niveau de criticité de chaque mode de défaillance. La troisièmepartie de l’article s’intéresse à l’application de la méthode multicritère d’aide à ladécision AHP (Analytic, Hierarchical Process). Dans le cadre d’une applicationindustrielle, la quatrième partie de l’article traite la « défuzzification », quitransforme un ensemble flou en une sortie précise qui correspond à un niveau decriticité relatif à chaque mode de défaillance. Ensuite les auteurs ont décrit leprocessus de génération d’un plan d’actions pour l’amélioration du niveau decriticité d’une unité de fabrication de bouteilles de gaz.
2. Description du système d’inférence flou
Le choix des indicateurs qui représentent les données d’entrées est guidé par unelogique qui se base sur les critères de représentabilité des mesures, de ladisponibilité des données, de la facilité et de la rapidité du calcul et surtout dedéploiement par rapport à des exigences règlementaires et normatives. En effet,pour des entreprises convenablement structurées et organisées, l’existence destableaux de bord, les certifications selon les normes ISO9001, 14001, OHSAS18001 favorisera l’exploitation de ce type d’indicateurs. Les indicateurs sont engénéral exprimés en % ou ‰. Par ailleurs, pour des fins de standardisation avec lalogique floue, nous les choisirons compris dans l’intervalle [0,1].
2.1. Taux de défaillance
Pour la quantification de la fréquence d’occurrence nous utilisons l’indicateurtaux de défaillance qui est caractérisé par le nombre d’occurrences de pannes parunité de temps. L’équation [3] est déduite de l’expression de la probabilité pourqu’un système soit en panne entre les instants t et t+dt sachant qu’il fonctionne àl’instant t. Ce taux (λ) s’exprime par l’équation suivante :
tpannes de Nombre
∆=λ [3]
Cet indicateur peut être aussi exprimé à l’aide de l’équation [4].
λ = MTBF
1 [4]
avec MTBF (Mean Time Between Failures) correspondant au temps moyen de bonfonctionnement.
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
510 Journal of Decision System. Volume 16 – No. 4/2007
2.2. Gravité des défaillances sur les ressources humaines
Pour exprimer la gravité sur le personnel, nous avons choisi le tauxd’absentéisme représentant des arrêts de travail qui sont provoqués parl’immobilisation sanitaire du personnel ou le chômage technique engendré par unedéfaillance sur un équipement. L’indicateur G1 est souvent utilisé dans le référentielOHSAS 18001 (référentiel de management de la sécurité et de la santé au travail) etest adopté par les compagnies d’assurances pour la négociation des contrats.
travailde jours de Nombrearrêtd' jours de Nombre
G1= [5]
Le nombre de jours de travail caractérise le nombre de jours supposé être réalisépar un employé pendant une période bien déterminée.
2.3. Gravité des défaillances sur les équipements
La gravité des défaillances sur les équipements peut être représentée par le ratioG2 des dépenses de réparation et de remise en état d’un équipement par rapport à savaleur initiale. Ceci peut refléter une image de l’ampleur des dégradationsencourues suite à une défaillance sur l’équipement en question et/ou sur leséquipements ayant subis l’effet de la défaillance.
G2= CEIcm , [6]
Avec :– Icm = Σ coûts de maintenance d’un équipement qui se calcule en fonction des
dépenses des pièces de rechange et des consommables, des coûts de main-d’œuvre,des coûts de réparation externes, des coûts de fret et de transport, etc. ;
– CE = Σ Coûts de l’équipement = coût d’achat +coût d’installation.
2.4. Gravité des défaillances sur la production
Les objectifs d’un système de production sont d’assurer la qualité des produits,le respect des délais planifiés et le respect des quantités planifiées. La gravité desdéfaillances sur la production G4 est déterminée en fonction de trois indicateursTQual, Tplan et Tqt.
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
Méthode multicritère de la prise de décision appliquée à l’AMDEC 511
2.4.1. Taux de conformité de la qualité des produits suite à une défaillance
Le taux TQual exprime l’affectation du niveau de qualité acceptable (NQA) suiteà une défaillance donnée. Il peut refléter les pertes infligées par les rebuts, les tempsde tri, les retours clients, etc. Il peut être calculé à partir des bases de données de laGQAO (gestion de la qualité assistée par ordinateur).
Quantité de produits non-conformes suite à une défaillanceQuantité produite
QualT = [7]
2.4.2. Taux de déplanification de la production suite à une défaillance
Le taux Tplan définit par l’équation [8] est très important dans le sens où un retardde production affecte les autres productions programmées. Ce qui implique desdysfonctionnements au niveau de la gestion des stocks, de la répartition des équipesde travail, etc. Cet indicateur peut être calculé à partir des logiciels de GPAO(gestion de la production assistée par ordinateur).
durée planifiée1durée planifiée + délais supplémentaires suite à une défaillance planT = − [8]
2.4.3. Taux de concrétisation des quantités suite à une défaillance
Une entreprise est tenue par des engagements de livraison selon des quantitésdonnées et un délai fixé. Une défaillance peut provoquer des pénuries pouvantcauser des catastrophes nationales et internationales (cas des industriespharmaceutiques et agroalimentaires).
Quantité de produits réalisés suite à une défaillanceQuantité planifiéeqtT = [9]
Pour assurer une meilleure flexibilité pour la détermination de l’indicateur degravité sur la production, nous utiliserons au paragraphe 5.1.1, la méthode AHPpour déterminer les facteurs de pondération de Tqt , TQual et TPlan utilisant les troiscritères Cr1, Cr2 et Cr3 qui sont respectivement, la conformité aux exigencesclients, les risques de pertes de parts de marchés et les risques de pénuries deproduit. A partir des matrices de jugement nous montrerons que l’indicateur G4 estcalculé par une somme pondérée de Tqt , TQual et TPlan.
2.5. Gravité des défaillances sur le management
Les objectifs des systèmes de management des entreprises sont basés sur lapérennité et l’accroissement de la valeur ajoutée. Une défaillance donnée peutengendrer des coûts supplémentaires non prévus pouvant mettre en péril l’existence
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
512 Journal of Decision System. Volume 16 – No. 4/2007
d’une entreprise. Ainsi, une compensation des pertes peut être réalisée par descrédits bancaires, la recherche d’actionnaires supplémentaires, la vente ou laliquidation des biens productifs, etc. A cet effet, nous pouvons définir notreindicateur (G5) comme un taux de compensation des effets des défaillances. Cetindicateur est souvent calculé par les logiciels de comptabilité analytique et definances.
organismel' de patrimoine larefélant actuel Capitalesdéfaillanc des effets deson compensati de Capital
G5 = [10]
2.6. Gravité des défaillances sur l’environnement G3
Pour la quantification des données environnementales nous avons eu recours à lanorme ISO 14031 (ISO 14031, 1999) qui a instauré les différents typesd’indicateurs de performance environnementale. Selon cette norme, les indicateursse divisent en trois catégories. Les ICE (indicateur de condition environnementale)qui fournissent des informations sur la condition locale, régionale, nationale etmondiale de l’environnement. Ils permettent d’analyser le lien entre l’état del’environnement à un moment donné et les activités, produits et services d’unorganisme. Les IPM (indicateur de performance environnemental) qui fournissentdes informations sur les efforts accomplis par la direction pour influencer laperformance environnementale d’un organisme. Les IPO (indicateur de performanceopérationnelle) qui fournissent des informations sur la performanceenvironnementale relative aux opérations d’un organisme.
Chacune des catégories citées fait référence à une panoplie d’indicateursspécifiques. Notre choix s’est portée sur la catégorie ICE, et ce, vue qu’elle tientcompte des impacts des aspects environnementaux sur les ressources naturelles : air,eau, sol. Ceci prend tout son sens, si on considère des défaillances d’équipementsentrainant des explosions, des fuites de produits dangereux et en général desdégradations sur la faune et la flore (naufrages de navires, explosions usines à gazou usines nucléaires, etc.).
Les seuils limites admissibles des indicateurs sont définis par les différentesréglementations et les normes ISO10849, ISO12039, ISO11632 pour les gaz, lesnormes ISO15680, ISO15682, ISO6878 pour l’eau et les normes ISO10397,ISO17993, ISO15680 pour le sol. Les indicateurs de gravité sur l’environnements’exprimeront en fonction du ratio entre la concentration spécifique d’un polluantdue à une défaillance d’un équipement par rapport au seuil de concentrationadmissible.
Ainsi les ratios de gravité sur les ressources naturelles sont définis par leséquations suivantes :
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
Méthode multicritère de la prise de décision appliquée à l’AMDEC 513
– pour l’air :
polluantdu maximalion concentrat de Seuilambiantair l' dans spécifiquepolluant un d'ion Concentrat la
=Geag [11]
– pour l’eau :
polluantdu maximalion concentrat de Seuileaul' dans spécifiquepolluant un d'ion Concentrat la
=Geep [12]
– pour le sol :
polluantdu maximalion concentrat de Seuilsol le dans spécifiquepolluant un d'ion Concentrat la
=Gesp [13]
Dans la pratique, il existe plusieurs types de polluants qui peuvent varier enfonction des modes de défaillances. Par ailleurs, nous aurons autant de ratios que denombre de polluants. Pour la détermination de l’indicateur de gravité sur lal’environnement, nous pouvons utiliser la méthode AHP pour déterminer lesfacteurs de pondération de Geag, Geep et Gesp en utilisant trois critères Cenv1,Cenv2 et Cenv3 qui sont respectivement, la situation géographique, les limites derejet dans l’air et les limites de contamination des sols. A partir des matrices dejugement, l’indicateur G3 est calculé par une somme pondérée des indicateurs Geag,Geep et Gesp.
2.7. Probabilité de non-détection des défaillances
La probabilité de non-détection exprime les possibilités technologiques ouorganisationnelles permettant de détecter les défaillances avant l’occurrence deseffets. Pratiquement, ceci est réalisable avec les mécanismes d’alarmes ou ladétection des signes avant-coureurs indiquant la possibilité d’occurrence d’unedéfaillance.
Notre indicateur se base sur les statistiques et l’analyse des historiques despannes, en mettant en évidence celles dont les moyens existants n’ont pas permis laprévision de leurs occurrences. Ceci est facilement réalisable en utilisant leslogiciels dédiés tels que les GMAO (gestion de la maintenance assistée parordinateur). L’indicateur ainsi présenté se calcule par l’équation suivante :
totalpannes de Nombredétectéesnon pannes de NombreND = [14]
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
514 Journal of Decision System. Volume 16 – No. 4/2007
3. Les étapes de développement du système d’inférence flou
La conception et le développement d’un système d’inférence floue nécessitentl’adoption d’une démarche structurée pour assurer un choix judicieux des différentsparamètres. La démarche adoptée pour la détermination des différentes criticités estillustrée par la figure 2. Elle est subdivisée en trois étapes :
Figure 2. Algorithme général du système d’inférence floue
Choix de l’intervalle d’étude des entrées et des sorties
Choix du nombre de fonctions d’appartenance pourl’entrée 1 (λ) : Nλ
Choix du nombre de fonctions d’appartenance pourl’entrée 2 (Gi) : NGi
Choix du nombre de fonctions d’appartenance pourl’entrée (ND) : N nd
Choix du nombre de fonctions d’appartenance pourles sorties (Ci) : Nci
Choix du type de fonction d’appartenance desentrées
Choix du type de fonction d’appartenance des sorties
L’établissement des règles d’inférence
Choix de la méthode d’inférence
Choix de la méthode de défuzzification
Evaluation de la multicriticité
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
Méthode multicritère de la prise de décision appliquée à l’AMDEC 515
La première est celle de la fuzzification, elle implique le choix de l’intervalle del’étude pour chacune des entées (F,G(1,2…5) , ND ) et des sorties C(1, 2,….5) du système.Pour ce faire, le nombre et le type des fonctions d’appartenance des entrées/sortiesdoivent être définis et les univers de discours doivent être normalisés. La deuxièmeétape, traite de l’établissement des règles et du choix des méthodes d’inférence. Ladernière étape consiste à effectuer la défuzzification selon une méthode appropriée.
Figure 3. Système d’inférence floue pour l’évaluation des criticités
Probabilité de non Détection ND
Taux de défaillance λ
Taux de défaillance λ
Taux de défaillance λ
Taux de défaillance λ
Taux de défaillance λ
Gravité sur le personnel G1
Gravité sur les équipements G2
Probabilité de non détection ND
Gravité sur l’environnement G3
Probabilité de non détection ND
Gravité sur la production G4
Probabilité de non détection ND
Gravité sur le management G5
Probabilité de non détection ND
Criticité sur le personnel
Criticité surl’environnement
Criticité sur leséquipements
Criticité sur la production
Criticité sur lemanagement
Fuzzification Raisonnement flou Défuzzification
Ensemblesflous
Base des règlesfloues
Opérateurlogique
Méthoded’inférence floue
Méthodes dedéfuzzification
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
516 Journal of Decision System. Volume 16 – No. 4/2007
Les univers des entrées sont normalisés et varient dans l’intervalle [0,1]. Lesfonctions d’appartenance sont utilisées pour pouvoir déterminer le degréd’appartenance d’un indicateur de performance à ensemble flou donné. La figure 3illustre l’application du système d’inférence floue pour l’estimation des différentescriticités.
Les indicateurs flous résultants sont ensuite pris en compte dans le cadre d’unmoteur d’inférence qui est régi par différentes règles combinant des conditionsspécifiées. Les criticités floues sont générées en utilisant une méthode d’inférencedonnée. L’ensemble des criticités résultantes est défuzzifié afin d’obtenir le niveaudes criticités des modes de défaillance.
3.1. Fuzzification des entrées et des sorties
La fuzzification permet de transformer les variables non floues en sous-ensembles flous (F,G(1,2…5), ND), en utilisant un opérateur de fuzzification quiassocie à chaque mesure une fonction d’appartenance particulière. Pour ce faire,nous devons définir nos indicateurs de performance sous forme de variableslinguistiques exprimées dans un langage naturel défini par les 4-uplets suivant :
(x_nom,L(x), X , Mx)
Avec x_nom : le nom de la variable linguistique, comme fréquence, gravité, etc.L(x) = {L1,…, Ln} est l’ensemble des valeurs linguistiques que peut prendre lavariable x_nom. X est le domaine physique associé à la variable x_nom, il est aussiappelé univers de discours. MX est une règle sémantique qui associe à tout symbolede L(x) une signification floue.
3.1.1. Fuzzification du taux de défaillance
La variable linguistique employée pour définir la fréquence d’occurrence est : le« Taux de défaillance », définie en nombre de panne par unité de temps, pourX=[0,1] et L(X) = {Très Faible, Faible, Moyen, Fort}.
Les sous-ensembles flous du taux de défaillance sont définis par 4 fonctionsd’appartenances trapézoïdales qui sont :
λ1 = (x ,µ λ1 (x)) = µMλ (très faible)
λ2 = (x ,µ λ2 (x)) = µMλ (faible)
λ3 = (x ,µ λ 3 (x)) = µMλ (moyenne)
λ4 = (x ,µ λ4 (x)) = µMλ (forte)
Chacun de ces sous-ensembles flous est borné selon des subdivisions définiespar les paramètres α, β, γ, et ce, en fonction du choix des experts et du contexte dusystème à étudier (tableau 1).
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
Méthode multicritère de la prise de décision appliquée à l’AMDEC 517
Termes linguistiques Notations Descriptions Forme
Très Faible TF 0 ≤ λ < α trapézoïdale
Faible F α ≤ λ < β trapézoïdale
Moyenne M β ≤ λ < γ trapézoïdale
Forte FR γ ≤ λ ≤ 1 trapézoïdale
Tableau 1. Cotation de la fréquence d’occurrence
3.1.2. Fuzzification de la probabilité de la non-détection
La variable linguistique employée pour décrire la probabilité de non-détectionest : « Non Détection » son univers de discours est : Y = [0 1] et les termeslinguistiques employés sont définis par L(Y) = {évidente, improbable, difficile,impossible}.
Les sous-ensembles flous de la non-détection sont définis par 4 fonctionsd’appartenances trapézoïdales qui sont :
ND1 = (y , µ ND1 (y))= µMND (évidente)ND2 = (y , µ ND2 (y)) = µMND (improbable)ND3 = (y , µ ND3 (y)) = µMND (difficile)ND4 = (y , µ ND4 (y)) = µMND (impossible)
Chacun de ces sous-ensemble flous est borné selon des subdivisions définies parles paramètres α’, β’, γ’, et ce, en fonction du choix des experts et du contexte dusystème à étudier. Le tableau 2 décrit les différentes variables linguistiques de laprobabilité de non-détection ainsi que leurs caractéristiques.
Termes linguistiques Notations Descriptions Forme
Evidente EV 0<=ND<=α’ trapézoïdale
Improbable Im α<ND<=β’ trapézoïdale
Difficile Dif β’<ND<=γ’ trapézoïdale
Impossible Imp γ’<ND<=1 trapézoïdale
Tableau 2. Cotation de la probabilité de la non_ détection
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
518 Journal of Decision System. Volume 16 – No. 4/2007
3.1.3. Fuzzification des gravités
Les variables linguistiques employées pour décrire les gravités sont définiespar : « Gravité_P » pour le personnel, « Gravité_env » pour l’environnement,« Gravité_eq » pour les équipements, « Gravité_pro » pour la production et« Gravité_man » pour le management. Celles-ci interviennent dans l’univers dediscours Z = [0 1] et ont les variables linguistiques définies dans L(Z) ={ mineure ,moyenne, critique, catastrophique}.
Les sous-ensembles flous de chaque gravité sont définis par 4 fonctionsd’appartenance trapézoïdale qui sont :
Gi1 =(z, µ Gi1 (z) ) = µMGi1 (mineure)Gi2 =(z, µ Gi2 (z) ) = µMGi2 (moyenne)Gi3 =(z, µ Gi3 (z) ) = µMGi3 (critique)Gi4 =(z, µ Gi4 (z) )= µMGi4 (catastrophique)
Avec i= 1… 5 représentant chaque domaine de gravité.
Chacun de ces sous-ensembles flous est borné selon des subdivisions définiespar les paramètres αi, βi, γi, et ce, en fonction du choix des experts et du contexte dusystème à étudier (tableau 3).
Termes linguistiques Notations Descriptions Forme
Mineure Gm 0 <Gi <= αi trapézoïdale
Moyenne GM αi<Gi <= βi trapézoïdale
Critique Gc βi <Gi <= γi trapézoïdale
Catastrophique Gcat γ’’<Gi <= 1 trapézoïdale
Tableau 3. Cotation des gravités
3.1.4. Fuzzification des sorties
Les variables linguistiques employées pour décrire les criticités sont définiespar : « criticité_P » pour le personnel, « criticité_env » pour l’environnement,« criticité_eq » pour les équipements, « criticité_pro » pour la production et« criticité_man » pour le management. Celles-ci interviennent dans l’univers dediscours w = [0 1] sachant que L(w) ={Négligeable, moyenne, élevée, très élevée}Les sous-ensembles flous de chaque criticité sont définis par 4 fonctionsd’appartenances trapézoïdales qui sont :
Ci1 =(w , µ Cii1 (w)) = µMCi1 (négligeable)Ci2 =( w , µ Cii2 (w)) = µMCi2 (moyenne)
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
Méthode multicritère de la prise de décision appliquée à l’AMDEC 519
Ci3 =( w , µ Cii3 (w)) = µMCi3 (élevée)Ci4 =( w , µ Cii4 (w))= µMCi4 (très élevée)
Avec i= 1…5
Chacun de ces sous-ensembles flous est borné selon des subdivisions définiespar les paramètres αi’, βi’, γi’, et ce, en fonction du choix des experts et du contextedu système à étudier.
Le tableau 4 décrit les différentes variables linguistiques des criticités ainsi queleurs caractéristiques.
Termes linguistiques Notations Descriptions Formes
Négligeable Ne 0 <Ci <= αi’ trapézoïdale
Moyenne Mo αi’’<Ci <= βi’ trapézoïdale
Elevée El βi’ <Ci <= γi’ trapézoïdale
Très élevée Te γi’<Ci <= 1 trapézoïdale
Tableau 4. Cotation des différentes criticités
Les formats des fonctions d’appartenances pour les entrées et les sorties sontdéfinis par la figure générale suivante avec les termes linguistiques (TL) et lesbornes spécifiées (B) pour chaque type d’entrée et de sortie.
Figure 4. Fonction d’appartenance des différentes entrées et sorties
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
520 Journal of Decision System. Volume 16 – No. 4/2007
3.2. Mécanisme d’inférence pour l’évaluation des différents criticités
L’ensemble des règles que nous définissons pour l’évaluation de la criticité (C) àpartir des entrées floues λ, G, ND, sont définis sous la forme suivante :
Si (λ est A1) (ET) ( G est B1 ) (ET) (ND est D1), Alors (C est K1)
[15]Si (λ est An) (ET) ( G est Bn ) (ET) (ND est Dn), Alors (C est Kn)
où A(1,..., n), B(1,…, j), D(1,…, k) et K(1,…, l) sont les ensembles descaractérisations associées respectivement aux variables linguistiques λ, G, ND et C.
Ces règles sont en général établies par les experts et sont basées sur les retoursd’expérience modélisant le comportement du système, ainsi que les risquesimpliqués dans les divers modes de défaillances. Il est à mentionner que le systèmed’inférence dépend du champ d’application. En effet, l’estimation des différentescriticités suite à une défaillance dans le domaine nucléaire ou chimique est loind’être la même que pour une défaillance à l’échelle industrielle classique.
Les méthodes d’inférence (Zimmermann, 1996) les plus utilisées sont : Max Minappelée implication de Mamdani et Max Prod appelée implication de Larsen. Nousavons choisis de travailler avec la méthode Max Min car elle permet de mieuxmodéliser la connaissance de l’être humain. Cette technique est définie par ladétermination de la fonction d’appartenance résultante de la sortie qui s’obtient parla formation du maximum de deux fonctions d’appartenances partielles. Cesdernières s’obtiennent par la formation du minimum entre la fonctiond‘appartenance de sortie et le facteur d‘appartenance d’entrée.
Pour chaque règle d’inférence (Ri), nous obtenons une fonction d’appartenancepartielle définie par la relation suivante :
])ND,G,(Da[Min)ND,G,( DiRi λµ=λµ [16]
où : i, représente le numéro de la règle et varie de 1 à m.Da est un coefficient d’appartenance attribué à chaque règle Ri.
)ND,G,(Di λµ est la fonction d‘appartenance liée à l’opération imposée par la règleRi.La fonction d’appartenance résultante est donnée par la relation :
)]ND,G,(µ),....,ND,G,(µ),ND,G,(µ[Max)ND,G,(µ Rm2R1R λλλ=λ [17]
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
Méthode multicritère de la prise de décision appliquée à l’AMDEC 521
3.3. Evaluation des criticités floues
L’étape de défuzzification est la dernière étape dans l’algorithme d’inférence quipermet de transformer une sortie floue en une sortie précise. La défuzzification estune fonction inverse par rapport à la fuzzification,
Le choix d’une méthode de défuzzification (Runkler, 1997) doit tenir comptedes propriétés du système, des besoins d’applications et de la compatibilité avec lesopérateurs ainsi que de la méthode d’inférence choisie initialement. On peut citerpar exemple, la méthode du centre de gravité, la méthode du maximum et laméthode des surfaces.
Pour des raisons de simplicité et de rapidité de traitement, nous utilisons laméthode de centre de gravité qui est définie par la formulation suivante.
∫ µµ∫=
cid)Ci(cid)Ci(CiCi [18]
Avec Ci : la criticité résultante sur l’une des ressources : personnel (C1),environnement (C2), équipements (C3), production (C4) et management (C5).
Lorsque la fonction )Ci(µ est discrétisée, le centre de gravité est donné par :
∑=µ
∑=µ
=n
1jj
Cijn
1jj
Ci [19]
4. Approche d’aide à la décision multicritère pour l’évaluation de la criticitéglobale
4.1. Les méthodes d’aide à la décision multicritères
La politique de maintenance d’une entreprise découle de sa stratégie globale luipermettant d’atteindre des objectifs donnés. Ainsi, nous pouvons déduire unedémarche assurant la définition des critères et des priorités pouvant orienter noschoix et nos décisions en fonction des résultats obtenus.
C’est dans ce contexte, que nous proposons d’agréger les différentes criticitésobtenues à partir du système d’inférences flou, et ce, afin de définir les facteurs depondérations reflétant l’importance de chacune de ces criticités selon des critèresdonnés. Sachant que chaque criticité étant liée à des types d’actions spécifiques, ilfaut aboutir aux choix des actions selon l’importance des criticités. Pour ce faire,une analyse d’aide à la décision multicritère s’impose.
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
522 Journal of Decision System. Volume 16 – No. 4/2007
En général, une telle approche permet de définir une structure hiérarchique et detrier les éléments d’un système dans différents niveaux et dans des groupes àcaractéristiques similaires. Elle se base sur les données qui peuvent être qualitativeset quantitatives, valeurs relatives ou absolues afin d’établir des priorités.
Les méthodes d’aide à la décision multicritères fournissent aux décideurs desoutils permettant de résoudre un problème de décision où plusieurs points de vuesont souvent contradictoires. Dans la littérature, il existe trois grandes familles.
La première, consiste à agréger les différents points de vue en une fonctionunique qui sera par la suite optimisée. Les principales méthodes appartenant à cettefamille sont : AHP (Saaty, 1980 ; Steuer et al., 1996 ; Vincke, 1992) GoalProgramming (Wanga Ge et al., 2003), MAUT (Keeney, 1996) et Topis (Hwang etYoon, 1981). Ces méthodes bien que rigoureuses révèlent être d’un degré decomplexité élevé et écartent certaines solutions sur le principe de compensation.
La deuxième famille, vise en premier lieu à construire une relation appelée« relation de surclassement », qui représente les préférences solidement établies dudécideur, compte tenu de l’information dont il dispose. La seconde étape consiste àexploiter la relation en vue d’aider le décideur à résoudre son problème. Lesméthodes les plus connues dans cette catégorie sont : Electre (Roy, 1970 ; Roy,1993) et Promethée (Brans, 1982).
La troisième famille repose sur des méthodes qui alternent les étapes de calcul etles étapes de dialogues (Steuer et al., 1996). Elles sont souvent développées dans uncontexte de programmation mathématique à objectifs multiples.
4.2. Méthode AHP pour le calcul de la criticité globale d’un mode de défaillance
Bien que la méthode AHP présente les inconvénients des jugements stricts et descompensations entre critères, elle s’adapte parfaitement à notre étude en considérantsa flexibilité pour l’affectation des priorités qui est basée sur des comparaisons parpaire entre les différents critères. L’application de cette méthode pour le calcul de lacriticité globale se déroule selon cinq étapes :
Etape 1. La détermination de la criticité globale à partir des cinq criticités esteffectuée selon une démarche hiérarchisée à 3 niveaux :
Niveau 0 : comme le montre la figure 5, ce premier niveau concerne ladéfinition de l’objectif cible qui se traduit par l’appréciation de la criticité globale enfonction des criticités définies (Ci) pour aboutir à la génération d’un schéma de pland’actions indiquant les types de décisions (TDi). Ces dernières sont candidates àchaque criticité et peuvent être :
– des décisions de déploiement de moyens : (Ressources humaines, équipements,infrastructures) recrutements, formations, mise en place de nouveaux équipements,changements technologiques, etc. (TD1) ;
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
Méthode multicritère de la prise de décision appliquée à l’AMDEC 523
– des décisions au niveau des méthodes : revue de conception, équilibrage degammes, mise en place de procédures et de modes opératoires, modifications desparamètres processus : fréquences de contrôles et de planifications, cadences, etc.(TD2) ;
– des décisions stratégiques et tactiques: changement et adaptation des politiquescommerciales, qualité, maintenance, sécurité, environnement, adaptation desobjectifs, etc. (TD3) ;
– des décisions organisationnelles : création de nouveaux postes, modificationdes organigrammes, mutations, création des cellules de crises, etc. (TD4) ;
– des décisions au niveau du système d’information : mise en place demécanismes de communication, de réunions périodiques, des nouvelles technologiesd’information et de communication (NTIC), etc. (TD5).
Et bien d’autres (TDi).
Niveau 1 : ce niveau est dédié à la définition des critères de décision oud’analyse qui sont les différentes criticités calculées à partir du système d’inférenceflou.
Niveau 2 : ce niveau identifie les différentes solutions ou types de décisionsd’améliorations candidates à chaque critère.
Figure 5. Modèle hiérarchique de la méthode AHP
Etape 2. Cette étape consiste à comparer l’importance relative de tous leséléments appartenant à un même niveau hiérarchique (criticités et décisions). Cettecomparaison s’effectue par éléments pris deux à deux par rapport à l’élément duniveau supérieur en tenant compte d’une échelle numérique. Ensuite, il faut
Evaluation de la criticité globale et desdifférentes décisions
Critère 1 (C1) Critère 2 (C2) Critère 3 (C3)
TD1 TD2 TDn
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
524 Journal of Decision System. Volume 16 – No. 4/2007
configurer une matrice carrée réciproque formée par les évaluations des rapports despoids (aij) exprimés par [20]. Le tableau 5 nous traduit certaines règles d’une échelleverbale à une échelle numérique (Saaty, 1980).
Pour ce faire, on suppose que aij est la valeur de l’importance relative entre leséléments i et j. Par conséquent, elle représente le ratio entre le poids relatif àl’élément i (Pi) et le poids relatif à l’élément j (Pj) :
P jP ia ij = [20]
Echelle numérique Echelle verbale
1 Importance égale des deux éléments
3 Un élément est un peu plus important que l’autre
5 Un élément est plus important que l’autre
7 Un élément est beaucoup plus important que l’autre
9 Un élément est absolument plus important que l’autre
2, 4, 6, 8Valeurs intermédiaires entre deux jugements, utilisées pour affinerle jugement
Tableau 5. Les jugements des mesures de la méthode AHP
Les différents poids entre les éléments sont représentés sous la forme matriciellesuivante appelé matrice de jugement :
=
=
1P3Pn
P2Pn
P1Pn
PnP2
P3P21
P1P2
PnP1
P3P1
P2P11
anna 3na 2na 1n
a n3a33a32a31
a n2a23a22a21
a n1a13a12a11
A [21]
Etape 3. Cette étape consiste à déterminer des priorités par calcul del’importance relative de chacun des éléments de la hiérarchie à partir des
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
Méthode multicritère de la prise de décision appliquée à l’AMDEC 525
évaluations obtenues à l’étape précédente. L’importance relative des différentscritères est exprimée par les valeurs du vecteur propre normalisé à 1 de la matrice A.Ainsi on détermine une nouvelle matrice B (équation [22]).
∑=
∑=
∑=
∑=
∑=
∑=
∑=
∑=
∑=
∑=
∑=
∑=
=
n
1ia in
1n
1ia 2i
a 3nn
1ia 2i
a 2nn
1ia 1i
a 1n
n
1ia in
a n2n
1ia 3i
a 23n
1ia 2i
1n
1ia 1i
a 21
n
1ia in
a n1n
1ia 3i
a13n
1ia 2i
a12n
1ia 1i
1
B [22]
Le poids relatif d’un élément i dans la colonne j de la matrice B est calculé parl’équation suivante :
×
∑=
=
a nj
a j3
a j2
a j1
n
1ia ij
1P j
i [23]
Etape 4. A l’issue de cette étape, nous synthétisons les priorités en calculant unscore d’évaluation global attaché à chacune des solutions alternatives (Pij), et ce, enappliquant l’équation suivante :
∑=
=n
1jP j
in1
Pi [24]
Etape 5. Dans cette dernière étape, la cohérence de toute la hiérarchie estévaluée à partir d’un indice IC (indice de cohérence) donné par la formulesuivante (équation [25]) :
1K
KmaxTCIC
−
−= [25]
Avec : k le nombre d’éléments comparés et TC la valeur de cohérence moyenne.
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
526 Journal of Decision System. Volume 16 – No. 4/2007
Figure 6. Approche globale pour la détermination de la criticité d’un mode dedéfaillance
De même, un ratio de cohérence (Rc) (Equation [26]) est défini et peut êtreinterprété comme la probabilité que la matrice B soit aléatoirement modifiée enfonction du nombre de critères et d’un indice IA (indice aléatoire).
Tableau de bord maintenance
Liste détailléedes
conséquences
Estimationdes taux de
défaillances λ
Estimation dunombre de
pannesdétectées
Calcul de la Gravité de chaque ressource
Fuzzificationdes taux
dedéfaillances λ
Fuzzificationdu nombre de
pannesdétectées
Personnel Equipements Environnement Production Management
Fuzzificationde la Gravité
sur lePersonnel
Fuzzificationde la Gravité
sur lesEquipements
Fuzzification dela Gravité sur
l’Environnement
Fuzzificationde la Gravité
sur laProduction
Fuzzificationde la Gravité
sur leManagement
Moteurd’inférence
de la criticitésur le
Personnel
Moteurd’inférence dela criticité sur
lesEquipements
Moteurd’inférence de la
criticité surl’Environnement
Moteurd’inférence dela criticité surla Production
Moteurd’inférence dela criticité sur
leManagement
C1 C2 C3 C4 C5
Application de la méthode d’aide à la décision multicritère
Niveau global de Criticité et types de décisions
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
Méthode multicritère de la prise de décision appliquée à l’AMDEC 527
IAICRc = [26]
L’indice aléatoire (IA) est donné par le tableau 6.
Nombre decritères 2 3 4 5 6 7 8 9 10 11
IA 0 0.58 0.90 1.12 1.24 1.32 1.41 1.45 1.49 1.51
Tableau 6. Tableau des indices aléatoires
Selon (Saaty, 1980), les appréciations doivent être révisées dans le cas ou Rcdépasse 10 %. Les cinq étapes ainsi présentées permettent d’aboutir au calculpondéré de la criticité globale et l’identification des rangs des différents typesd’actions à entreprendre pour atteindre un objectif de criticité. La figure 6 représentela démarche globale pour la détermination de la criticité d’un mode de défaillance.
5. Etude de cas
Pour mieux apprécier l’apport de l’approche développée, nous l’avons appliquéesur un système industriel de remplissage de bouteilles de gaz d’une unité defabrication tunisienne. Cette unité comporte différents types d’équipementsregroupés en sous-ensembles appelés « postes » et reliés par des convoyeurs àchaînes. Comme le montre la figure 7, ces postes, au nombre de 15, sont regroupésen 5 zones.
La zone 1 a pour fonction d’alimenter en bouteilles vides le chariot convoyeurqui permet d’acheminer ces bouteilles d’un poste à un autre. La zone 2 permetd’éjecter les bouteilles présentant des défauts et amene les bouteilles conformes auxnormes de sécurité à la zone de remplissage. La zone 3 assure les fonctions deremplissage des bouteilles et de contrôle du poids ainsi que la détection des fuites degaz. Les bouteilles, sans défauts sont acheminées vers la zone 4 qui assure lestravaux de qui se présentent par des opérations de lavage, séchage, peinture etsérigraphie. La zone 5 permet l’évacuation des bouteilles.
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
528 Journal of Decision System. Volume 16 – No. 4/2007
Figure 7. Synoptique du système de production des bouteilles à gaz
La détection des fuites de gaz au poste 10 (figure 8) est réalisée par un capteurS7. A l’arrivée au poste 10, les bouteilles sont retenues par un dispositif commandépar un vérin V5 qui les libère une par une pour qu’elles soient testées. Le capteur S0permet de détecter la présence d’une bouteille. La bouteille à tester est élevée par levérin V1. Le vérin V3 est actionné pour centrer et aligner la bouteille avec lesystème de test qui descend pour couvrir la valve à tester, et ce, sous l’action duvérin V2. Si une bouteille défectueuse est détectée, alors elle sera éjectée par levérin V4.
Figure 8. Système de remplissage des bouteilles à gaz (poste 10)
Vérin V1
Vérin V2
Vérin V4
Poste 10
VérinV3
S0
S0
S7
Zone 4
Zone5
Zone1
Zone 3
Zone 2
P1
P4
P3
P2
P5 P10P11
P12
P13
P15
P14
P6
P7
P8 P9
Détection desfuites de gaz
Admissiondes
bouteilles
Posteremplissage
Poste lavage
Poste séchage
Postesélectionpourpeinture
ContrôleValves
Contrôle ré-épreuve
Poste peinture
Vérin V5
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
Méthode multicritère de la prise de décision appliquée à l’AMDEC 529
Indice defréquence
Description Indice de gravité Description
1 Défaillance inexistante 1 Effet mineur
2 Défaillanceoccasionnelle
2 Effet moyen
3 Défaillance fréquente 3 Effet critique
4 Défaillancesystématique
4 Effet catastrophique
Indice de non détection Description
1 Détection efficace
2 Risque de Non efficacité de la détection
3 Le moyen de détection n’est pas fiable
4 Aucun moyen de détection
Tableau 7. Tableaux de cotation des paramètres de l’AMDEC
Le tableau 8 illustre l’étude AMDEC classique du poste 10, les grilles decotations de F, G et ND sont définis dans le tableau 7. Le seuil de déclenchementdes actions correctives est défini pour une criticité minimale égale à 30 quicorrespondant à 0,3 dans l’univers de discours [0,1].
5.1. Quantification des différents paramètres d’entrées
Pour traiter le mode de défaillance n° 1, nous nous sommes orientés versl’exploitation des différents indicateurs de performances définis dans le paragraphe2.1. Pour ce faire, nous nous sommes basés sur des historiques de mesurescollectées dans un horizon de dix ans (tableau 9).
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
Cotation de lacriticitéN° Fonctions Composants
Modes dedefaillance
Effets Causes Détections
F G D C
1Détection desfuites de Gaz
Capteur S7Non-détection
rupture demembrane
Risque de fuite degaz et explosion
Fatigue et frottementDispositif de
détection de fuitede gaz
3 3 2 18
2Libération des
bouteillesVérin V5 Fuite de l’huile Arrêt de production Mauvaise étanchéité Visuelle sonore 4 2 2 16
3Détection deprésence des
bouteillesCapteur S0
Non-détectiondes bouteilles
Non-détection desbouteilles
Fatigue du ressort derappel
Visuelle 2 2 3 12
4Centrage des
bouteillesVérin V3 Fuite de l’huile La non réalisation de
la phase de test
Mauvaise étanchéité,tuyaux écrasés Visuelle sonore 2 4 2 16
5Ouverture des
valvesVérin V2 Fuite de l’huile La non-réalisation de
la phase de testMauvaise étanchéité Visuelle sonore 2 3 1 6
Tableau 8. Tableau AMDEC de quelques modes de défaillances du poste 10
530 Journal of Decision System
. Volum
e 16 – No. 4/2007
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
Méthodes multicritère de la prise de décision appliquée à l’AMDEC 531
Désignations
Para
mèt
res
Sour
ces d
edo
nnée
s Valeurs desIndicateursdans [0 1]
Commentaires
Fréquenced’occurrence (λ) 0,0013 Ce qui correspond à 5 pannes sur 10
ans.
Probabilité de non-détection (ND)
Sûre
té d
efo
nctio
nnem
ent
Bas
e de
don
nées
GM
AO
0,2 Ce qui correspond à 1 panne nondétectés au préalable.
Ratio d’arrêts detravail (G1)
Pers
onne
l
Bas
e de
donn
ées
Res
sour
ces
Hum
aine
s
0,3Trois mois d’arrêts de travail, suiteà des blessures graves, concernant45 opérateurs.
Ratio des dépensesde réparations et deremise en état (G2)
Equi
pem
ents
Bas
e de
donn
ées
GM
AO
0,27
Les dépenses de réparation et deremise en service des postes 10 et11 ont nécessité 300 000 € dedépenses.
Taux de pollutiondans l’air (Geep)
Envi
ronn
emen
t
Reg
istre
envi
ronn
emen
tal
0,67
Les fuites de gaz ont engendré ledégagement dans l’aird’hydrocarbures d’uneconcentration de 670 ppm(particules par matière). Sachantque le seuil normatif de ce type degaz est 1000 ppm.
Taux de conformitéde la qualité produit(Tqual)
0,87
Les recensements des produits nonconformes suite aux défaillances setraduisent par des bouteillesdéformées, non complètementsremplies nécessitant des réparations.
Taux dedéplanification de laproduction (Tplan)
0,23
Les incidents survenus ont causédes retards de trois mois deproduction .La production planifiée est de27 000 bouteilles/mois.
Taux deconcrétisation desquantités (Tqt)
Prod
uctio
n
Bas
e de
don
nées
GPA
O e
t GQ
AO
0,45
Suite aux défaillances, des pénuriesde bouteilles de gaz ont étérecensées. Elles sont estimées à desbaisses globales de 45 % deproduction sur le marché local.
Ratio decompensation deseffets desdéfaillances (G5) M
anag
emen
t
Bas
e do
nnée
sco
mpt
abili
téA
naly
tique
0,04
Les pertes occasionnées ontnécessité des recours à des créditsbancaires et des injections de fondsdes actionnaires. L’effet de lacompensation a été estimé à 4 % dela valeur du patrimoine.
Tableau 9. Tableau de collecte des données pour le calcul des criticités
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
532 Journal of Decision System. Volume 16 – No. 4/2007
5.1.1. Calcul de la gravité sur la production
Les critères et les alternatives choisis pour calculer l’indicateur de gravité sur laproduction sont illustrés par la figure 9 (conformité aux exigences clients (Cr1),risques de pertes de parts de marchés (Cr2), risques de pénuries (Cr3)).
Figure 9. Structure hiérarchique pour l’évaluation de gravité sur la production
Les quatre matrices de jugements ont été définies suite à des entretiens avec leresponsable de production et le responsable commercial :
Matrice de jugement entre indicateurpour Cr1
Matrice de jugement entre indicateur pour Cr2
Tqual Tpaln Tqt Tqual Tpaln Tqt
Tqual 1 7 5 Tqual 1 5 3
Tpaln 0.14 1 0.33 Tpaln 0.2 1 0.12
Tqt 0.2 0,33 1 Tqt 0.33 8 1
Matrice de jugement entre indicateurpour Cr3
Matrice de jugement entre Cr1, Cr2, Cr3
Tqual Tpaln Tqt Cr1 Cr2 Cr3
Tqual 1 6 3 Cr1 1 0.33 4
Tpaln 0.16 1 0.5 Cr2 3 1 5
Tqt 0.33 2 1 Cr3 0.25 0.2 1
Tableau 10. Matrices des jugements pour le calcul de l’indice G4 de la gravité surla production
G4
Critère 1(Cr1)
Critère 2(Cr2)
Critère 3(Cr3)
Tqual Tplan Tqt
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
Méthode multicritère de la prise de décision appliquée à l’AMDEC 533
Ainsi nous obtenons les facteurs de pondération et déduisons G4 (tableau 11) :
Tqual Tpaln Tqt G4
Vecteurprioritaire
global0.611 0.078 0.311 G4 = 0.611. Tqual + 0.078. Tpaln
+ 0.311. Tqt = 0.689
Tableau 11. Facteurs de pondération et calcul de la gravité sur la production
5.1.2. Calcul de la gravité sur l’environnement
Pour le calcul de l’indicateur de gravité sur l’environnemental, nous pouvons nepas utiliser la méthodologie AHP, puisque nous avons un seul polluant qui estl’hydrocarbure de gaz naturel et que son influence n’est considérée que pour l’air.Ainsi nous aurons G3= 0.67 (tableau 9).
5.2. Application du système d’inférence flou pour l’évaluation des criticités
Les fuzzifications des entrées et des sorties sont définies par le tableau 12.
Variables Types Termeslinguistiques Paramètres Paramètres
Taux dedéfaillance Entrée
Très fiableFaibleMoyenForte
λ ≤ 10-9
10-6≥ λ >10-9
10-3 ≥ λ >10-6
λ > 10-3
[10-11 10-11 10-10 10-8 ][10-10 10-8 10-7 10-5 ][10-7 10-5 10-4 10-2][10-4 10-2 1 1]
Non-détection Entrée
EvidenteImprobableDifficileImpossible
ND<=0.250.25<ND<=0.50.5<ND<=0.750.75<ND<=1
[0 0 0.15 0.35][0.15 0.35 0.4 0.6][0.4 0.6 0.65 0.85][0.65 0.85 1 1]
Gravité_pGravité_envGravité_eqGravité_proGravité_man
Entrées
mineuremoyennecritiquecatastrophique
Gi<=0.250.25<Gi<=0.50.5< Gi<=0.750.75<Gi<=1
[0 0 0.15 0.35][0.15 0.35 0.4 0.6][0.4 0.6 0.65 0.85][0.65 0.85 1 1]
criticité_pcriticité_envcriticité_eqcriticté_procriticté_man
Sorties
négligeablemoyenneélevéetrès élevée
Ci<=0.250.25<Ci<=0.50.5< Ci<=0.750.75<Ci<=1
[0 0 0.15 0.35][0.15 0.35 0.4 0.6][0.4 0.6 0.65 0.85][0.65 0.85 1 1]
Tableau 12. Fuzzification des variables d’entrées sorties
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
534 Journal of Decision System. Volume 16 – No. 4/2007
Les moteurs d’inférences ont été établis en se basant sur le retour d’expérience etd’après des questionnaires retournés par les différents responsables de l’entreprise(ressources humaines, qualité, production, maintenance, méthode, gestion desstocks, commercial, direction générale, sécurité, environnement, etc.). Ils sontdéfinis par les tableaux 13, 14, 15, 16, 17.
G1 min Moy Cri cat
λ TF F M F R TF F M FR TF F M FR TF F M FR
Imp Ne Ne Mo Mo Mo Mo El El El El Te Te Te Te Te Te
DIF Ne Ne Mo Mo Mo Mo El El El El Te Te Te Te Te Te
Im Ne Ne Mo Mo Mo Mo El E1 El El Te Te Te Te Te Te
ND
EV Ne Ne Mo Mo Mo Mo El E1 El El Te Te Te Te Te Te
Tableau 13. Moteur d’inférence pour le calcul de criticité sur le personnel
G2 min Moy Cri cat
λ TF F M F R TF F M FR TF F M FR TF F M FR
Imp Ne Ne Ne Ne Mo Mo Mo Mo El El El El Te Te Te Te
DIF Ne Ne Ne Ne Mo Mo Mo Mo El El El El Te Te Te Te
Im Ne Ne Ne Ne Mo Mo Mo Mo El El El El Te Te Te Te
ND
EV Ne Ne Ne Ne Mo Mo Mo Mo El El El El Te Te Te Te
Tableau 14. Moteur d’inférence pour le calcul de criticité sur les équipements
G3 min Moy Cri cat
λ TF F M FR TF F M FR TF F M FR TF F M FR
Imp Ne Ne Mo El Mo Mo El El El El El Te El Te Te Te
DIF Ne Mo El El Mo Mo El El El El El Te El Te Te Te
Im Ne Mo El El Mo Mo El El El El El Te El Te Te Te
ND
EV Mo Mo El TE Mo Mo El El El El El Te El Te Te Te
Tableau 15. Moteur d’inférence pour le calcul de criticité sur l’environnement
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
Méthode multicritère de la prise de décision appliquée à l’AMDEC 535
G4 min Moy Cri cat
λ TF F M FR TF F M FR TF F M FR TF F M FR
Imp Ne Ne Mo Mo Mo Mo El El El El Te Te Te Te Te Te
DIF Ne Ne Mo Mo Mo Mo El El El El Te Te Te Te Te Te
Im Ne Ne Mo Mo Mo Mo El E1 El El Te Te Te Te Te Te
ND
EV Ne Ne Mo Mo Mo Mo El El El El Tel Te Te Te Te Te
Tableau 16. Moteur d’inférence pour le calcul de criticité sur la production
G4 min Moy Cri cat
λ TF F M FR TF F M FR TF F M FR TF F M FR
Imp Ne Ne Ne Ne Mo Mo Mo Mo El El El Te EL Te Te Te
DIF Ne Ne Ne Ne Mo Mo Mo Mo El El El Te EL Te Te Te
Im Ne Ne Ne Ne Mo Mo Mo Mo El El El Te El Te Te Te
ND
EV Ne Ne Ne Ne Mo Mo Mo Mo El El El Te EL Te Te Te
Tableau 17. Moteur d’inférence pour le calcul de criticité sur le management
Pour illustrer le mécanisme d’inférence nous prenons le cas de la déterminationde la criticité sur les équipements. D’après la matrice d’inférence concernée(tableau 14), nous aboutissons aux règles suivantes :
Règle n° 1 : Si G3 estmineure, alors C3 est négligeable,Règle n° 2 : Si G3 est moyenne, alors C3 est moyenne,Règle n° 3 : Si G3 est critique, alors C3 est élevée,Règle n° 4 : Si G3 est catastrophique, Alors C3 est très élevée.
Le mécanisme d’inférence pour les règles (1 et 2) est illustré sur la figure 11.
En appliquant la même méthodologie pour toutes les criticités, ainsi que laméthode de centre de gravité pour la défuzzification, nous obtenons :
Criticités ValeursCriticité sur le personnel 0.544Criticité sur les équipements 0.296Criticité sur l’environnement 0.648Criticité sur la production 0.662Criticité sur le management 0.129
Tableau 18. Les criticités obtenues à partir des moteurs d’inférence floue
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
536 Journal of Decision System. Volume 16 – No. 4/2007
Figure 10. Mécanisme d’inférence utilisant les règles 1 et 2 pour l’évaluation de lacriticité sur les équipements
Max
Gravité sur les équipements Criticité sur les équipements
Gravité sur les équipements Criticité sur les équipements
G 3= 0.27
G 3= 0.27
Min
Min
Règle d’inférence N°2: Si G3 est moyenne alors C3 est moyenne
Règle N°1 : Si G3 est mineure alors C3 est négligeable
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
Méthode multicritère de la prise de décision appliquée à l’AMDEC 537
5.3. Application de la méthode AHP pour le calcul de la criticité globaleet le choix du plan d’actions
D’après les jugements des responsables, il a été établi que les criticités C1 et C5ont des effets considérés plus importants que les autres criticités. Les détails desjugements sont présentés dans le tableau 19.
Matrice de jugement des criticités
C1 C2 C3 C4 C5
C1 1 3 5 3 1
C2 0,33 1 2 3 0,2
C3 0,2 0,5 1 2 0,33
C4 0,33 0,33 0,5 1 0,2
C5 1 5 3 5 1
Tableau 19. Matrice de jugement des différentes criticités
En considérant l’étape 3 de la méthode AHP et en appliquant l’équation [22],nous obtenons la matrice (B) représentant les moyennes arithmétiques desjugements (tableau 20).
Tableau 20. Moyenne arithmétique des jugements
En utilisant les équations [25][26] pour K = 5 et TC max = 25/5=5, nousobtenons l’indice aléatoire IA = 1.12. Par conséquent IC = 0 ce qui implique lacohérence des calculs de la matrice de jugement.
Les facteurs de pondération de chaque critère sont déterminés par les équations[23][24]. Ils sont définis dans le tableau 21.
C1 C2 C3 C4 C5 Somme Moyenne
C1 0.35 0.3 0.43 0.21 0.36 1.65 0.33
C2 0.11 0.1 0.17 0.21 0.07 0.66 0.132
C3 0.08 0,07 0.09 0.14 0.12 0.5 0.1
C4 0.11 0,03 0.05 0.09 0,09 0.37 0.074
C5 0.35 0.5 0.26 0.35 0.36 1.82 0.364
Somme 1 1 1 1 1 5 1Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
538 Journal of Decision System. Volume 16 – No. 4/2007
Critères Valeurs Facteurs depondération
Criticitéglobaleestimée
CriticitéAMDECclassique
Criticité sur le personnel 0,544 0.33
Criticité sur les équipements 0,296 0.132
Criticité surl’environnement 0,648 0.1
Criticité sur la production 0,662 0.074
Criticité sur le management 0,129 0.364
0,38
Tableau 8 :C = 18 par
rapport à 64soit : 0,28
Tableau 21. Facteurs de pondération des criticités
La criticité minimale étant définie à 0,3, il faut engager des actions correctives etpréventives. Ainsi, nous devons répéter la même procédure des criticités pour leniveau suivant qui concerne l’agrégation des différents types d’actions. En utilisantles cinq types de décisions et d’actions correctives définies dans paragraphe (4.2),nous avons engagé des séances de Brainstorming (remue méninges) sur le mode dedéfaillance étudié. Ces dernières ont abouties aux conclusions suivantes :
– les types de décisions TD5, TD4 et TD2 dans les proportions du tableau 22, sontles plus prioritaires pour les criticités sur le personnel ;
– les types de décisions TD1, TD2 etTD3 dans les proportions du tableau 22, sontles plus prioritaires pour les criticités sur les équipements ;
– les types de décisions TD1, TD2 et TD3 dans les proportions du tableau 22, sontles plus prioritaires pour les criticités sur l’environnement ;
– les types de décisions TD1, TD2 et TD4 dans les proportions du tableau 22, sontles plus prioritaires pour les criticités sur la production ;
– les types de décisions TD1, TD2 dans les proportions du tableau 22, sont lesplus prioritaires pour les criticités sur le management.
Matrice de jugement des types d’actionspour la criticité sur le personnel
Matrice de jugement des types d’actionspour la criticité sur les équipements
TD1 TD2 TD3 TD4 TD5 TD1 TD2 TD3 TD4 TD5
TD1 1 0,2 0,33 0,16 0,12 TD1 1 3 5 8 9
TD2 5 1 2 1 1 TD2 0,33 1 7 5 8
TD3 3 0,5 1 0,33 0,25 TD3 0,2 0,14 1 4 3
TD4 6 1 3 1 0,5 TD4 0,12 0,2 0,25 1 5
TD5 8 1 4 2 1 TD5 0,11 0,12 0,33 0,2 1
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
Méthode multicritère de la prise de décision appliquée à l’AMDEC 539
Matrice de jugement des types d’actionspour la criticité sur l’environnement
Matrice de jugement des types d’actionspour la criticité sur la production
TD1 TD2 TD3 TD4 TD5 TD1 TD2 TD3 TD4 TD5
TD1 1 1 3 4 6 TD1 1 2 7 3 4
TD2 1 1 2 6 4 TD2 0,5 1 6 3 5
TD3 0,33 0,5 1 2 3 TD3 0,14 0,16 1 0,5 2
TD4 0,25 0,16 0,5 1 1 TD4 0,33 0,33 2 1 1
TD5 0,16 0,25 0,33 1 1 TD5 0,25 0,2 0,5 1 1
Matrice de jugement des types d’actions pour la criticité sur le Management
TD1 TD2 TD3 TD4 TD5
TD1 1 6 7 7 8
TD2 0,16 1 1 3 4
TD3 0,14 1 1 2 2
TD4 0,14 0,33 0,5 1 2
TD5 0,12 0,25 0,5 0,5 1
Tableau 22. Matrices de jugement des types d’actions pour les différentes criticités
Les indices de cohérences étant vérifiés, nous pouvons établir le vecteur globalde priorité par :
C1(0.33)
C2(0.132)
C3(0.1)
C4(0.074)
C5(0.364)
Vecteurglobal depriorité
TD1 0.041 0.481 0.371 0.411 0.601 0.363
TD2 0.251 0.301 0.341 0.321 0.161 0.239
TD3 0.101 0.111 0.161 0.081 0.111 0.110
TD4 0.241 0.081 0.071 0.111 0.071 0.134
TD5 0.361 0.031 0.071 0.081 0.051 0.154
Tableau 23. Vecteur global de priorité des différents types de décision
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
540 Journal of Decision System. Volume 16 – No. 4/2007
En exposant les résultats aux cadres de l’entreprise, ils ont estimé que les typesTD1 et TD2 sont suffisants pour assurer les actions correctives et préventives. Leplan d’actions défini est le suivant :
Types de décisionsretenues Actions correctives Responsables Délais
Achats d’équipements de protectionindividuelle R Achats 1 mois
Changement technologie CapteurS7 R Maintenance 1 mois
TD1 : Décisions dedéploiement deMoyens
Recrutement d’un ingénieurspécialité maintenance industrielle
ResponsablePersonnel 1 mois
Changement de la procédureAMDEC actuelle et adoption del’approche floue multicritère.
ResponsableMéthodes 6 mois
TD2 : Décisions auniveau des Méthodes Utilisation du logiciel approprié à
cette méthode tout en le liant auxbases de données informatiques
ResponsableInformatique 1 an
Tableau 24. Spécification des actions correctives suite à l’analyse floue etmulticritère
5.4. Analyse des résultats
Les résultats ainsi obtenus sont intéressants, en effet, nous avons pu démontrer àpartir du cas réel que l’AMDEC classique n’a pas abouti au déclenchement d’unplan d’actions correctives. Le calcul des indicateurs de performances adoptés apermis de mieux estimer les gravités et par conséquent les cinq criticités (C1, C2, C3,C4, C5). Ainsi, la criticité globale calculée (C = 0,38) a été nettement supérieure àcelle calculée par l’AMDEC classique (C = 0,28). Ceci a permis de mettre enévidence les carences au niveau de l’estimation de ses paramètres (F, G, ND).
Les moteurs d’inférences bien que simples dans le cas traité, ont permis decapitaliser le savoir-faire et l’expérience de l’entreprise. Les différentes règles (Ri)construites ont permis de vulgariser l’influence des paramètres de l’AMDEC surchaque criticité. Ceci a donné plus de crédibilité à l’analyse de la criticité, et ce,dans le sens qu’il ne s’agit plus de multiplier des facteurs mais plutôt de construireune structure conditionnelle aboutissant à des criticités significatives.
Pour les cadres de l’entreprise, cette approche a permis de dynamiser lesmécanismes de communication et des échanges d’expérience, en effet, les ateliers detravail ont été l’occasion pour orienter les jugements et adopter des critères clairspermettant l’aide à la décision. Ainsi, la méthode AHP tant au niveau du calcul des
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
Méthode multicritère de la prise de décision appliquée à l’AMDEC 541
indicateurs de production ou d’environnement que pour le calcul de la criticitéglobale a permis de rapprocher les idées et de démontrer la cohérence des critères.Ceci a été déterminant pour convaincre la direction à engager les actions identifiées.
Figure 11. Démarche de DEMING pour la diminution du niveau de criticité
Il reste donc à confirmer l’efficacité en appliquant les actions correctives et enminimisant de nouveau les criticités. Par ailleurs, il faut mentionner un point faiblequi réside dans le paramétrage initial nécessitant des collectes des données, desquestionnaires, des mobilisations des cadres, etc. En effet, l’établissement des règlesd’inférences pour chaque défaillance et pour chaque type d’équipement engendreune lourdeur assez importante (2 mois) surtout lorsqu’il s’agit de cas répétitifs.Toutefois, une fois, ce gap dépassé, le processus devient automatisé. Nousremarquons ainsi que notre système s’apprête bien à la démarche de DEMING quiest connue sous l’appellation PDCA traduite comme suit :
Planifier : définir la criticité minimale ou le seuil de criticité à ne pas dépasser;Déterminer : calculer les paramètres, les criticités et la criticité globale;Contrôler : comparer la criticité globale au seuil critique;Améliorer : définir les priorités, les types de décisions et déclencher les actions
correctives pour diminuer la criticité globale.
Seuil de
criticité
TDn
TD1
TDn
TD1
Syst
ème
d’in
fére
nce
Flou
Ana
lyse
d’a
ide
à la
déc
isio
nm
ultic
ritè
res
(AH
P)
Système étudié
C1
C2
C3
C4
C5
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
542 Journal of Decision System. Volume 16 – No. 4/2007
6. Conclusion
La nouvelle approche a permis de donner une nouvelle méthodologie d’analysedes modes de défaillances de leurs effets et de leurs criticités. Cette contributionvient ajouter une vision plus factuelle dans le domaine de la sureté defonctionnement. Trop souvent, des accidents de travails, des faillites d’entreprises,des pénuries de produits ont été causés par des défaillances dont les criticités étaientestimées mineures. En effet, les interactions des systèmes à base de logique floue etd’aide à la décision multicritère de type AHP permettent de mieux apprécier lescriticités et de guider les décideurs pour anticiper des effets potentiels internes etexternes.
La méthodologie proposée est fondamentalement participative, elle permet decréer des synergies et des interactions entres des processus hétérogènes, tels que laproduction, l’environnement, la maintenance et le management. La richesse de ceséchanges permet de construire des moteurs d’inférences et des matrices dejugements plus fiables et plus cohérentes.
L’association de la logique floue et de la méthode multicritère AHP est adoptéedans l’analyse AMDEC d’un système industriel de remplissage de bouteilles de gazd’une unité de fabrication tunisienne. Cette démarche est particulièrement toléranteaux imprécisions des données d’entrées, le rejet d’informations contradictoires estalors diminué, puisque la progressivité d’une valeur linguistique matérialisée parson niveau d’appartenance atténue la notion même d’information contradictoire.
Nos recherches se poursuivent pour essayer de définir un algorithme permettantd’optimiser le nombre de règles d’inférence, et ce, en utilisant des apprentissages etdes observations sur les résultats des criticités et les effets des types de décisions.Les réseaux de neurones sont recommandés dans ce contexte. Nous nous orienteronsaussi vers les systèmes multi-agents, les colonies de fourmis, pour comparer lesrésultats et essayer de faire une classification selon les domaines d’activités et lestailles des entreprises.
7. Bibliographie
AFNOR, Recueil des normes françaises X06, X50, X60. AFNOR 1998.
Aupied J., Retour d’expérience appliqué à la sûreté de fonctionnement des matériels enexploitation, Eyrolles, 1994.
Buhler H., Réglage par logique flou, Presses Polytechniques et Universitaires Romandes,1994.
Bouchon-Meunier B., Foulloy L., Ramdani M., « Logique floue », Exercices corrigés etexemples d’applications, Toulouse, Cépaduès, 1998, p. 131-147.
Bowles J.B. , Paláez C.E., “Application of fuzzy logic to reliability engineering”,Proceedings of the IEEE, vol. 83, no. 3, 1995, p. 435-449.
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
Méthode multicritère de la prise de décision appliquée à l’AMDEC 543
Braglia M., “Multi-attribute failure mode analysis”, International journal of quality andrealiability management, vol. 17, n° 9, 2000, p. 1017-1033
Brans J.P., « L’ingénierie de la décision, Elaboration d’instruments d’aide à la décision : Laméthode Promethee, L’aide à la décision: Nature, Instruments et Perspectives d’Avenir »,Québec, Canada, 1982, p. 183-213.
Cabarbaye A., Ngom L., « Simulation dynamique des arbres d’événements », 12e ColloqueNational de Sûreté de Fonctionnement (λ/µ 12), Montpellier, 28-30 mars 2000.
Cyril A., « AMDEC-HCCP », Allquality, 2002.
Dunyak J., Saad I.W, Wunsch D., “A Theory of Independent Fuzzy Probability for SystemReliability”, Fuzzy Systems, IEEE Transactions, vol. 7, n° 3, 1994, p. 286- 294.
Gentile M., Development of a hierarchical fuzzy model for the evaluation of inherent safety,These de doctorat, Mexico, 2004,
Hunt J.E., Price C.J. and Lee M.H, “Automating the FMEA process”, Intelligent SystemsEngineering, vol. 2, n° 2, 1993, p. 119-132.
Hwang CL., Yoon K., Multiple attribute decision making: methods and applications: a state-of-the-art survey, Springer-Verlag, 1981
ISO14031, « Management environnemental, évaluation de la performanceenvironnementale », Organisation internationale de normalisation, 1999.
Kai Meng Tay and Chee Peng Lim, “Fuzzy FMEA with a guided rules reduction system forprioritization of failures”, International Journal of Quality & Reliability Management vol.23, n° 8, 2006, p. 1047-1066.
Kaufmann A., « Introduction à la logique floue », Techniques de l’ingénieur, A 120, 1992.
Keeney R.L, Raiffa H., “Decisions with multiple objectives preferences and value tradeoffs”,Combridge University Press London 1976
Lee B.H., “Using Bayes belief networks in industrial FMEA modeling and analysis”,Proceedings of Reliability and Maintainability Symposium, 2001, p. 7-15.
Lin Z.C. and Yang C.B., “Evaluation of machine selection by the AHP”, Journal of MaterialsProcessing Technology, vol. 57, n° 3-4,1994, p. 253-258.
Monchy F., Maintenance, Méthodes et organisation, Paris, Dunod, 2000, p. 161-163
Mortureux Y., « La sûreté de fonctionnement : Méthodes pour maîtriser les risques »,Techniques de l’ingénieur, AG 4 670, 2001.
Rajiv K, Dinesh K, Pradeep K., “Systematique failure mode and effect analysis (FMEA)using fuzzy linguistic modelling”, International journal of Quality and ReliabilityManagement vol. 22, n° 9, 2005, p. 986-1004
Ross T.J., Fuzzy Logic with Engineering Applications, McGraw-Hill, New-York, NY, 1995.
Roy B., « Classement et choix en présence de points de vue multiples », Revue informatiqueet recherche opérationnelle, n° 8, 1970, p. 57-75.
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14
544 Journal of Decision System. Volume 16 – No. 4/2007
Roy B. , « Science de la décision ou science de l’aide à la décision », Revue internationale desystémique, n° 6, 1993, p. 497-529.
Runkler T.A., “Selection of appropriate defuzzification methods using application specificproperties”, Fuzzy Systems, IEEE Transactions, vol. 5, n° 1, 1997, p. 72-79.
Saaty T , Décider face à complexité : une approche analytique multicritère d’aide à ladécision, Paris, Entreprise moderne d’édition, 1980, p. 77-120.
Steuer R.E, Gardiner L.R and Gray J, “A bibliographical Survey of the activities andInternational Nature of Multiple Criteria Decision making”, J.M.C.D.A, vol. 5, n° 3,1996, p. 195-217.
Villemeur A., Sûreté de Fonctionnement des systèmes industriels, coll. de la Direction desétudes et recherches d’électricité de France, Edition Eyrolles, 1988.
Vincke Ph., Multicriteria decision aid, Wiley and Sons, New-York, 1992.
Wanga Ge, Samuel H. Huang, and John P., “Product-driven supply chain selection usingintegrated multi-criteria decision-making methodology”, International journal ofproduction economics, n° 91, 2004, p. 1-15.
Wang J., RuxtonT., LarbieC.R., “Design for safety of engineering systems with mulitplefailure state variables”, Reliability Engineering Safety , n° 50, 1995, p. 271-84
Zadeh L.A., “Toward a theory of fuzzy information granulation and its centrality in humanreasoning and fuzzy logic”, Fuzzy Sets and Systems, vol. 2, n° 90, p. 111-127, 1997.
Zimmermann H., Fuzzy Set Theory and its Applications, 3rd ed., Kluwer AcademicPublishers, London, 1996.
Dow
nloa
ded
by [
Dok
uz E
ylul
Uni
vers
ity ]
at 2
0:20
06
Nov
embe
r 20
14