Aide à l'optimisation de maintenance à partir de réseaux bayésiens et fiabilité dans un contexte doublement censuré

Antoine de Falguerolles, Bernard Dumon, Olivier Gaudoin, Serge Dégerine, André LannoyThe first part deals with application of Bayesian networks in maintenance and proposes a methodology to build a network from expert judgment. In order to evaluate probabilities, networks is seen as a saturated log-linear model. Some tools are defined in order to identify the most critical variables. Some maintenance tasks are integrated as new nodes of the Bayesian Network. An integration of experience feedback data is proposed by a Bayesian inference, by quantifying confidence given to experts judgment. The second part deals with reliability with doubly censored data. We study the asymptotic properties of the maximum likelihood estimators for the law of Weibull. A Bayesian inference is also proposed with informative and non informative priors. Moreover, human factors are described by hidden variables, which represent lack of information during maintenance operations. We solve this problem by maximum likelihood and by a Bayesian inference.La première partie traite de l'application des réseaux bayésiens en maintenance et propose une méthodologie de construction à partir d'avis d'experts. Pour évaluer les probabilités, le réseau est décrit par un modèle log-linéaire saturé. Des indices permettant l'analyse du réseau et l'identification des variables critiques sont donnés. Les actions de maintenance sont intégrées comme nouveaux noeuds du graphe. Une intégration du retour d'expérience est proposée par une inférence bayésienne, en quantifiant la confiance attribuée aux avis d'experts. La deuxième partie traite de la fiabilité dans un contexte doublement censuré. Nous étudions les propriétés asymptotiques des estimateurs du maximum de vraisemblance pour la loi de Weibull. Une inférence bayésienne est proposée avec des lois a priori informatives et non informatives. De plus, nous modélisons par des variables cachées un facteur humain, représentant des manques d'information lors d'opérations de maintenance et résolvons ce problème par maximum de vraisemblance et par une inférence bayésienne