Estimations a priori et aposteriori des lois de

fiabilit : quelques rflexions sur l'incertitude

des grandeurs fiabilistes

Olivier Basile*, Pierre Dehombreux, Enrico Filippi

Service de Gnie Mcanique, Facult Polytechnique de Mons,

Rue du Joncquois, 53 B-7000 Mons, Belgique
http://www.geniemeca.fpms.ac.be
* +32(0)65374543, olivier.basile@fpms.ac.be

Rsum

La fiabilit s'intresse estimer la dure de vie d'un systme (composant,

machine, ligne de production, etc). L'outil informatique est incontournable pour
traiter ce genre de problme. C'est pourquoi nous avons dvelopp deux librairies
MATLAB Reliabilitix et Simulatrix qui permettent de dterminer la fiabilit d'un
systme modlis sous forme d'un schma-blocs dcrivant le rle fonctionnel de ses
composants. Reliabilitix estime la fiabilit a priori ( partir des lois statistiques de
fiabilit des composants) et Simulatrix a posteriori ( partir des historiques des
dfaillances des composants).

Pratiquement, les paramtres des lois statistiques de fiabilit sont dduites des
temps de dfaillance recueillis in situ et sont entachs d'une incertitude qu'il est
important d'valuer. L'incidence de cette incertitude sur des grandeurs comme la
fiabilit R(t) et la moyenne des temps de bon fonctionnement MUT est galement
tudie.
Introduction

L'intrt port par la plupart des industriels la fiabilit s'explique

essentiellement par le dveloppement d'une nouvelle culture base sur la
performance, la comptitivit, la scurit et le respect de l'environnement, qui s'est
impose dans un contexte de mondialisation. Le fiabiliste a pour objectifs
d'augmenter la fiabilit des quipements et d'aider dvelopper les plans de
maintenance les mieux appropris. Par exemple, il est utile de pouvoir prdire
prcisment la moyenne des temps de bon fonctionnement des composants des
quipements (Mean Up Time (MUT)) pour rduire le stock de pices de rechange.

Dans la plupart des cas, les lois de dfaillance utilises dans les calculs de
fiabilit sont obtenues par analyse statistique des dfaillances observes in situ. C'est
pourquoi la littrature regorge de nombreux dveloppements probabilistes ([CAR
72], [DHI 99], [GER 00], [LEW 94], [LYO 92], [LYO 00], [MAR 74] et [PRO 96])
parfois complts par une tude de l'incidence sur les grandeurs utilises en fiabilit
de l'incertitude affectant les paramtres des lois de distribution. Par exemple,
Ebeling [EBE 97] nous fournit quelques dveloppements afin d'estimer l'incertitude
sur la moyenne des temps jusqu' dfaillance (MTTF) dans le cas d'une loi
exponentielle. Une approche plus thorique de l'estimation de l'incertitude lie
l'estimation des fonctions de dfaillance a t introduite dans [ZHA 01] et applique
pour un essai de fatigue.

Dans cet article, nous prsenterons deux mthodologies classiques d'analyse de

la fiabilit des systmes, mises en oeuvre dans deux librairies MATLAB, Reliabilitix
et Simulatrix, que nous avons dveloppes. Nous illustrerons et comparerons ces
deux approches l'aide de deux exemples. Finalement, nous conclurons par une
rflexion sur l'incidence sur des grandeurs pratiques comme la fiabilit et la MUT de
l'incertitude due l'estimation des paramtres de la loi de Weibull.

1. Reliabilitix

Reliabilitix [BAS 01] est une librairie MATLAB destine calculer la fiabilit
de systmes complexes, c'est--dire des systmes dont la description fonctionnelle
peut tre traduite par un schma-blocs qui associe, en srie ou en parallle, des
composants (ou des modes de dfaillance) pour lesquels la loi de fiabilit doit tre
connue a priori. Les caractristiques des composants (nom du composant, loi de
dfaillance, temps de travail dj accompli, contrle du composant, loi de
dfaillance en stock), sont sauvegardes dans une bibliothque. Le lien entre le
schma-blocs et la bibliothque est le nom du composant.
 Feuille de style 3

Figure 1. Module de calcul de Reliabilitix

Pour traiter le modle, Reliabilitix utilise un algorithme issu de la thorie des

graphes; il est appel mthode de composition latine ou Concatnation
[KAU 75] qui permet de gnrer de manire numrique la fonction de fiabilit du
systme. Cette mthode associe au schma-blocs un rseau de fiabilit dont on
recherche les liens minima. Un lien est un sous-ensemble de composants tel que, si
tous ses composants sont en bon tat et les autres dfaillants, le systme est en bon
tat. Les liens du systme sont obtenus l'aide d'un calcul matriciel spcifique
faisant appel aux matrices latines . Ensuite, la fonction de fiabilit est gnre sur
base des liens trouvs. L'interface du module de calcul et la prsentation des
rsultats sous forme graphique dans Reliabilitix sont reprsentes aux figures 1 et 2;
la fonction de fiabilit calcule (fentre suprieure) peut facilement tre compare
avec la fiabilit des composants du systme (fentres infrieures), facilitant la
recherche des lments critiques.
 Figure 2. Prsentation des rsultats dans Reliabilitix

Qui plus est, Reliabilitix peut tenir compte de certaines situations particulires
rencontres dans la pratique et les intgrer dans le calcul de la fonction de fiabilit;
citons le changement d'un composant dfectueux, ou encore le contrle du systme
lors d'inspections de maintenance, le vieillissement du systme, de ses composants
et du stock.

2. Simulatrix

Simulatrix est une librairie MATLAB de calcul de fiabilit de systmes

complexes utilisant une mthode a posteriori sur base d'un historique de dfaillances
du systme. Cette mthode chappe la complexit analytique qui apparat ds
qu'on introduit les notions de remplacement de composants dfaillants. partir d'un
modle schma-blocs du systme et des historiques des dfaillances de chacun de
ses composants, Simulatrix dduit l'historique des temps de dfaillance du systme.
Ensuite, il en ralise l'analyse statistique qui conduit la fonction de fiabilit
recherche.
 Feuille de style 5

Figure 3. Menu "Fiche Technique"

2.1. Proprits des composants

Les donnes relatives aux composants du systme tudier sont encodes dans
un fichier au format texte. Cette bibliothque contient :
- le nom du composant,
- le fichier dans lequel sont sauvegards ses temps de dfaillance ou sa loi de
dfaillance,
- le type de maintenance dont il fait l'objet : aucune, corrective ou prventive
(dans ce dernier cas, on spcifiera une priode de remplacement
systmatique),
- le nombre de composants similaires en stock,
- la loi de dgradation en stock,
 Figure 4. Systme modlis dans Simulatrix

- la distribution des temps de rparation,

- le nombre de rparations dont il peut faire l'objet et enfin,
- la priode de remplacement systmatique.

La figure 3 nous montre le menu Fiche Technique de Simulatrix, il s'agit d'une

aide l'encodage des proprits des composants.

2.2. Historique des dfaillances

Aprs avoir modlis le systme sous forme d'un schma-blocs (fig. 4) et encod
les donnes relatives aux composants, nous allons dduire l'historique des temps de
dfaillance du systme. Pour cela, nous devons connatre l'historique des temps de
dfaillance de chaque composant qui peuvent tre :
- rels : dans ce cas, les temps de dfaillance seront encods dans un fichier
texte qui sera spcifi dans les proprits du composant,
- simuls : pour cela nous utiliserons la mthode de simulation de Monte
Carlo. L'algorithme utilis est le suivant :
supposons que nous ayons gnrer N temps de dfaillance; appelons F la
distribution des dfaillances du composant.
1. On tire N nombres au hasard dans la distribution uniforme (0,1).
2. On assimile chaque nombre une probabilit de dfaillance (l'axe des
p=F(t)).
 Feuille de style 7

Figure 5. Interface du module "Statistique"

3. On recherche les temps correspondants ces probabilits (t1, t2, ... tn);
ce sont les temps de dfaillance recherchs : t=F-1 (p).

2.3. Analyse statistique des temps de dfaillance

partir des temps de dfaillance du systme, nous pouvons dterminer sa loi de

fiabilit. Pour cela les outils statistiques utiliss sont la mthode de l'actuariat ainsi
que les modles exponentiel et de Weibull, ce dernier modle sera dtaill dans le
paragraphe suivant.

La figure 5 illustre le module Statistique de Simulatrix qui permet de gnrer

les temps de dfaillance du systme et d'en raliser l'analyse statistique. La figure 6
synthtise les rsultats savoir les fonctions de rpartition, de densit et le taux de
dfaillance.
 Figure 6. Affichage des rsultats dans Simulatrix

Modle de Weibull
Pour estimer les paramtres (paramtre de forme), (paramtre d'chelle) et
(paramtre de position) de la loi de Weibull, Simulatrix utilise une forme numrique
drive de la mthode du papier de Weibull ou du graphique d'Allen Plait [LYO 00]:

t
R(t ) 1 F (t ) exp [1]


1 t
ln [2]
1 F (t )
1
ln ln ln t ln [3]
1 F (t )

Si on pose : x=ln t, y=ln ln 1/(1-F(t)), B= ln et A=, l'quation 3 devient :

y Ax B
En consquence, si les donnes correspondent une loi de Weibull, elles doivent
s'aligner sur une droite. En pratique, connaissant les temps de dfaillance, nous
pouvons calculer la fonction de rpartition par la mthode des rangs mdians (5) ou
des rangs moyens (6).
 Feuille de style 9

Figure 7. Estimation de la loi de Weibull

i 0,3
Rangs mdians : F (ti ) [5]
n 0,4
i
Rangs moyens : F (ti ) [6]
n 1

Dans le modle prcdemment dvelopp, nous identifions les ti aux x et les F(ti)
aux y. Ensuite, par une mthode des moindres carrs, nous calculons une droite de
rgression pour ces points, caractrise par sa pente A et l'ordonne l'origine B (fig.
7). Enfin, nous pouvons dduire les paramtres A et exp( B / ) .
3. Illustration et comparaison de Reliabilitix et Simulatrix

Dans ce paragraphe, nous illustrerons le fonctionnement de Reliabilitix et de

Simulatrix l'aide d'un exemple simple reprsentant une installation hydraulique
fictive.

Le schma-blocs de cette installation est reprsent la figure 4. Elle est

compose de 4 pompes dont une peut tre remplace en cas de dfaillance, il s'agit
du bloc Fonction/pompe1 . Les fonctions de fiabilit associes ces pompes et
extraites de [BAR] sont des lois de Weibull dont les paramtres sont repris dans le
tableau 1.

[heures] [heures]
Pompe1 1,2 35000 0
Pompe2 1,2 100000 0
Pompe3 2 35000 0

Tableau 1 Paramtres des lois de Weibull des composanbts de l'installation hydraulique

La figure 8 reprsente les fonctions de dfaillance obtenues. En trait plein, il

s'agit de la fonction calcule par Reliabilitix. En pointill, ce sont les rsultats
fournis par Simulatrix : chaque temps de dfaillance ti, nous avons associ un
poids i/N avec N le nombre total de dfaillances ou simulations.

Recherchons maintenant avec Simulatrix un modle de Weibull qui convient le

mieux aux rsultats simuls. Nous obtenons la loi de fiabilit suivante : Weibull
avec 2,09 ; 30300 et 0 . La moyenne des temps de bon fonctionnement
(MUT) relative cette loi est gale 26837 heures. Cette valeur est comparer aux
27000 heures fournies par Reliabilitix pour cette installation. Nous remarquons que
les rsultats sont concordants.

4. Rflexion sur l'erreur induite par le nombre de simulations

Les lois de dfaillance utilises dans les calculs de fiabilit sont dans la plupart
des cas obtenues par une analyse statistique de dfaillances observes sur le terrain.
C'est la raison pour laquelle nous avons dvelopp Simulatrix. ce stade du
dveloppement, deux questions se posent. partir de combien de dfaillances la loi
obtenue convergera-t-elle de manire significative vers la loi relle? Quelle sera
l'incidence de ces carts sur les grandeurs de fiabilit, citons par exemple des
estimations de temps de bon fonctionnement?
 Feuille de style 11

Figure 8. Comparaison entre la fonction de dfaillance calcule par

Reliabilitix et simule par Simulatrix

Dans le cadre de cet article, nous particulariserons notre rflexion un

composant simple, un roulement dont la loi de fiabilit est une loi de Weibull avec
1,3 ; 40000 et 0 [BAR]. Nous faisons l'hypothse que pour un
composant donn et fonctionnant dans les mmes conditions de charge, de
temprature, d'humidit, etc, la loi de fiabilit (de dfaillance) est unique.

Concrtement, nous nous proposons de redterminer la loi de dfaillance du

roulement partir d'historiques de pannes. Pour cela, l'aide de Simulatrix, nous
gnrerons ces historiques auxquels nous ferons correspondre le modle de Weibull,
ce qui nous fournira diffrentes valeurs de et. Ensuite, nous rechercherons les
distributions statistiques de ces deux paramtres en fonction du nombre de
dfaillances simules. Enfin, nous valuerons l'incidence de l'incertitude affectant
ces paramtres sur les grandeurs caractristiques de fiabilit.
4.1. tude des distributions des paramtres de la loi de Weibull

Nous cherchons dterminer les distributions statistiques des paramtres et

de la loi de Weibull caractrisant le roulement, en fonction du nombre de
dfaillances disposition. Plus prcisment, nous calculerons et avec 5, 10, 20,
50, 100 et 1000 temps de dfaillances. De plus, afin de dterminer les distributions
de ces deux paramtres, nous en gnrerons un chantillon de 100 valeurs pour
chaque cas (n=100 est la valeur maximale propose dans la table du Khi-Deux).

Nous constatons que et se distribuent suivant une loi normale dont les
paramtres sont la moyenne m et l'cart-type que nous pouvons estimer. Pour cela,
pour chaque cas considr, calculons la moyenne x , l'cart-type s, ainsi qu'un
intervalle de confiance pour la moyenne m (7) et l'cart-type (8) (Tab. 2) [MON
99]. Les relations utilises sont les suivantes :
t / 2, n 1s t / 2, n 1s
x mx [7]
n n
avec t / 2, n 1 la loi de Student n-1 degrs de libert et 100(1-) le degr de
confiance.

(n 1) s 2 (n 1) s 2
2 [8]
2 / 2, n 1 12 / 2, n 1

avec 2 / 2, n 1 la loi du Khi-Deux n-1 degrs de libert et 100(1-) le degr de

confiance.

La figure 9 nous montre l'volution de la distribution de en fonction du nombre

de dfaillances N - les courbes frontires reprsentent les points y x 2 s . Ces
rsultats nous enseignent que pour le cas simple tudi, 1000 dfaillances sont
ncessaires pour dterminer prcisment la loi de fiabilit ( 1,28 m 1,30 et
40000 m 40400 ), ce qui parat dmesur dans la pratique. C'est la raison pour
laquelle nous nous interrogeons sur l'incidence des incertitudes affectant ces
paramtres sur des grandeurs telles que la fiabilit R(t), et la moyenne des temps de
bon fonctionnement (MUT).
 Feuille de style 13

Figure 9. volution de la distribution de en fonction du nombre de

dfaillances N

Nbre dfail. [heures]

x 1,28 1,16 m 1,39 x 44900 41600 m 48100
5
s 0,59 0,51 0,68 s 16300 14200 18800
x 1,23 1,12 m 1,34 x 43500 41200 m 45900
10
s 0,56 0,49 0,64 s 11800 10300 13600
x 1,28 1,22 m 1,37 x 41300 40000 m 42700
30
s 0,32 0,28 0,37 s 6800 5900 7800
x 1,24 1,20 m 1,28 x 41500 40400 m 42500
50
s 0,19 0,17 0,22 s 5400 4700 6200
x 1,26 1,24 m 1,29 x 40700 40000 m 41300
100
s 0,14 0,12 0,16 s 3300 2900 3800
x 1,29 1,28 m 1,30 x 40200 40000 m 40400
1000
s 0,043 0,038 0,050 s 1200 1000 1400

Tableau 2 Intervalles de confiance relatifs m et caractrisant et en fonction du

nombre de dfaillances (intervalle de confiance 95%)
 Afin de dterminer la dynamique de convergence, nous avons ralis cette tude
pour n=5, 10, 20 ,50. Les rsultats obtenus sont repris dans le tableau 3. Nous
remarquons que l'intervalle de confiance diminue quand n augmente.

N N [heures]
5
x 1,39 0,47 m 2,31 x 43612 33012 m 54212
s = 0,74 0,27 6 ,12 s = 8536 3064 70486
10
x 1,30 0,77 m 1,83 x 49142 39288 m 58995
s = 0,43 0,15 3,53 s = 7935 2848 65519
20
x 1,44 0,97 m 1,90 x 40873 35622 m 46124
s = 0,38 0,22 1,08 s = 4228 2533 12151
5
50
x 1,26 1,03 m 1,49 x 39807 36622 m 46992
s = 0,19 0,11 0,53 s = 5786 3466 16626
100
x 1,32 1,11 m 1,53 x 40164 36845 m 43484
s = 0,17 0,10 0,49 s = 2673 1601 7681
1000
x 1,31 1,26 m 1,36 x 40741 39421 m 42061
s = 0,04 0,01 0,30 s = 1063 381 8777
5
x 1,80 0,75 m 2,86 x 42077 32791 m 51363
s = 1,48 1,01 2,69 s = 12980 8928 23697
10
x 1,25 0,92 m 1,59 x 40310 33278 m 47342
s = 0,47 0,22 1,57 s = 9830 4651 32763
20
x 1,40 1,21 m 1,58 x 40784 36013 m 45556
s = 0,26 0,18 0,47 s = 6670 4588 12177
10
50
x 1,25 1,12 m 1,39 x 41693 38932 m 44453
s = 0,19 0,13 0,35 s = 3859 2654 7045
100
x 1,28 1,16 m 1,40 x 40104 38559 m 41649
s = 0,16 0,11 0,30 s = 904 1486 3943
1000
x 1,28 1,25 m 1,31 x 40176 39526 m 40823
s = 0,04 0,02 0,14 s = 2160 428 3015
5
x 1,61 0,81 m 2,41 x 40441 32082 m 48799
s = 1,71 1,30 2,50 s = 17860 13582 26085
10
x 1,21 1,04 m 1,37 x 45943 39755 m 52131
s = 0,35 0,27 0,51 s = 13221 10055 19310
20
x 1,21 1,03 m 1,38 x 40241 37083 m 43399
s = 0,38 0,29 0,55 s = 6747 5131 9854
20
50
x 1,16 1,08 m 1,24 x 41092 38892 m 43293
s = 0,17 0,13 0,25 s = 4702 3576 6868
100
x 1,24 1,16 m 1,32 x 41512 40068 m 42056
s = 0,16 0,13 0,24 s = 3085 2346 4506
1000
x 1,29 1,27 m 1,32 x 40439 39933 m 40943
s = 0,05 0,03 0,12 s = 1078 623 2300
 Feuille de style 15

5
x 1,47 1,27 m 1,67 x 44426 40082 m 48770
s = 0,71 0,59 0,88 s = 15286 12769 19051
10
x 1,16 1,07 m 1,26 x 41689 38250 m 45129
s = 0,32 0,27 0,40 s = 12103 10120 15084
20
x 1,26 1,17 m 1,35 x 42087 40011 m 44162
s = 0,32 0,26 0,39 s = 7302 6099 9100
50
50
x 1,25 1,19 m 1,30 x 41662 40429 m 42896
s = 0,19 0,16 0,24 s = 4341 3626 5410
100
x 1,24 1,20 m 1,28 x 40734 39648 m 41819
s = 0,14 0,11 0,17 s = 3819 3190 4759
1000
x 1,29 1,28 m 1,30 x 40132 39802 m 40463
s = 0,05 0,03 0,07 s = 1162 810 1805

Tableau 3. Intervalles de confiance relatifs m et caractrisant et en fonction du

nombre de dfaillances et de la taille de lchantillon n (intervalle de confiance 95%)

4.2. Incidence de l'incertitude affectant les paramtres et

La loi thorique que nous cherchons identifier est une loi de Weibull avec
=1,3 ; =40000 et =0. La moyenne des temps de bon fonctionnement (MUTtheo)
relative cette loi vaut 36943 heures. Au paragraphe 4.1, nous avons montr que
et suivaient une loi normale dont les paramtres sont repris dans le tableau 4.

Nous nous proposons maintenant de dterminer l'incidence de l'incertitude

affectant les paramtres et sur les grandeurs utilises en fiabilit. Pour cela,
considrons le domaine de variation des paramtres x 2 s (95% des valeurs). Nous
avons vrifi que les frontires du domaine de variation de la loi de fiabilit sont
dtermines par les quatre courbes dfinies par les valeurs extrmes de et
(courbes en trait interrompu de la figure 10) qui nous permettrons de dterminer les
erreurs maximales commises sur : la MUT, le temps (pour une fiabilit donne) et la
fiabilit (pour un temps donn). Les rsultats sont repris dans le tableau 4. On y
trouve les erreurs maximales MUTmax et tmax rapportes la MUTtheo ainsi que
l'erreur maximale de fiabilit Rmax.

De ces rsultats, nous concluons qu'il faut tre prudent lorsqu'on estime une loi
de fiabilit sur base d'un historique de dfaillances de taille rduite. L'erreur
commise peut tre considrable. Dans le cas simple que nous avons tudi, une
erreur admissible de 10% sur le temps est constate pour un historique de 20
dfaillances et une fiabilit R de 99%. Si maintenant, pour une mme erreur, le
niveau de fiabilit requis est de 90%, la taille de l'historique doit tre multiplie par
 Figure 10. Reprsentation du domaine de variation de la loi de fiabilit
dduite de simulations de dfaillances

5. Nous voyons aussi que les estimations de la MUT et de la fiabilit R(t) deviennent
acceptables partir d'une centaine de dfaillances.

MUTmax /
N Rmax
MUTtheo
R=90% R=95% R=98% R=99%
5 / 0,64 0,51 0,37 0,28 63% t= 19500 h
10 / 0,50 0,40 0,29 0,23 52% t= 3000 h
20 1,03 0,27 0,20 0,13 0,10 25% t= 11300 h
50 0,54 0,16 0,12 0,07 0,05 18% t= 14400 h
100 0,29 0,10 0,075 0,048 0,033 11% t= 15800 h
1000 0,08 0,035 0,023 0,014 0,009 4% t= 19440 h

Tableau 4. Erreurs maxiamles sur la MUT, le temps et la fiabilit

 Feuille de style 17

5. Conclusion

En conclusion, nous avons dvelopp deux outils d'analyse de fiabilit de

systmes complexes : Reliabilitix et Simulatrix. Tous les deux utilisent la mthode
de composition latine issue de la thorie des graphes. Reliabilitix met en oeuvre
une mthode de type analytique pour dterminer a priori la fonction de fiabilit du
systme, tandis que Simulatrix utilise une mthode a posteriori sur base d'un
historique des dfaillances.

Simulatrix s'avre prcieux non seulement comme moyen de validation des

modles analytiques utiliss dans Reliabilitix mais aussi comme estimateur de
l'incertitude sur les lois statistiques recherches, partir du moment o le nombre de
donnes est limit ; l'intrt est de dterminer les erreurs maximales pouvant tre
commises sur des grandeurs comme la fiabilit R(t) et la MUT.

Cette tude simple nous a permis de montrer que l'estimation d'une loi de
fiabilit sur base d'un historique de temps de dfaillance pourrait conduire des
erreurs d'apprciation importantes. De ce fait, dans la pratique, il serait intressant
d'accompagner les estimations ralises d'un intervalle de confiance.
Bibliographie

[BAR] Barringer & Associates. Weibull database.

http://www.barringer1.com/wdbase.htm.
[BAS 01] Olivier Basile et Pierre Dehombreux. Reliabilitix, a free MATLAB
Toolbox for Reliability Analysis. Recueil de Confrences et de
Communications du Colloque International La maintenance assiste
par Ordinateur, Outils, Mthodes et Technologies organis par l'ENIM
et la FPMs, Rabat (Maroc), pages P6/1-P6/11, 2001.
[CAR 72] Carter. Mechanical Reliability. MACMILLAN, 1972.
[DHI 99] B.S. Dhillon. Design Reliability: Fundamentals and Applications. CRC
Press Boca Raton (Fla.), 1999.
[EBE 97] Charles E. Ebeling. An Introduction to Reliability and Maintainability
Engineering. McGraw-Hill, 1997.
[LIG 92] Jean-Claude Ligeron et Patrick Lyonnet. La fiabilit en exploitation :
Organisation et traitement des donnes. Tec & Doc, 2me dition, 1992.
[GER 00] I. Gertsbakh. Reliability Theory with Applications to Preventive
Maintenance. Springer, 2000.
[KAU 75] A. Kaufmann, D. Grouchko, et R. Cruon. Modles mathmatiques pour
l'tude de la fiabilit des systmes. Masson, 1975.
[LEW 94] E. E. Lewis. Introduction to Reliability Engineering. McGraw-Hill, 2nd
edition, 1994.
[LYO 00] Patrick Lyonnet. La Maintenance, mathmatiques et mthodes. Tec &
Doc, 4me dition, 2000.
[MAR 74]Claude Marcovici et Jean-Claude Ligeron. Utilisation des techniques de
fiabilit en mcanique. Technique et documentation Paris, 1974.
[MON 99] Douglas C. Montgomery and Georges C. Runger. Applied Statistics and
Probability for Engineers. John Wiley & Sons, Inc, 2nd edition, 1999.
[PRO 96] Henri Procaccia et Patrick Morilhat. Fiabilit des structures des
installations industrielles. Eyrolles, 1996.
[ZHA 01] Ruoxe Zhang and Sankaran Mahadevan. Integration of computation and
testing for reliability estimation. Reliability Engineering and System
Safety, 74:13-21, 2001.