Les six schémas de défaillance sont les six courbes de probabilité conditionnelle de défaillance identifiées par Stanley Nowlan et Howard Heap dans leur étude de fiabilité de 1978 pour United Airlines, montrant que les chances qu'un actif donné tombe en panne ne suivent pas une forme universelle d’« usure ».
Leur travail, financé par le département de la Défense des États-Unis et plus tard fondateur de la Maintenance centrée sur la fiabilité (RCM), a renversé une supposition rassurante: que la plupart des équipements vieillissent de manière prévisible et peuvent être protégés par des révisions programmées. Les données disaient le contraire.
Pour les planificateurs de maintenance, c’est la raison la plus importante de détourner les dépenses des révisions aveugles basées sur le calendrier vers des interventions basées sur l’état.
Nowlan et Heap ont tracé, pour de grandes populations de composants d’avion, comment la probabilité conditionnelle de défaillance variait en fonction de l’âge d’exploitation. La probabilité conditionnelle est la chance qu’un élément tombe en panne au cours de l’intervalle suivant étant donné qu’il a survécu jusqu’à présent.
Ils ont constaté que ces courbes se regroupaient en six formes distinctes et, de façon cruciale, que seules trois d’entre elles montrent un risque de défaillance croissant avec l’âge.
Les trois autres sont stables ou décroissent avec le temps, ce qui signifie que les pièces plus anciennes ne sont pas plus susceptibles de tomber en panne que les plus récentes.
Cette découverte est étroitement liée à, mais plus large que, la classique courbe en baignoire, qui n’est qu’un des six schémas. La courbe en baignoire est intuitive et toujours enseignée partout, pourtant elle décrivait une minorité des composants étudiés. Comprendre les six schémas exige une maîtrise opérationnelle des statistiques de défaillance ; la loi de Weibull est l’outil habituel pour ajuster ces courbes aux données réelles.
En additionnant les trois schémas liés à l’âge (A, B et C), on atteint approximativement 11 %. Les 89 % restants (D, E et F) sont dominés par des défaillances aléatoires ou en début de vie où une révision programmée n’apporte rien d’utile et peut même introduire de nouveaux défauts de mortalité infantile.
Imaginez une flotte de 200 roulements de boîte de vitesses identiques qui suivent le Schéma F. Dans les 500 premières heures de fonctionnement, des défauts de mortalité infantile (mauvaise installation, contamination) provoquent 12 pannes. Après cette période de rodage, la population se stabilise à un taux aléatoire bas d’environ 1 panne pour 1 000 heures de roulement de palier.
Un planificateur fixe un remplacement programmé « sûr » à 4 000 heures. Parce que les roulements ne s’usent pas, chacun de ces remplacements remplace un roulement sain par un neuf, et chaque nouvelle installation retourne dans la zone de mortalité infantile de 500 heures.
Si même 6 % des nouvelles installations comportent un défaut, vous avez délibérément fabriqué une nouvelle vague de pannes précoces sur un composant qui fonctionnait bien. La PM calendaire n’a pas réduit le risque; elle l’a recyclé.
Une approche de maintenance basée sur l’état qui surveille les vibrations et la température laisserait les roulements sains tranquilles et agirait seulement sur ceux qui se dégradent réellement.
La conclusion pratique n’est pas « arrêtez la maintenance préventive ». Il s’agit d’adapter la tactique au schéma. Le remplacement basé sur le temps ne vaut la peine que pour les composants qui montrent réellement un vieillissement par usure (schémas A, B et C, et encore, seulement lorsqu’il existe un point d’usure clair et dominant).
Pour les autres, la réponse RCM consiste en tâches conditionnelles, contrôles de détection de défaillance, refonte, ou une décision délibérée de courir jusqu’à la défaillance lorsque les conséquences sont tolérables.
C’est aussi ici que le débat plus large entre maintenance réactive et proactive devient plus net : « proactif » ne signifie pas nécessairement « piloté par le calendrier », et souvent ne devrait pas l’être.
La raison inconfortable pour laquelle de nombreuses usines se rabattent sur la PM calendaire est qu’elles n’ont pas l’historique de pannes nécessaire pour tracer ces courbes. Classer un composant comme aléatoire ou par usure nécessite des enregistrements d’échecs horodatés, les heures de fonctionnement et des relevés d’état.
Sans cela, les planificateurs se tournent vers l’horaire qui semble le plus sûr. Une analyse fiable des schémas dépend d’une GMAO (CMMS) disciplinée qui capture chaque ordre de travail avec son mode de défaillance, et de signaux d’état en temps réel plutôt que de rondes manuelles.
Des données plus propres améliorent aussi directement votre taux de rendement global (OEE) , car les arrêts non planifiés diminuent lorsque la maintenance cible les actifs qui se dégradent réellement.
Appliquer les six schémas de défaillance ne vaut que ce que valent les données en dessous, et c’est la couche que fournit Fabrico.
Fabrico est une plateforme de surveillance de la production et d’OEE en temps réel associée à une GMAO prête pour le terrain, vous donnant l’historique de pannes horodaté, les heures de fonctionnement et le détail des ordres de travail nécessaires pour classer le véritable comportement de défaillance de chaque actif au lieu de deviner.
Sa surveillance par vision par ordinateur lit l’état des machines même sur des équipements plus anciens sans automate, de sorte que des signaux d’état sont disponibles sur les actifs legacy qui suivent le plus souvent des schémas aléatoires ou de mortalité infantile.
Les ordres de travail, registres des actifs, planification préventive et suivi des pièces de rechange sont regroupés en un seul endroit, et Fabrico est développé dans l’UE avec résidence des données dans l’UE.
Fabrico est la base de données en temps réel qui permet à une équipe fiabilité de décider, sur la base de preuves, quels actifs méritent un calendrier et lesquels méritent d’être surveillés.
Non. Cela signifie que le remplacement programmé strict n’est efficace que pour les quelque 11 % de composants dont le risque de défaillance augmente réellement avec l’âge. Pour ces actifs, c’est exactement la bonne tactique.
Le point important est qu’appliquer un calendrier aux 89 % restants gaspille de la main-d’œuvre et des pièces et peut introduire de nouvelles défaillances précoces; la tactique doit donc être adaptée au schéma réel de chaque composant.
La courbe en baignoire n’est qu’un des six schémas (Schéma A). Nowlan et Heap ont montré qu’elle ne s’appliquait qu’à une faible part des composants étudiés. Traiter la baignoire comme universelle amène les planificateurs à s’attendre à une zone d’usure que la plupart des équipements n’atteignent jamais, ce qui est précisément l’hypothèse que leur recherche a corrigée.
Vous avez besoin de l’historique des pannes par actif avec dates et heures de fonctionnement, du mode de défaillance pour chaque événement, et idéalement des données d’état telles que les tendances de vibration ou de température.
Avec suffisamment d’enregistrements, vous pouvez ajuster une courbe de Weibull par mode de défaillance et voir lequel des six schémas domine. La plupart des usines constatent que le frein est la discipline de capture des données, et non les statistiques elles‑mêmes.
Prêt à arrêter de programmer des révisions sur des actifs qui ne s’usent jamais ? Voyez comment Fabrico transforme les données machine en temps réel et l’historique structuré des ordres de travail en base de preuves pour des décisions de maintenance plus intelligentes. Réservez une démo Fabrico et mettez vos données de pannes au travail.
Connexion
Blog
