Mme.

Lina Aboueljinane

BAHOUM Fatima-Zahra
BOUCHRAOUI ABdelwahed
CHAQIQ Abdessamad
NGOTE Narjisse
OUCHNAHIM Charafeddine

1
 Table des matières

I. Problématique : ...................................................................................................................................... 6
II. Revue de littérature : .............................................................................................................................. 6
1. Maintenance préventive (PM) : .......................................................................................................... 6
2. Maintenance corrective (CM) : ........................................................................................................... 6
3. Semi Markov Decision Process (SMDP): ............................................................................................. 7
III. L’objectif de la simulation : ................................................................................................................... 10
IV. Les données de la simulation : .......................................................................................................... 10
1. Les entités : ....................................................................................................................................... 10
2. Les activités : ..................................................................................................................................... 10
3. Les attributs : .................................................................................................................................... 11
4. Les variables : .................................................................................................................................... 12
5. Les variables de collecte statistique : ............................................................................................... 13
6. Les ressources : ................................................................................................................................. 14
7. Les leviers d’action :.......................................................................................................................... 14
8. Les hypothèses simplificatrices de notre étude : ............................................................................. 14
9. Les différentes valeurs et distributions utilisées dans le modèle de simulation : ............................ 15
V. Le modèle de simulation sur Arena : .................................................................................................... 16
1. Le modèle : ....................................................................................................................................... 16
2. Les résultats : .................................................................................................................................... 18
VI. Comparaison des scénarios : le Process Analyzer (PAN) .................................................................. 20
VII. Optimisation sur OptQuest : ............................................................................................................. 21
3. Définition de la fonction objectif et des contrainte : ....................................................................... 21
4. Définition des contrôles : .................................................................................................................. 21
5. Définition des réponses : .................................................................................................................. 21
6. Résultats : ......................................................................................................................................... 21

2
 Liste des tables
Tableau 1: classification des actions de maintenance .................................................................................... 6
Tableau 2 : classification des degrés de sévérité des pannes. ........................................................................ 7
Tableau 3 : les paramètres de l’arrivée des pannes ...................................................................................... 15
Tableau 4 : les paramètres des activités de maintenance. ........................................................................... 16

Liste des figures

Figure 1 : exemple illustrant la modélisation de FS2 à l’aide de SMDP .......................................................... 7
Figure 2 : diagramme de Pareto des sous-systèmes les plus critiques ......................................................... 10
Figure 3 : Les attributs du modèle de simulation .......................................................................................... 12
Figure 4 : Les variables du modèles de simulation ........................................................................................ 13
Figure 5 : Les outputs du modèle de simulation ........................................................................................... 13
Figure 6 : exemple illustrant la modélisation de FS2 à l’aide de SMDP ........................................................ 15
Figure 7 : Le modèle de simulation sur Arena ............................................................................................... 17
Figure 8 : Le résultat de simulation ............................................................................................................... 18
Figure 9 : Contribution des sous-systèmes en termes de pannes................................................................. 18
Figure 10 : Scénarios sur le PAN .................................................................................................................... 20
Figure 11 : Les marges des variables utilisées pour l’optimisation ............................................................... 21
Figure 12 : Résultat de l’optimisation par optquest ...................................................................................... 22
Figure 13 : Résultat de l’optimisation par optquest ...................................................................................... 22

3
 Introduction

Il est essentiel que les installations industrielles telles que les centrales thermiques
puissent fournir de l'électricité résidentielle en continu et sans interruption. Cette exigence est
plus urgente quand il s’agit d’une organisation prenant en charge des installations critiques,
comme dans le secteur de la santé et de la sécurité, où les perturbations pourraient entraîner des
risques importants ainsi que des pertes économiques et sociales. Afin d’éviter ce type de
problématique, une démarche de maintenance optimale et efficace est nécessaire, pour mener
au bien le fonctionnent de la centrale électrique. Donc notre mission sera de proposer une
politique de maintenance globale prenant en considération toutes les contraintes afin
d’améliorer la fiabilité de l’installation, en réduisant les temps d'arrêt des équipements critiques
qui affectent directement à la fois la disponibilité de la centrale, sa capacité à produire de
l'électricité et par conséquent sa rentabilité. Ce qui va permettre à la fois d’augmenter la durée
de vie du matériel, de réduire le cout d’investissement, de diminuer le cout de revient, et d’éviter
de subir des sanctions dues aux dégâts liés à l’arrêt de l’installation.
Pour réaliser notre objectif, nous avons opté pour l’utilisation de la simulation à
éléments discrets, qui permet de modéliser le comportement d’un système afin de pouvoir
simuler plusieurs scénarios pour pouvoir les comparer par la suite en se basant sur les
indicateurs de performance sélectionnés. Généralement la démarche commence par
Formulation du problème puis la Collecte des données d’entrée, la conception et
implémentation du modèle, la vérification et validation du modèle et finalement l’exécution et
analyse des résultats.
Le présent document présente trois grands chapitres, le premier chapitre est dédié à
expliquer et cerner la problématique, et puis à faire une revue de littérature.
Le deuxième chapitre est consacré à présenter et expliquer le modèle et les différentes
données utilisés sur le logiciel ARENA, en précisant les hypothèses simplificatrices.
Le troisième chapitre contient le résultat des scénarios effectués sur le Process Analyzer,
le modèle optimisé sur Optquest et l’interprétation des sorties du modèle.
Finalement, la conclusion générale sera dédiée à présenter un récapitulatif des résultats
obtenus ainsi que les limites de cette étude et ses perspectives.

4
 Chapitre 1

Revue de littérature et
problématique

5
 I. Problématique :
La fiabilité du système d'une centrale thermique représente un facteur essentiel dans la réussite
d'un projet de production d'électricité. Une baisse de fiabilité due à des temps d'arrêt
d'équipements critiques affecte directement à la fois la disponibilité pour produire de
l'électricité et, par conséquent, sa rentabilité. L'augmentation des temps d'arrêt influençant les
aspects d'exploitation et de maintenance peut être attribuée à plusieurs raisons, telles que
l'augmentation de la fréquence des pannes, les délais prolongés d'approvisionnement en pièces
de rechange critiques et la maintenance imparfaite.

Le système est décomposé en 5 sous-systèmes critiques, le défi serait alors de la mesure de

fiabilité atteinte par un sous-système suivant une action de maintenance tout en sélectionnant
la maintenance appropriée afin de diminuer le temps de réparation et augmenter la disponibilité
opérationnelle des moteurs.

II. Revue de littérature :

1. Maintenance préventive (PM) :

La Maintenance préventive est une maintenance exécutée à des intervalles
prédéterminés ou selon des critères prescrits et destinée à réduire la probabilité de
défaillance ou la dégradation du fonctionnement d’un système. Le but premier de la
maintenance préventive est de limiter le risque de dysfonctionnement et de réduire le nombre
et la fréquence des pannes des machines.

2. Maintenance corrective (CM) :

La maintenance corrective est une maintenance exécutée après détection d'une panne
et destinée à remettre un système dans un état dans lequel il peut accomplir une
fonction requise. Elle consiste à réparer certaines pièces lorsqu’elles se cassent. Cela peut être
mis en œuvre de manière aléatoire en cas de défaillance des pièces, ou faire partie d’un plan de
maintenance plus large

Ri (niveau de maintenance) Description

R1 Ajustement mineur (ne faire presque rien)
R2 Maintenance mineur
R3 Maintenance modéré
R4 Maintenance majeur
R5 Maintenance préventive pour tout le système
TABLEAU 1: CLASSIFICATION DES ACTIONS DE MAINTENANCE

6
 FSj (degré de défaillance) Description
FS1 Panne provoquant un arrêt de production mineur

FS2 Panne provoquant un arrêt de production modéré

FS3 Panne provoquant un arrêt de production majeur

FS4 Panne provoquant un arrêt de production grave

TABLEAU 2 : CLASSIFICATION DES DEGRES DE SEVERITE DES PANNES.

3. Semi Markov Decision Process (SMDP):

C’est un processus de contrôle stochastique en temps discret. Il fournit un cadre mathématique
pour modéliser la prise de décision dans des situations où les résultats sont en partie aléatoires et
en partie sous le contrôle d'un décideur. Les SMDP sont utiles pour étudier les problèmes
d'optimisation résolus via la programmation dynamique. A chaque pas de temps, le processus est
dans un état s, et le décideur peut choisir n'importe quelle action a qui est disponible dans l'état s.
La probabilité que le processus passe à son nouvel état s’’ est influencée par l'action choisie.

FIGURE 1 : EXEMPLE ILLUSTRANT LA MODELISATION DE FS2 A L’AIDE DE SMDP

7
Pour atténuer l'impact de la détérioration sur les équipements, des inspections, des actions de
maintenance corrective, maintenance préventive sont réalisées. La fiabilité du système,
influencée par la détérioration, et les stratégies de maintenance effectuées en raison d'une
défaillance de l'équipement, sont des facteurs critiques pour la réalisation des objectifs d'une
usine et pour surmonter divers défis opérationnels.

Les modèles stochastiques tels que les modèles de Markov se sont révélés plus robustes dans la
modélisation de la détérioration et de la défaillance des équipements en raison de leur nature
probabiliste. Le Semi-Markov Decision Process (SMDP), contrairement au modèle de Markov
qui est sans mémoire, demande que la mémoire du processus soit renouvelée chaque fois qu'il
atteint un état spécifique. D'autres modèles de Markov, tels que les modèles de Markov basés
sur le temps, sont limités à traiter le temps comme un facteur de détérioration.

Un aspect important de la maintenance est l'utilisation fréquente de pièces de rechange dans les
actions de maintenance préventive et corrective, d'où l'importance de la maintenance conjointe
ou intégrée et de l'optimisation des politiques de pièces de rechange. Les études intégrées
prenant en compte l'optimisation conjointe des stratégies de maintenance et des politiques de
pièces de rechange se sont principalement concentrées sur des aspects spécifiques, tels que
l'évaluation de l'optimisation de la maintenance préventive optimale, le plan de production
optimal, la tenue optimale des stocks, la politique de maintenance optimale. Néanmoins,
certaines études abordent divers aspects, tels que la modélisation et l'optimisation intégrées pour
une unité de production défaillante de manière aléatoire

Une grande partie de la recherche traitant des maintenances préventives, ne tient pas compte de
l'effet de la défaillance liée à la maintenance corrective sur le système, ce qui a sans aucun doute
un impact sur la fiabilité de l'équipement, donc affecte les actions et les résultats des
maintenances préventives, ce qui n'offre pas une représentation complète des actions de
maintenance corrective qui peuvent avoir des réparations avec ou sans remplacement de pièces
de rechange avec un résultat de fiabilité aléatoire.

Étonnamment, le manque d'examen attentif des effets de la maintenance corrective est noté, où
la plupart des études considèrent une réparation minimale pour ramener un composant à l'état
de fonctionnement précédent. Cet aspect n'est peut-être pas considéré comme une
représentation complète des politiques de maintenance et de rechange, qui traitent
potentiellement des problèmes de fiabilité et de dégradation des composants, à la fois dans le
cadre de la maintenance préventive et de la maintenance corrective. De plus, les pannes de
maintenance corrective qui sont traitées par diverses stratégies de maintenance et de rechange
par conséquent démontrer un impact sur la stratégie de maintenance préventive, en raison de
changements de fiabilité fondamentaux et observables sur le système impacté par les actions de
la maintenance corrective.

8
 Chapitre 2 :
La simulation à événements
discrets

9
III. L’objectif de la simulation :

Notre modèle s’intéresse principalement à deux indicateurs de performance :

- La disponibilité de l’installation thermique qu’on cherche à maximiser et qui
est égale à la proportion de temps du fonctionnement de l’installation par rapport au
temps total, y compris les temps d’arrêt dus aux pannes et à la maintenance.
- Le temps total de réparation par an, qu’on cherche à minimiser.

IV. Les données de la simulation :

1. Les entités :
D’après la problématique posée, on considère comme entités qui alimentent notre modèle
de simulation, les pannes que subissent les cinq sous-systèmes les plus critiques, selon le
diagramme de Pareto présenté dans la figure 1, et qui sont : le cylindre, le gouverneur, le
turbocompresseur, le sous-système de lubrification et finalement, une cinquième catégorie
regroupant tous les autres sous-systèmes qu’on a nommé autres.

FIGURE 2 : DIAGRAMME DE PARETO DES SOUS-SYSTEMES LES PLUS CRITIQUES

2. Les activités :
Les activités qui constituent les process de notre modèle de simulation sont :
- Les opérations de maintenance :
R1 : Ne faire presque rien.

10
 R2 : Faire des changements mineurs.
R3 : Faire des changements modérés.
R4 : Faire des changements majeurs.
R5 : La maintenance préventive qui se fait de manière périodique à période notée tbo.
- L’activité de diagnostic des sous-systèmes.
- L’activité d’approvisionnement en pièces de rechange.

3. Les attributs :

Dans notre modèle, nous avons considéré comme attributs, les deux principales
caractéristiques des pannes qui sont :

- Les quatre degrés de sévérité d’une panne : FS1, FS2, FS3 et FS4 qui prennent
respectivement les valeurs 1, 2, 3 et 4.

- Les facteurs d’impact phi1, phi2, phi3 et phi4 : qui prennent respectivement les
valeurs 0.65, 0.75, 0.85 et 0.8 et qui traduisent l’impact d’une opération de maintenance
sur le sous-système. Ces facteurs contrôlent également le changement du temps
d’arrivée de la prochaine panne.

Nous avons ajouté également d’autres attributs qui correspondent au temps de début de
chaque activité de maintenance (R1, R2, R3, R4 et R5) et de diagnostique ou
approvisionnement en pièces de rechange afin de pouvoir mesurer la durée de chaque activité :

- t_debut_R1, t_debut_R2, t_debut_R3, t_debut_R4, t_debut_R5 : le temps de début

de chaque activité de maintenance.

- debut_diagnostic : le temps du début de l’opération de diagnostic.

- t_debut_import3 et t_debut_import4 : les temps du début de l’import des pièces de

rechange nécessaires respectivement pour les opérations de maintenance R4 et R5

11
 - t_debut_local3, t_debut_local4 : les temps du début de l’opération
d’approvisionnement local en pièces de rechange pour R4 et R5.

FIGURE 3 : LES ATTRIBUTS DU MODELE DE SIMULATION

4. Les variables :
Les variables que nous avons utilisé dans notre modèle de simulation sont les suivants :

- tbo : qui correspond au temps entre deux opérations successives de maintenance

préventive fourni par l’équipe de maintenance et qui pour, le scénario initial, aura
comme valeur 9000h

- F : la disponibilité en pièces de rechange dont la valeur est fixée par le service de

logistique et qu’on va fixer en premier lieu à 90%.

- eta1, eta2, eta3 et eta4 : les probabilités de choix des opérations R1, R2, R3 et R4 et
qui prennent les valeurs 16%, 57%, 15% , 12%.

- TDMP : une variable dans laquelle on stocke le temps de la dernière maintenance

préventive et qui est initialisée à 0.

- Phi : une variable dans laquelle on stocke les différentes valeurs du facteur d’impact et
qui est initialisée à 1 (système nouveau qui n’a encore subi aucune maintenance).

- FSj : une variable dans laquelle on stocke les différentes valeurs du degré de sévérité et
qu’on initialise à 2 (voire les hypothèses simplificatrice).

12
 FIGURE 4 : LES VARIABLES DU MODELES DE SIMULATION

5. Les variables de collecte statistique :

Pour ces variables qui correspondent aux outputs de notre modèle de simulation, nous
avons considéré :

- Repair_time : qui correspond au Tr qui est le temps consacré à la maintenance par

année et qu’on cherche dans notre étude à optimiser.

- Disponibilité : qui correspond à A0 qui la disponibilité en pourcentage de notre

installation thermique durant toute sa période de fonctionnement et qu’on cherche aussi
à optimiser.

- lead_time, total_repair_time, diagnostic_time : qui correspondent respectivement

aux lead time d’approvisionnement en pièces de rechange, temps total de la maintenance
durant toute le période de fonctionnement de l’installation thermique et temps de
diagnostic de l’installation durant toutes les pannes qu’elle a subi.

FIGURE 5 : LES OUTPUTS DU MODELE DE SIMULATION

13
6. Les ressources :

Dans cette étude, on considère que toutes les ressources sont illimitées et toujours
disponibles. Ainsi, on ne trouve pas le besoin de les intégrer dans notre modèle de
simulation.

7. Les leviers d’action :

Nous prenons pour leviers d’actions dans notre étude les facteurs suivants :

- F : la disponibilité des pièces de rechange.

- Tbo : le temps planifié entre deux maintenances préventives.

- Eta2 et eta3 : les probabilités d’avoir recours aux activités de maintenance R2 et R3.

8. Les hypothèses simplificatrices de notre étude :

Afin de pouvoir simplifier la modélisation de notre système d’étude, nous avons pris en
considération les hypothèses suivantes :

- Nous considérons que deux ou plusieurs sous-systèmes ne peuvent pas tomber en panne
simultanément puisque la panne d’un seul sous-système provoque l’arrêt de toute
l’installation thermique.

- Concernant le principe de transition de FSj, nous avons pris en considération l’exemple

présenté dans l’étude de cas originale en initialisant FSj à FS2 et en suivant
l’enchaînement de l’arbre suivant sauf pour R5 où on considère que l’état qui suit FS2
est FS1.

14
 FIGURE 6 : EXEMPLE ILLUSTRANT LA MODELISATION DE FS2 A L’AIDE DE SMDP

- Pour les ressources, l’équipe de maintenance est toujours disponible, selon l’étude, et
ne présente donc aucune contrainte sur la stratégie de maintenance.

- Concernant le facteur d’impact, on suppose que le système est tout à fait nouveau à l’état
initial et lui attribue comme valeur initiale 1.

- Nous prenons également le temps consacré à la maintenance préventive en

considération dans notre modèle de simulation.

9. Les différentes valeurs et distributions utilisées dans le modèle de simulation :

- Pour l’arrivée des pannes :

Sous-systèmes Temps d’arrivée Distribution du temps Inter arrivée des pannes

de la première d’arrivée de la prochaine
panne (en h) panne
Gouverneur 2200 Expo(1e+3) EXPO( 1e+003 ) * (phi)
Cylindre 1800 40+Expo(200) (40+EXPO( 200 )) * phi
Turbocompresseur 1998 16+WEIB(1e+3, 0.854) (16+WEIB( 1e+3, 0.854 ))*phi
Autres 640 2+EXPO( 300 ) (2+EXPO( 300 )) * phi
Tableau 3 : les paramètres de l’arrivée des pannes

15
 Remarque : afin de pouvoir simuler le modèle sur nos ordinateurs, nous avons été amenés à
modifier les paramètre de ces distribution par rapport à l’étude de cas originale.
- Pour les différentes maintenances :

Type de maintenance Probabilité Temps de réparation Facteur d’impact

Ri d’utilisation (𝒆𝒕𝒂𝒊 ) Tri (𝒑𝒉𝒊𝒊 )
R1 16% UNIF(0,1) 0.65
R2 57% UNIF(0,7) 0.75
R3 15% UNIF(7,13) 0.85
R4 12% Plus de 13 0.8
R5 - UNIF(192,224) -
TABLEAU 4 : LES PARAMETRES DES ACTIVITES DE MAINTENANCE.

V. Le modèle de simulation sur Arena :

1. Le modèle :

16
FIGURE 7 : LE MODELE DE SIMULATION SUR ARENA

17
2. Les résultats :
Après la réalisation du modèle, nous l’exécutons avec une durée de réplication de 105120h
équivalente à 12 ans. Et pour chaque simulation, nous faisons 55 réplications afin d’avoir une
grande taille d’échantillon, réduisant ainsi la demi-largeur de l’intervalle de confiance à 95%.
Nous obtenons alors les résultats suivants :

FIGURE 8 : LE RESULTAT DE SIMULATION

Le modèle génère une disponibilité opérationnelle de 54.47% et un temps de réparation de

3932h par an.
Quant à la contribution individuelle de chaque sous-système en termes de pannes, la figure 9
montre que le cylindre se place en tête du classement, suivi par les pannes des autres sous-

FIGURE 9 : CONTRIBUTION DES SOUS-SYSTEMES EN TERMES DE PANNES.

systèmes puis le système de lubrification, le gouverneur et finalement le turbocompresseur.

18
 Chapitre 3 :

Optimisation basée sur la

simulation

19
VI. Comparaison des scénarios : le Process Analyzer (PAN)
Cette étape consiste à analyser l’impact des deux facteurs : le Tbo et la disponibilité des pièces
de rechange F sur la variation de la disponibilité et le temps de réparation.
Pour ce faire, nous avons utilisé le Process Analyzer pour comparer les différents scénarios
possibles sur 55 réplications :
- Scénario 1: F égale à 92%
- Scénario 2: F égale à 99%
- Scénario 3: tbo =11943.74h
- Scénario 4: tbo =12000h
- Scénario 5: tbo = 12000h et f=99%

A l’aide du Process Analyzer, on a pu définir et exécuter les scénarios précédents (fig10).

FIGURE 10 : SCENARIOS SUR LE PAN

Le résultat de l’exécution montre que la meilleure alternative serait d’augmenter le Tbo d’une
valeur de 12000 h (scenario 4) car elle permet d’obtenir le temps de réparation le plus bas tout
en maximisant la disponibilité (58.989%).

20
VII. Optimisation sur OptQuest :

3. Définition de la fonction objectif et des contraintes :

L’objectif serait de minimiser le temps de réparation sous contraintes :

- Disponibilité ≥ 59%
- Eta2+eta3 = 72%

4. Définition des contrôles :

On prend pour contrôles les paramètres suivants :
- Tbo
- Eta2 et eta3
- F

Variables Valeurs Marges

Eta2 57% 45.6 68.4
Eta3 15% 12 18
F 90% 72 99
tbo 9000 7000 12000
FIGURE 11 : LES MARGES DES VARIABLES UTILISEES POUR L’OPTIMISATION

5. Définition des réponses :

Pour réponse, on choisit le temps de réparation « repair_time » qu’on souhaite optimiser.

6. Résultats :
Après l’exécution de 300 simulations avec un nombre de réplications variant entre 5 et 55, on
obtient le résultat suivant :

21
 FIGURE 13 : RESULTAT DE L’OPTIMISATION PAR OPTQUEST

FIGURE 12 : RESULTAT DE L’OPTIMISATION PAR OPTQUEST

Ainsi, les valeurs optimales permettant d’avoir le temps de réparation minimal sont :

Eta1 = 54%

Eta2 = 18%

F= 92.798073%

Tbo = 11943.736973h

22
 Conclusion

Pour conclure, nous avons pu, à travers cette étude, évaluer, en premier lieu, la
disponibilité d’une installation thermique ainsi que le temps consacré par an à la réparation et
maintenance de ses sous-systèmes les plus critiques à travers un modèle de simulation sur Arena
qui a généré une disponibilité de 54.47% ainsi qu’un temps de réparation de 3932h par an.
En deuxième lieu, et grâce au Process Analyzer, nous avons pu voir l’impact des deux
facteurs qui sont le temps planifié entre deux maintenances préventives ainsi que la disponibilité
des pièces de rechange sur la disponibilité opérationnelle de l’installation et le temps de réparation
de ses sous-systèmes en variant leurs valeurs dans cinq différents scénarios pour aboutir aux
valeurs de 12000h pour le tbo et 90% pour f comme meilleur scénario optimisant la disponibilité.
Par la suite, nous avons fait usage de l’outil OptQuest afin de trouver les valeurs de F,
tbo, eta2, eta3 et la disponibilité pouvant garantir temps de réparation minimal sous contrainte
d’une disponibilité supérieure à 59% et d’une somme des probabilités d’utilisation de R2 er R3
égale à 72%.
Quand bien même, malgré ces résultats, plusieurs limites de la présente étude doivent
être reconnues et qui devraient être traitées en détail dans les études futures. Telle que la prise en
compte uniquement des politiques de la maintenance corrective et préventive sans inclure les
stratégies de maintenance et de restauration supplémentaires identifiées comme la surveillance de
l’état, le reconditionnement des pièces de rechange et la réutilisation de ces pièces qui pourraient
être incorporées.
De plus, une extension de l’optimisation en utilisant le diagnostic des pannes demeure
un possible aspect intéressant à étudier dans le cadre de l’effet du facteur humain sur la
maintenance.
Finalement, d’autres études seraient nécessaires aussi pour étudier l’impact et
l’équilibrage de la maintenance interne et externe afin de développer une image complète de la
maintenance des systèmes.

23
 Bibliographie

James M. Wakirua, L. P. (2019, 08 20). A simulation-based optimization approach

evaluating maintenance and spare parts demand interaction effects.
International Journal of Production Economics, pp. 329-342.

24