Modélisation des causes communes de défaillance d'un système instrumenté de sécurité particulier

International audienceCommon cause failures (CCFs) are an important part of reliability analysis when working with safety instrumented systems (SIS), and engineers have been aware of these types of failures since the midseventies [1]. The purpose of this article is to develop a strategy to study an example on oil-pressure system and propose a CCF-strategy for that present example. The focus is given to the following three methods: the beta-factor model, the PDS method [2], and Markov analysis with stochastic simulation. The need for Markov analysis becomes evident when working with SIS of a more complex nature, for instance non-identical components. Finally, it is always important to remember that if there exists any feedback data or expert knowledge describing the distribution of the number of components that fail in a CCF, this is vital in deciding the most descriptive CCF model. By the term descriptive model, we mean a model that both describes the architecture of the system as accurately as possible, and also makes as few assumptions as possible.Depuis le milieu des années soixante-dix, les causes communes de défaillance (CCF) ont donné lieu à de nombreuses études de fiabilité [1], notamment pour les systèmes instrumentés de sécurité (SIS). L'objectif de cet article est de présenter différentes approches de modélisation des causes communes de défaillance, appliquées à un système de surveillance de pression d'huile pour une turbine à gaz. Ce système présente quelques particularités qui rendent la modélisation délicate : une architecture 2oo3 avec un sous-système interne d'architecture 1oo2, ainsi que des taux de défaillance hétérogènes. Les trois méthodes étudiées sont : le facteur beta, la méthode PDS [2] et l'analyse par processus Markovien. Le modèle du facteur beta est relativement simple mais ne permet pas une modélisation exhaustive des causes communes de défaillance, notamment en omettant les causes communes de défaillance partielles. La méthode PDS cherche à pallier cela, moyennant l'utilisation de quelques paramètres supplémentaires. L'analyse par processus Markovien est la plus souple et peut s'adapter plus simplement aux architectures complexes et à de nombreux paramètres d'entrée. Les probabilités moyennes de défaillance obtenues pour le système instrumenté de sécurité peuvent varier de façon significative d'un modèle à l'autre. Il convient alors de choisir la méthode la plus adéquate en fonction des hypothèses requises, de l'architecture du système, du degré de modélisation voulu et des informations disponibles