Sei sulla pagina 1di 34

PROCESSOS ESTOCSTICOS

Modelagem de falhas, Tcnicas de Markov para


modelagem da confiabilidade de sistemas

Modelagem de falhas

Confiabilidade de sistemas
Necessrio modelar o comportamento do sistema,
identificando os seus estados.
Importncia do estado fora de operao, que causado
por uma falha.
Para mensurar a confiabilidade, geralmente atravs de
uma probabilidade, torna-se indispensvel obter alguma
medida da freqncia com que o sistema falha:
Taxa de falha (transio, risco Hazard Rate)
Considerar a possibilidade de reparo.
2

Taxa de falha em um momento t


f (t)
f (t )
Prob. de falha entre t e t 1
Z( t )

1 F( t ) R ( t ) Prob. de sobrevivncia de 0 a t
Z(t): taxa de falha no momento t
f(t): funo densidade de probabilidades de falha
F(t): funo distribuio acumulada de falha.
R(t): confiabilidade do sistema
Raciocnio anlogo para a taxa de reparo (t).

Dados para os modelos de falha


Testes de

tempo de vida.
Dados operacionais do sistema (campo).
Em t = 0, N componentes so colocados em
operao, e no tempo t existem apenas n(t)
sobreviventes
Deduzir as expresses da funo densidade de falha
e da taxa de falha propriamente dita.

Funo densidade de falha fd(t)

Supe-se que N componentes foram colocados em operao


no instante t = 0, e no tempo t h apenas n(t) sobreviventes.
fd(t) definida no intervalo de tempo ti < t < ti + ti:

fd

n ( t i ) n ( t i t i ) / N
(t)
t i

Fd ( t ) f d ( t )dt

Velocidade global das falhas

R d (t ) 1 Fd (t )

0
5

Taxa de falha Zd(t)

Zd

Taxa de falha no intervalo ti < t < ti + ti

n ( t i ) n ( t i t i ) / n ( t i )
(t)
t i

Velocidade instantnea das falhas

Questo: relacionar as funes com o tempo para a falha dos


componentes probabilidade de falha em funo do tempo?

Tempo de falha

Varivel aleatria : tempo de falha de um componente.


P( t) = F(t)
Prob. de sucesso: R(t) = 1 F(t) = P( > t)

n ( t ) n ( t t )
1 dn ( t )
f ( t ) lim

t 0
Nt
N dt

Populao de N elementos com a mesma distribuio de


falhas no tempo, com probabilidade de sucesso dada por
R(t).
Se N(t) uma v.a. que representa o nmero de sobreviventes
no tempo t: N(t) tem distribuio binomial com p = R(t)
n(t) = E[N(t)]= NR(t)
R(t) = n(t)/N
7

Taxa de falha Z(t)


n ( t ) n ( t t )
n ( t ) n ( t t ) 1
1
Z( t ) lim
lim
Nf ( t )
t 0
t 0
n ( t )t
t
n(t )
n(t )
f (t )
1 dn ( t ) N
d
Z( t )

[ln n ( t )]
R (t)
N dt
n(t )
dt

ln n ( t ) Z( t )dt
0

n(t) N e

Z ( t ) dt
0

Z ( t ) dt
0

n(t)
R (t)
e
N

Modelos para Z(t)


8

Principais modelos de falha

1) Taxa de falha crescente: til no perodo de envelhecimento


dos componentes.
1 2
1 2

Kt
Kt

Z(t) = Kt
2
2

f ( t ) Kt e

R ( t ) e

R(t)

f(t)
1

1
e

K
e

1
K

1
K

t
9

Principais modelos de falha

2) Taxa de falha linearmente decrescente: til quando as


falhas vo diminuindo ao longo do tempo (fase inicial de vida
do equipamento).

K 0 K 1 t

Z( t ) 0
K ( t t )
0

0 t K 0 / K1
K 0 / K1 t t 0

Z(t)
K0

t 0 t

K0/K1

t
10

Principais modelos de falha

3) Curva usual para risco de falha: curva da banheira


Z(t)

Vida til

Queima

Envelhecimento

11

Principais modelos de falha

4) Taxa de falha constante: Z(t) = .


f(t) = e -t
R(t) = e -t = 1 F(t)
Distribuio independe do passado: vida restante no
depende de quanto tempo o componente est em funcionamento
f(t)

Z(t)

F(t)

1
1
1
e

R(t)

1
1
e
1

t
12

Tempo Mdio Para Falha

Caracterizao do modelo de falha por um nico parmetro.


Do teste de vida feito em uma populao de N elementos com
tempos de falhas t1, t2, ..., tn:
1 n
TMPF t i
N i 1
Usando um modelo de risco:

TMPF E( t ) tf ( t )dt
0

TMPF E( t ) tR( t ) R ( t )dt

Para a exponencial: R(0) = 1, R() = 0.

TMPF R ( t )dt
0

13

Tempo Mdio Entre Falha

Somente tem sentido se houver renovao: reparo ou troca


do componente falhado.
t1

TMPF

TMPR

t2

TMPF

TMPR

t3

TMPF

TMEF = TMPF + TMPR


= taxa de falha

= taxa de reparo

Exponencial: TMPF=1/

14

Exemplo 1

Seja z uma taxa de transio qualquer: se falha = , se reparo


= , se uma transio do estado 1 para o 2 = 12.
n

TMPF = 1/ , TMPR = 1/

2
Estado 1

TMPF1 1 / 1i
5

Estado 2

no. falhas
3
12

tempo operao 8

i 1

T = 11

P1 = 8/11
15

Modelagem de um sistema por cadeias


de Markov

Sistemas sem memria: somente o estado imediatamente


anterior influencia o estado futuro.
Processo estacionrio: probabilidades de transio de um
estado para outro so as mesmas em qualquer instante de
tempo.
Problema:
Encontrar as probabilidades de transio a partir de dados
histricos ou experimentais;
Encontrar as probabilidades limites do sistema estar em
cada um dos seus estados.
16

Matriz de transio

Matriz de transio estocstica (2 estados):

P11 P12
P

P21 P22

Soma de cada linha = 1

Pij = probabilidade da transio do estado i para o estado j,


depois de 1 intervalo de tempo, dado que o sistema estava no
estado i no incio do intervalo.

17

Probabilidades de Estados

As probabilidades do sistema estar nos estados 1 e 2 aps n


perodos de tempo:

P2 P1
n

P11 P12
P2

P21 P22
0

P10 e P20 so as condies iniciais do sistema: se o sistema


partir do estado 1, P10 = 1 e P20 = 0, e vice-versa caso partir do
estado 2.
18

Probabilidades limite

Sob certas condies, as probabilidades de estado


estabilizam-se aps vrios perodos de tempo em
determinados valores, denominadas probabilidades limite
(ou de regime permanente) da cadeia de Markov.
As probabilidades sero denominadas P1 e P2 para o caso de
dois estados, e satisfazem equao:

P1

P11 P12
P2
P1 P2

P21 P22

Sabendo-se que P1 + P2 =1

19

Exemplo 2
Processo com dois estados possveis: tempo bom e tempo ruim

1/2
1/2

Tempo bom
(1)

Tempo ruim
(2)

3/4

1/4

20

Probabilidades de transio

Como estar o tempo aps 2 transies (2 dias), supondo que a


condio inicial seja tempo bom estado 1: rvore de
probabilidades.
1/2
1
1/2

P1

P2

1/2

0 (CI)

1/4

1/2

1/2

3/4

3/8

5/8

1
1/2

CI: t =0

t =1

t=2

21

Exemplo 2 Continuao
Matriz de transio:

P11 P12 1 / 2 1 / 2
P

P
P
1
/
4
3
/
4

21 22

Aps 2 intervalos de tempo:


2

5/8
1 / 2 1 / 2 3 / 8
P

1 / 4 3 / 4 5 / 16 11 / 16
2

Aps n intervalos de tempo:

1 / 2 1 / 2
P

1
/
4
3
/
4

22

Exemplo 2 Probabilidades Limite

Aps 2 estados quais so as probabilidades do sistema estar


nos estados 1 e 2?
Supondo P10 = 1 e P20 = 0:

P2

Supondo

P2

5/8
3/8
1 0
3 / 8 5 / 8

5 / 16 11 / 16

P10 = 0 e P20 = 1:

5/8
3/8
0 1
5 / 16 11 / 16

5 / 16 11 / 16
23

Exemplo 2 Probabilidades Limite


P1

1 / 2 1 / 2
P2
P1

1 / 4 3 / 4

P2

P1 (1 / 2) P2 (1 / 4) P1
Eqs. Linearment e Dependentes
P1 (1 / 2) P2 (3 / 4) P2

Mas, sabe-se que P1 + P2 = 1

Probabilidades limite

(1 / 2) P1 (1 / 4) P2 P1

P1 P2 1

(1 / 4)
P1
0,3333
(3 / 4)

(1 / 2)
P2
0,6667
(3 / 4)
24

Exemplo 2 - Probabilidades Limite


Probabilidades de estado em funo
das condies iniciais: estado 1 ou 2
1
0,9
0,8
0,7
P(1) 1

0,6

P(2) 0

0,5

P(1) 0
P(2) 1

0,4
0,3
0,2
0,1
0
0

10

11

Tempo

A condio inicial modifica as probabilidades transitrias, mas no


as probabilidades limite, que permanecem as mesmas.

25

Aplicao de Cadeias de Markov: um


componente sujeito a renovao

1-

Processos a Parmetros Contnuos e Estados Discretos, com


restaurao (possibilidade de reparo taxa de reparo ).
Seja um sistema com um nico componente sujeito
renovao com taxas de falha e reparo caracterizadas por
distribuies exponenciais:

Operando
(1)

Falhado
(2)

1-

26

Probabilidades limite
P1


(1 )
P2
P1 P2

(1 )

P1 (1 ) P2 P1
Eqs. L.D.
P1 P2 (1 ) P2
P1 P2 0

P1 P2 1

1
TM1

Mas, sabe-se que P1 + P2 = 1

1
Lembrando: TMPF

TMPF
P1

TMPF TMPR

1
TM2

1
TMPR

TMPR
P2

TMPF TMPR

27

Exemplo 2 - Continuao

Sabendo que taxa de falha igual a 1/2 (probabilidade de


tempo mudar de bom para ruim) e que taxa de reparo igual a
1/4 (probabilidade de tempo mudar de ruim para bom, as
probabilidades limites de cada estado (1- tempo bom e 2
tempo ruim) sero:

1/ 4
P1
1/ 3
1/ 2 1/ 4

1/ 2
P2
2/3
1/ 2 1/ 4

28

Probabilidades transitrias

Influenciadas pelas condies iniciais (P10 + P20 = 1).


Se houver necessidade de calcul-las:

( ) t

t
0
0
0
0

P1
P1 P2
P1 P2 P1

( ) t

0
0
0
0

P2
P1 P2
P2 P1 P2

29

Disponibilidade e Indisponibilidade

Disponibilidade A(t) (Availability): probabilidade do


elemento estar disponvel em qualquer tempo, em um
processo sujeito a reparo.
Indisponibilidade U(t) (Unavailability): A(t) + U(t) = 1
1

A(t)

U(t)

30

Aplicao de Cadeias de Markov: 2


componentes sujeitos a renovao

Seja um sistema com dois componentes sujeitos renovao


com taxas de falha e reparo caracterizadas por distribuies
exponenciais:
OP em operao; NOP Fora de operao.
1

OP
OP

OP
NOP

NOP
NOP

31

Matriz de transio

Cadeia de Markov:
adjacentes.
Pij = ij t

P1
2
P1
2

P2

apenas

transio

entre

2
0
1 2
P3
1
P1 P2
0
2
1 2
2
P2
2

estados

P3

2
P3
2
32

Exemplo 3

Suponha um gerador eltrico que tenha taxas de falha e de


reparo constante:
= 0,001 falhas/hora; = 0,49 ocorrncias/hora
Calcule as probabilidades limite do gerador estar nos estados
de operao e no operao.

Poperar

0,49

0,99796
0,001 0,49

0,001
Pno operar

0,00204
0,001 0,49

33

Exemplo 4

Sejam agora dois geradores eltricos idnticos, que tenham


taxas de falha e de reparo constante:
= 0,001 falhas/hora; = 0,49 ocorrncias/hora
Calcule as probabilidades limite do sistema formado pelos
dois geradores estar nos estados: ambos operando, apenas
um operando, nenhum operando.

2
0,492
P1

0,9959
2
2
(0,001 0,49)
P2

2
2 0,001 0,49

0,0041
2
2
(0,001 0,49)

2
0,0012
P3

0
2
2
(0,001 0,49)
34