Modélisation de la fiabilité des systèmes avec seuil de défaillance aléatoire soumis à des chocs cumulatifs en utilisant une méthode d'apprentissage automatique

Résumé La modélisation et l'évaluation de la fiabilité d'un système est un enjeu clé dans l'analyse des modèles de chocs. Dans le modèle de choc cumulatif, un système échoue lorsque les dommages totaux causés par les chocs dépassent le niveau de seuil de défaillance du système. La fiabilité d'un système avec un niveau de seuil de défaillance aléatoire sous chocs cumulatifs est étudiée dans ce travail, en tenant compte de la dépendance générale entre les temps d'inter-arrivée des chocs et les magnitudes de leurs dommages. Le clustering, en tant que l'une des méthodes d'apprentissage automatique non supervisées, est utilisé ici en appliquant un algorithme génétique (AG) et un algorithme d'optimisation par essaim de particules (PSO) pour sa mise en œuvre. Les distributions de type phase (PH) et leurs propriétés sont également appliquées pour trouver des fonctions de distribution de défaillance du système, déterminer les convolutions, évaluer les intégrales et finalement modéliser la fiabilité du système. Un exemple illustratif est fourni pour démontrer la mise en œuvre et l'efficacité de la procédure de modélisation proposée et l'approche suggérée pour le calcul de la fiabilité du système et de la durée de vie utile restante (RUL). De plus, un exemple d'étude de cas d'une machine à rayons X dans l'industrie de la santé est fourni pour démontrer l'application du modèle proposé. L'application d'autres méthodes d'apprentissage automatique pour la reconnaissance de motifs est un domaine de recherche future.