Holarch

Guide · Analyse

La simulation Monte-Carlo en ingénierie système : des estimations ponctuelles aux probabilités

Écouter ce guide (audio en anglais) 19 min

La simulation Monte-Carlo en ingénierie système remplace une seule meilleure estimation par une distribution de résultats. Ce guide traite du choix des distributions d'entrée, d'un nombre suffisant de tirages, de la lecture des percentiles et de la probabilité de satisfaire une exigence, de la corrélation et des erreurs habituelles, sur le passage d'imagerie d'un petit satellite d'observation de la Terre.

Sur cette page
  1. Pourquoi les estimations ponctuelles induisent en erreur
  2. Des entrées incertaines sous forme de distributions
  3. Exécuter de nombreux tirages
  4. Lire les résultats
  5. Combien de tirages suffisent
  6. La corrélation et son effet
  7. Erreurs courantes
  8. Exemple détaillé : le passage d'imagerie d'EO-1
    1. Les estimations ponctuelles
    2. Le résultat Monte-Carlo
    3. Le même exemple avec corrélation
  9. L'essayer dans Holarch
  10. Pour aller plus loin

Pourquoi les estimations ponctuelles induisent en erreur

La plupart des estimations techniques sont données sous la forme d'un seul nombre : la campagne d'intégration dure 14 semaines, la charge utile consomme 38 W, la station sol traite un passage en 45 minutes. Chaque nombre est généralement la valeur la plus probable, et additionner les valeurs les plus probables donne un total qui ne dit rien de la fréquence à laquelle il est dépassé, pour deux raisons.

  • Des entrées asymétriques. Les durées réelles des tâches sont rarement symétriques. Une tâche qui dure le plus probablement 6 minutes peut se terminer en 4, mais aussi en prendre 9 quand quelque chose tourne mal. La moyenne d'une telle tâche se situe au-dessus de sa valeur la plus probable, et la somme des moyennes au-dessus de la somme des valeurs les plus probables.
  • Le biais de convergence. Là où des chemins parallèles se rejoignent, le travail attend le plus lent. Le maximum attendu de plusieurs chemins incertains est supérieur au maximum de leurs valeurs attendues, car tout chemin en retard retarde l'ensemble.

Il en va de même pour les budgets. Un budget de masse ou de puissance construit à partir de valeurs nominales cache la probabilité que plusieurs éléments soient élevés en même temps, et un calendrier construit à partir de durées nominales cache la probabilité que le chemin critique s'allonge. Un seul nombre ne peut pas dire quelle est la probabilité qu'il tienne. Une distribution le peut.

La simulation Monte-Carlo est la façon la plus simple d'obtenir cette distribution : décrivez chaque entrée incertaine par une distribution de probabilité, tirez une valeur pour chaque entrée, calculez le résultat, et répétez de nombreuses fois. L'ensemble des résultats approche la distribution de la sortie, et vous y lisez les moyennes, les percentiles et la probabilité de satisfaire une exigence. Dans les termes de l'ISO/IEC/IEEE 15288, c'est un outil du processus d'analyse système, et son résultat constitue souvent la preuve d'une vérification par analyse, l'une des quatre méthodes d'une matrice de vérification des exigences.

Des entrées incertaines sous forme de distributions

Une distribution énonce ce que vous savez d'une entrée. Choisissez la plus simple qui corresponde à l'information dont vous disposez ; trois formes couvrent l'essentiel du travail d'ingénierie système. Les exemples proviennent du passage d'imagerie du satellite traité plus bas.

DistributionParamètresÀ utiliser quandExemple
UniformeMinimum et maximumVous connaissez les bornes et rien ne favorise une valeur plutôt qu'une autreEncoder et stocker une bande d'image prend de 20 à 40 secondes, selon le contenu de la scène
TriangulaireMinimum, valeur la plus probable, maximumLes experts peuvent donner une plage et une valeur la plus probable, souvent décalée vers le côté longL'envoi du plan d'imagerie prend de 4 à 9 minutes, le plus probablement 6
NormaleMoyenne et écart-typeDe nombreux petits effets indépendants s'additionnent, ou des données mesurées montrent une dispersion symétriqueLe traitement des produits d'image prend 45 minutes avec un écart-type de 10
  • Une distribution uniforme est honnête quand vous ne connaissez que les bornes, mais elle donne autant de poids aux extrêmes qu'au milieu.
  • Une distribution triangulaire est le choix habituel pour les estimations à trois points fournies par les ingénieurs. Sa moyenne vaut (min + valeur la plus probable + max) / 3 ; une longue queue supérieure place donc la moyenne au-dessus de la valeur la plus probable : 4, 6 et 9 minutes donnent une moyenne de 6,33.
  • Une distribution normale a des queues non bornées. Pour les durées, les masses et les autres grandeurs qui ne peuvent pas être négatives, gardez l'écart-type petit par rapport à la moyenne, ou utilisez une distribution avec une borne inférieure.
  • D'autres formes ont des usages spécifiques : log-normale pour les grandeurs qui sont un produit de facteurs, exponentielle pour les temps entre événements aléatoires, Weibull pour les temps de défaillance, bêta pour les fractions entre 0 et 1.

Gardez fixe ce qui n'est pas incertain. Un modèle dans lequel chaque entrée varie est plus difficile à revoir et cache les quelques entrées qui pilotent le résultat.

Exécuter de nombreux tirages

Un tirage Monte-Carlo est un résultat possible : chaque entrée incertaine reçoit une valeur aléatoire tirée de sa distribution, chaque décision est tirée avec sa probabilité, et le modèle calcule le résultat comme si c'était le cas réel. Une étude répète cela des centaines ou des milliers de fois avec des tirages indépendants. Deux règles pratiques :

  • Fixez la graine aléatoire quand le résultat devient une preuve. La même graine reproduit les mêmes tirages ; un relecteur peut donc refaire l'étude, et n'importe quel tirage peut être rejoué pour voir ce qui s'y est passé.
  • Gardez la logique du modèle dans le modèle. Les branches avec probabilités, les boucles avec nombre d'itérations et les limites de ressources ont leur place dans le flux même que la simulation exécute, et non dans un tableur séparé qui s'écarte de la conception. Le flux est généralement le scénario opérationnel issu de l'analyse fonctionnelle, avec des durées ajoutées.

Lire les résultats

Une étude produit une liste de résultats, un par tirage. Lisez-la de quatre façons.

  • Histogramme. La forme des résultats : où tombe la plupart des tirages, si la distribution est asymétrique et quelle est la longueur des queues.
  • Moyenne et écart-type. Des résumés utiles, avec un intervalle de confiance sur la moyenne qui se resserre à mesure que des tirages sont ajoutés. La moyenne seule ne dit rien du risque.
  • Percentiles. P50 est la médiane : la moitié des tirages se terminent en dessous. P90 ou P95 est une valeur d'engagement : le résultat atteint dans 90 % ou 95 % des cas. Les calendriers et les budgets sont souvent engagés à P80 ou P90 plutôt qu'à la moyenne.
  • Probabilité de satisfaire une exigence. La part des tirages qui respectent un seuil, par exemple « temps total d'au plus 100 minutes ». Lisez-la sur la courbe de probabilité cumulée (la courbe en S), qui trace, pour chaque valeur x, la part des tirages dont le résultat est au plus x. Une exigence énoncée avec une probabilité (« dans au moins 90 % des cas ») se contrôle directement par rapport à ce nombre.

La marge se lit de la même façon : la différence entre le seuil et la moyenne est la marge en moyenne ; la différence entre le seuil et la valeur P90 ou P95 est la marge dont vous disposez au niveau de confiance sur lequel vous vous engagez.

Combien de tirages suffisent

Un résultat Monte-Carlo est lui-même une estimation, et sa précision croît comme la racine carrée du nombre de tirages. Pour une probabilité p estimée à partir de N tirages, l'erreur type vaut environ √(p(1 − p) / N). Près de 0 % ou de 100 %, l'intervalle simple de ±2 erreurs types est médiocre ; le tableau utilise donc l'intervalle de Wilson, qui reste entre 0 et 100 %.

Tirages (N)Tirages qui respectent le seuil (p ≈ 97,6 %)Erreur typeIntervalle à 95 %
100981,5 point de pourcentage93,0 % à 99,4 %
2001951,1 point de pourcentage94,3 % à 98,9 %
1,0009760,5 point de pourcentage96,5 % à 98,4 %
2,0001,9510,3 point de pourcentage96,8 % à 98,1 %
10,0009,7560,15 point de pourcentage97,2 % à 97,8 %

Le test pratique : l'étude compte assez de tirages lorsque l'intervalle de confiance du nombre sur lequel vous décidez ne franchit plus la ligne de décision. Dans l'exemple ci-dessous, l'exigence demande 90 % ; même 100 tirages donnent un intervalle qui reste au-dessus de 90 %, le verdict est donc acquis tôt. Si l'estimation avait été de 91 % avec un intervalle de 88 % à 94 %, il aurait fallu plus de tirages. Les moyennes se stabilisent vite ; les percentiles dans les queues (P95, P99) et les faibles probabilités d'échec demandent beaucoup plus de tirages, car seuls quelques tirages y aboutissent.

La corrélation et son effet

Tirer chaque entrée indépendamment suppose qu'une longue transmission ne dit rien du traitement qui suit. C'est souvent faux : un grand volume de données ralentit les deux, un satellite froid ralentit plusieurs étapes de mise en température, une structure lourde nécessite un mécanisme plus lourd. Les entrées qui partagent une cause sont corrélées.

Une corrélation positive ne change pas la moyenne d'une somme, mais elle élargit la dispersion : les valeurs hautes arrivent ensemble et les valeurs basses arrivent ensemble au lieu de se compenser. Les queues s'éloignent, et la valeur P90 ou P95 sur laquelle repose un engagement s'éloigne avec elles. Ignorer une corrélation positive réelle sous-estime donc le risque.

Façons de la traiter :

  • Modéliser explicitement la cause commune : tirer le volume de données une fois par tirage et en dériver les deux durées.
  • Tirer les entrées corrélées à partir d'un nombre aléatoire partagé, pour qu'elles évoluent ensemble d'un tirage à l'autre.
  • À tout le moins, exécuter l'étude une fois avec des entrées indépendantes et une fois avec des entrées entièrement corrélées, et présenter les deux : la réalité se situe entre elles.

Erreurs courantes

ErreurPourquoi c'est trompeurÀ la place
Fausse précisionAnnoncer « P(satisfaction) = 97,56 % » à partir de plages d'entrée devinées suggère une certitude que les entrées n'ont pasArrondir à ce que les entrées justifient, donner l'intervalle de confiance et indiquer d'où viennent les plages
Des entrées supposées indépendantes qui ne le sont pasLes causes communes sont ignorées, la dispersion est trop étroite et les queues trop courtesModéliser la cause commune, ou encadrer le résultat par une étude indépendante et une étude corrélée
Ignorer les queuesNe présenter que la moyenne cache la fréquence à laquelle l'exigence n'est pas satisfaitePrésenter P50 et P90 ou P95, ainsi que la probabilité de respecter chaque seuil
Des plages symétriques pour des grandeurs asymétriquesUne distribution normale autour de la valeur la plus probable supprime la longue queue supérieureUtiliser une forme triangulaire ou log-normale quand les dépassements sont plus grands que les gains
Trop peu de tiragesLe verdict change quand l'étude est répétée avec une autre graineAjouter des tirages jusqu'à ce que l'intervalle ne franchisse plus la ligne de décision
Un modèle qui diffère de la conceptionUne copie du flux dans un tableur s'écarte de la séquence réelle, de ses chemins parallèles et de ses décisionsSimuler le flux conservé dans le modèle, pour qu'une modification de conception atteigne l'analyse

Exemple détaillé : le passage d'imagerie d'EO-1

EO-1 est un CubeSat 6U qui photographie des terres agricoles, la mission fictive de l'exemple de projet MBSE. Sa spécification des exigences système contient une exigence de temps vérifiée par analyse :

6.5 Planning Cycle Time. The mission shall complete each planning cycle, from target list uplink to product delivery, within 100 minutes.

Le plan de vérification de 6.5 indique : une simulation Monte-Carlo du passage d'imagerie respecte 100 minutes avec une probabilité d'au moins 90 %. La Measure MOE-7 Planning Cycle Time spécifie l'exigence, avec un seuil de 100 minutes et un objectif de 80 minutes.

Le déroulement opérationnel est l'action OPS Run Nominal Imaging Pass. La station sol envoie le plan d'imagerie, le satellite le décode et le charge, puis se tourne vers la première cible pendant que la caméra chauffe. Il photographie quatre cibles, chacune étant une bande prise puis encodée. Si un contact sol est visible (75 % des passages), il transmet les données ; sinon, il les conserve pour le passage suivant. Enfin, la batterie se recharge au soleil pendant que le sol reçoit la transmission et traite les produits d'image.

ActionPosition dans le fluxDuréeValeur la plus probable (min)Moyenne (min)
OPS.1 Transmit Imaging PlanDébutTriangulaire, 4 à 9 minutes, mode 666.33
OPS.2 Receive Imaging PlanEnsuiteFixe, 1 minute11
OPS.3 Load Command ScheduleEnsuiteFixe, 2 minutes22
OPS.4 Rotate to TargetEn parallèle avec OPS.5Normale, moyenne 3, écart-type 0,5 minute33
OPS.5 Prepare CameraEn parallèle avec OPS.4Fixe, 5 minutes55
OPS.6 Capture Image StripBoucle, 4 ciblesNormale, moyenne 40, écart-type 6 secondes0,67 par cible0,67 par cible
OPS.7 Encode and Store ImageBoucle, 4 ciblesUniforme, 20 à 40 secondes0,50 par cible0,50 par cible
OPS.8 Transmit Image DataContact visible (75 %)Normale, moyenne 8, écart-type 1,5 minute88
OPS.9 Hold Data OnboardPas de contact (25 %)Fixe, 1 minute11
OPS.10 Recharge Battery in SunlightEn parallèle avec OPS.11 et OPS.12Fixe, 35 minutes3535
OPS.11 Receive DownlinkPuis OPS.12Fixe, 9 minutes99
OPS.12 Process Image ProductsAprès OPS.11Normale, moyenne 45, écart-type 10 minutes4545

Les estimations ponctuelles

  • Valeurs les plus probables, en prenant la branche de contact, la plus probable : 6 + 1 + 2 + max(3, 5) + 4 × (0,67 + 0,50) + 8 + max(35, 9 + 45) = 80,7 minutes. Face au seuil de 100 minutes, cela ressemble à près de 20 minutes de marge.
  • Valeurs moyennes, en pondérant les deux branches par leur probabilité (0,75 × 8 + 0,25 × 1 = 6,25) : 6,33 + 1 + 2 + 5 + 4,67 + 6,25 + max(35, 54) = 79,25 minutes.

Les deux nombres disent que le passage tient largement. Aucun ne dit à quelle fréquence il ne tient pas, et c'est exactement ce que demande l'exigence.

Le résultat Monte-Carlo

Une étude du même flux tire chaque durée et la décision de contact à chaque tirage, et laisse les chemins parallèles faire la course. Le tableau donne un contrôle sur un million de tirages calculé séparément en Python et l'étude Holarch de 2 000 tirages présentée dans les captures d'écran ci-dessous. Elles utilisent des générateurs de nombres aléatoires différents et diffèrent donc de l'erreur d'échantillonnage (pour 2 000 tirages, environ 0,25 minute sur la moyenne, 0,5 minute sur P95 et 0,35 point de pourcentage sur une probabilité).

SortiePython, 1 000 000 de tiragesHolarch, 2 000 tirages, graine 2026
Temps total moyen79,35 minutes79,35 minutes
Écart-type10,35 minutes10,16 minutes
P5 / P50 / P9562,4 / 79,3 / 96,6 minutes62,4 / 79,4 / 96,0 minutes
P9092,8 minutes92,4 minutes
P(total ≤ 80 minutes), l'objectif de MOE-752.7%52.4%
P(total ≤ 100 minutes), exigence 6.597.6%97,8 % (1 955 sur 2 000 ; intervalle à 95 % de 97,0 % à 98,3 %)

Ce que disent les nombres :

  • L'exigence est satisfaite. Environ 97,6 % des passages se terminent en moins de 100 minutes, bien au-dessus des 90 % requis, et l'intervalle issu de 2 000 tirages reste largement au-dessus de 90 %.
  • La marge est plus petite qu'elle n'en a l'air. La marge sur la moyenne est d'environ 20,6 minutes, mais la valeur P95 est d'environ 96,6 minutes ; à 95 % de confiance, il ne reste donc qu'environ 3,4 minutes. Environ un passage sur quarante dépasse le seuil. Dans presque tous ces tirages, OPS.12 Process Image Products a pris plus d'une heure (67 minutes en moyenne, contre sa moyenne de 45), et dans 95 % d'entre eux la branche de contact a ajouté la transmission de 8 minutes.
  • L'objectif est un pile ou face. L'objectif de 80 minutes de MOE-7 se situe presque exactement sur la médiane : il n'est atteint que dans environ la moitié des passages. L'estimation la plus probable de 80,7 minutes le cache complètement.
  • Le biais de convergence est faible ici. La moyenne de 79,35 minutes ne dépasse que de 0,1 minute l'estimation par les valeurs moyennes, car la chaîne sol (OPS.11 et OPS.12, moyenne de 54 minutes) n'est plus courte que la recharge de 35 minutes que dans environ 3 % des tirages. Dans un flux dont les chemins parallèles ont des longueurs plus proches, l'écart grandit.

L'étude indique aussi le levier. OPS.12 Process Image Products porte l'essentiel de la dispersion (un écart-type de 10 minutes, contre environ 3 minutes pour la décision de contact et 1 minute pour tout le reste) ; resserrer le temps de traitement déplace donc la queue, alors qu'accélérer les étapes du satellite change peu de choses.

Le même exemple avec corrélation

La transmission et le traitement dépendent tous deux de la quantité de données d'image produite par le passage : plus de données signifie une transmission plus longue et un traitement plus long. Tirer OPS.8 et OPS.12 à partir d'un nombre aléatoire partagé par tirage (8 + 1,5z et 45 + 10z minutes pour la même variable normale centrée réduite z), pour qu'une longue transmission s'accompagne d'un long traitement, conserve les deux distributions telles quelles et donne :

SortieIndépendantes (Python / Holarch)OPS.8 et OPS.12 corrélées (Python / Holarch)
Moyenne79,35 / 79,35 minutes79,35 / 79,04 minutes
Écart-type10,35 / 10,16 minutes11,35 / 11,44 minutes
P9596,6 / 96,0 minutes98,5 / 99,0 minutes
P(total ≤ 100 minutes)97.6% / 97.8%96.1% / 96.2%

La moyenne est inchangée et la dispersion augmente d'environ un dixième. La valeur P95 s'éloigne d'environ deux minutes, ce qui réduit la marge à 95 % de confiance d'environ 3,4 minutes à environ 1,5. L'exigence est toujours satisfaite à 90 %, mais un engagement plus strict, comme 100 minutes dans 95 % des passages, serait désormais limite. Pour un engagement à P95, le cas corrélé est le plus sûr pour la planification.

Télécharger l'exemple : l'étude d'incertitude du passage d'imagerie d'EO-1 sous forme de classeur Excel (les entrées avec leurs distributions, les résultats indépendants et corrélés avec percentiles et P(satisfaction), et le tableau du nombre de tirages), ou les mêmes données en CSV : entrées et distributions du passage d'imagerie et résultats Monte-Carlo, percentiles et P(satisfaction). Utilisez-le comme modèle pour présenter votre propre étude.

L'essayer dans Holarch

Dans Holarch, Monte-Carlo s'exécute sur le flux d'actions du modèle : le même Diagramme d'Action qui décrit l'opération est le modèle simulé. La Durée de chaque Action est un nombre fixe ou une distribution avec une unité, comme =triang.dist(4, 9, 6) minutes (minimum, maximum, mode), =norm.dist(40, 6) secondes ou =uniform.dist(20, 40) secondes. Dix distributions sont disponibles, dont bêta, log-normale, exponentielle et Weibull. Voir Simulation pour les détails.

Le passage d'imagerie sous forme de Diagramme d'Action, entrées/sorties et ressources masquées : la boucle s'exécute quatre fois, le OR décide du contact, et le dernier parallèle attend le plus lent de la recharge et du traitement au sol.
  1. Créez le projet CubeSat avec Gérer les projets → Fichiers de projet ▾ → Nouveau projet de démonstration → CubeSat (ingénierie système guidée). Il contient déjà OPS Run Nominal Imaging Pass avec les durées du tableau, l'exigence 6.5 et la Measure MOE-7.
  2. Ouvrez le Diagramme d'Action de l'action et choisissez ▶ Simuler ▾ → Monte-Carlo. Réglez Exécutions sur 2000, Graine aléatoire sur 2026 et Faire varier les durées fixes sur Aucun (la démonstration ajoute ±10 % aux durées fixes par défaut ; l'étude présentée ici les garde fixes), puis appuyez sur ▶ Exécuter Monte Carlo.
  3. Lisez Statistiques, Distribution des durées et Probabilité cumulée (courbe en S) dans l'onglet Distribution. Saisissez 100 dans le champ x de la courbe en S pour lire P(X ≤ 100 min).
Distribution des durées et courbe en S pour 2 000 tirages avec la graine 2026. La lecture donne la probabilité de terminer en moins de 100 minutes.
  1. Ouvrez l'onglet Drivers pour voir quelles actions prennent le temps sur l'ensemble des tirages et quelles combinaisons de branches se sont produites.
  2. Cliquez sur Contrôler par rapport à une exigence… et choisissez la Measure MOE-7 Planning Cycle Time. Elle remplit le critère (≤ 100 minutes, d'après son seuil et son sens d'amélioration) et l'exigence 6.5 ; gardez la probabilité requise de 90 %. Le tableau donne P(satisfaction) avec son intervalle de confiance, la marge et le verdict. Basculez Utiliser sur Objectif pour contrôler l'objectif de 80 minutes, qui échoue à environ 52 %.
Le contrôle de l'exigence : P(satisfaction) est bien au-dessus des 90 % requis ; le résultat est donc Pass.
  1. Consigner le résultat… prévisualise les modifications : la Projected Value de MOE-7 devient la moyenne, et un Test Case qui vérifie 6.5 reçoit le statut Passed et le texte du résultat. Appliquez-les en une seule étape d'annulation.

L'éditeur de Durée de Holarch tire chaque distribution indépendamment. La comparaison corrélée ci-dessus a utilisé des Durées pilotées par des scripts qui lisent une valeur partagée par tirage, ce que l'éditeur de Durée ne propose pas encore. Pour encadrer la corrélation dans votre propre modèle, comparez l'étude indépendante avec un calcul entièrement corrélé réalisé hors de l'outil. L'énergie de la batterie au cours du passage est aussi simulée : la quantité minimale et la quantité finale de la ressource Battery Charge sont des sorties Monte-Carlo que le contrôle d'exigence accepte. Les budgets de masse et de puissance avec provisions pour aléas et marges sont tenus dans Budgets et TPM, et le même raisonnement s'applique aux valeurs incertaines d'une étude de compromis : un classement qui s'inverse à l'intérieur des plages d'entrée n'est pas encore une décision.

Pour aller plus loin

  • Simulation : exécutions à événements discrets et Monte-Carlo, les panneaux et le contrôle d'exigence.
  • Budgets et TPM : consolidations avec provisions pour aléas, allocations, marges et mesures de performance.
  • Diagrammes d'Action : le flux, les constructions, les ressources et les scripts que lit une simulation.