Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Engenharia de Produção
Belo Horizonte
Agosto de 2017
1
Prezado aluno:
É importante ressaltar que não se pretende que este material substitua qualquer
obra recomnedada como referência bibliográfica.
Lista de Abreviaturas
fdp (probability density function) - função densidade de probabilidade
FMEA (Failure Mode and Effect Analysis ) - análise de modos e efeitos de falhas
Sumário
1-Definições Elementares
1.1-Fundamentos
1.1.1 Teoria de Probabilidade ------------------------------------------------------------------ 05
1.1.2 Conceito de variável aleatória------------------------------------------------------------ 08
1.2-Definição Quantitativa de Confiabilidade ----------------------------------------------------- 08
1.3-Conceito de Falha---------------------------------------------------------------------------------- 10
1.3.1- Introdução ---------------------------------------------------------------------------------- 10
1.3.1- Função Taxa de Falha--------------------------------------------------------------------- 11
1.3.2- Evolução da Função Taxa de Falhas em Relação ao Tempo------------------------ 12
4-Testes Acelerados
4.1-Conceitos ------------------------------------------------------------------------------------------- 46
4.2-Projeto de Testes Acelerados--------------------------------------------------------------------- 47
5- Função Mantenabilidade
5.1-Introdução------------------------------------------------------------------------------------------ 49
5.2-Distribuições de Probabilidade Utilizadas para Modelar o Tempo de Reparo
5.2.1 Distribuição Exponencial----------------------------------------------------------------- 50
5.2.2 Distribuição Log-normal------------------------------------------------------------------ 50
4
6- Função Disponibilidade
6.1 Definição Qualitativa------------------------------------------------------------------------------ 51
6.2 Definição Quantitativa---------------------------------------------------------------------------- 51
Referências Bibliográficas--------------------------------------------------------------------- 87
Bibliografia----------------------------------------------------------------------------- 90
ANEXO A - Sistema de Avaliação / Roteiro para elaboração do Trabalho Prático---------- 91
1- Definições Elementares
1.1-Fundamentos
nk ( 1.1 )
P( A) =
N
Onde : nk= número de ocorrências favoráveis
N =número total de possibilidades
A união de dois eventos A e B é definida por A∪B e representa o conjunto dos resultados do
evento A somados aos resultados do evento B. A interseção de dois eventos A e B é
representada por A∩ B e significa que os resultados dos eventos acontecem simultaneamente.
Supondo dois eventos A e B estatisticamente independentes a probabilidade de que ocorra o
evento A∩B é dada pela Equação 1.2 e a probabilidade de que ocorra o evento A∪B é dada
pela Equação 1.3.
P ( A ∩ B ) = P( A) P( B) (1.2 )
P ( A ∪ B ) = P( A) + P( B) − P( A ∩ B) (1. 3 )
P( A ∩ B) (1.4 )
P ( A | B) =
P( B)
x 1 2 3 4 5 6 7 8 9 10 11 12 13
f (x) 0 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36 0
6
f(x)
6/36
1/36
1 2 3 4 5 6 7 8 9 10 11 12 13 x
f(x)
x1 x2 x
+∞ (1.5 )
F ( x) = P(−∞ < x < + ∞) =
−∞
∫ f ( x)dx =1
x2
P( x1 〈 x 〈 x 2 ) = ∫ f ( x) dx
x1
(1.6 )
dF ( x) (1.8 )
f ( x) =
dx
f (x)
moda
mediana
média
Figura 1.3 – Relação entre a moda, mediana e media para uma fdp assimétrica
A mediana é valor para o qual a fdp (função densidade de probabilidade) vale 50%, ou seja é
o valor que divide os dados ao meio. Assim, metade dos dados será maior que a mediana e
metade será menor. A definição matématica da mediana envolve a resolução da Equação 1.10
x
Me( x) =
−∞
∫ f ( x) dx = 0.5 (1.10)
A moda é o valor que apresenta maior probabilidade de ocorrência (caso discreto) ou a maior
densidade de probabilidade (caso continuo). Portanto a moda é o valor de x que resulta em um
f(x) máximo. É importante ressaltar que tratando-se de uma distribuição de probabilidade
simétrica os três parâmetros apresentam o mesmo valor. Apresenta-se a seguir um exemplo
numérico simples.
S T (ς) =t
ς
t ℜ
Figura 1.4- Conceito de Variável Aleatória
FT (t ) = P[T ≤ t ] (1.11 )
dFT (t ) (1.12 )
f T (t ) =
dt
R (t ) = 1 − F (t ) (1.14 )
O tempo médio entre falhas (Mean Time Between Failures) MTBF pode ser expresso pela
Equação 1.15 sendo definido como a esperança matemática da função densidade de
probabilidade de falha definida através da Equação 1.12.
+∞ (1.15)
MTBF = ∫ t f (t ) dt
−∞
A Figura 1.5 apresenta o gráfico da função confiabilidade R(t) referentes a três conjuntos de
dados A, B e C (RELIASOFT™, 2005). Em todas as situações o cálculo do MTBF resultou
no valor de 100000h. Observa-se, portanto, que somente este parâmentro não é suficiente para
traduzir o comportamento de falhas de um determinado componente ou sistema. Os dados
utilizados encontram-se no Apêndice D.
10
R(t) 1.00
A
0.83
0.67
B
0.50
0.33
C
0.17
0
0 25000 50000 75000 100000 125000 150000
t(h)
Figura 1.5- Função Confiabilidade
(Referente a três conjuntos de dados com mesmo MTBF)
1.3.1- Introdução
É importante ressaltar que o conceito de falha deve ser contextualizado de acordo com a
criticidade (ou outros parâmetros de interesse) do sistema em estudo. Por exemplo, uma
pequena trinca pode representar apenas um inconveniente estético ou um problema de
grandes proporções.
Entende-se por falha primária aquela que não é causada direta ou indiretamente pela falha em
outro item e estando um sistema sob sua atuação este é recuperável pela introdução de uma
medida corretiva. Uma falha catastrófica resulta da incapacidade completa de um item
desempenhar todas as funções requeridas. Com relação às falhas de modo comum, estas
podem ser definidas como falha em um elemento comum do sistema capaz de produzir falhas
múltiplas podendo ser minimizadas através da utilização de equipamentos redundantes
segregados de maneira física e funcional.
A taxa de falhas instantânea h(t) pod ser definida em termos da confibilidade ou da pdf do
tempo de falha como demonstrado a seguir (LEWIS, 1987).
Seja h(t) ∆t a probabilidade que o sistema falhará em algum tempo T < t+∆t dado que não
ocorreu falha no tempo T = t. Esta afirmação pode ser escrita matematicamente conforme a
Equação 1.16.
P (T > t ) = R (t ) (1.19)
Substituindo-se as Equações 1.16 , 1.18 e 1.19 na Equação 1.17 obtem-se a Equação 1.20.
f (t )∆t (1.20)
h(t )∆t = P ( T < t + ∆t | T > t ) =
R (t )
A taxa de falhas instantânea h(t) é definida através da simplificação da Equação 1.20, como
apresentado na Equação 1.21.
f (t ) (1.21)
h(t ) =
R(t )
A taxa média de falhas é representada através da Equação 1.22 que pode ser simplificada
dando origem à Equação 1.23.
td (1.22 )
∫ h(t )dt
0
hmedio (t ) = td
∫
0
N (t )dt
f (1.23 )
hmedio (t ) =
N∆ t
Onde: ∆t = intervalo de tempo considerado
f = número de falhas no intervalo ∆t
N = número de unidades em teste no intervalo ∆t
É importante salientar que o número de unidades em teste no intervalo ∆t para cálculo da taxa
média de falhas é variável considerando-se somente os itens que sobreviveram até o instante
de tempo considerado. A função densidade de probabilidade de falha é calculada
incondicionalmente, ou seja, considerando todas as unidades em teste.
As falhas podem ser classificadas em relação ao tempo de acordo com o mecanismo que as
originaram (Figura 1.6). Normalmente uma taxa de taxa de falhas decrescente tem por origem
um mecanismo de depuração, por exemplo, resultante de um processo de aprendizado. Uma
taxa de taxa de falhas crescente tem por origem um mecanismo de deterioração a partir do
efeito gradual do envelhecimento. Considerando-se uma taxa de falhas constante, o tempo
não tem influência sobre a probabilidade de ocorrência de falhas.
h(t)
crescente
constante
decrescente
t(h)
A Equação da taxa de falhas instantânea h(t) que representa a curva da banheira é apresentada
( DHILLON, 1999) a seguir:
h(t ) = γ λ b t b −1 + (1 − γ ) c t c −1θ eθ t
c
(1.24)
São apresentadas a seguir possíveis causas de falhas relacionadas a cada uma das regiões da
curva da banheira (FILHO,1997).
A Figura 1.8 apresenta a Curva da Banheira genérica cujo modelo pode ser adequado para
descrever o comportamento a taxa de falhas de muitos tipos de dispositivos. Embora esta
curva seja muito utilizada, uma das três fases descritas pode prevalecer para uma classe
particular de sistema. A Figura 2.6, por exemplo, é representativa para computadores e outros
tipos de hardware formados essencialmente por componentes eletrônicos (LEWIS,
1987).Observa-se que este tipo de componente normalmente apresenta falhas aleatórias. Nesta
situação a manutenção preventiva tem pouca utilidade (LAFRAIA, 2001).
Neste tipo de análise podem ser utilizadas técnicas não paramétricas (nas quais não é
necessário especificar nenhuma distribuição de probabilidade) ou técnicas paramétricas onde
é realizada a modelagem os dados segundo uma distribuição de probabilidade. Como exemplo
de técnicas não paramétricas podem ser citados os estimadores da Tabela de Vida e o Kaplan-
Meier.
A Figura 2.1 representa os tipos de censura sendo utilizados por convenção o símbolo “x”
para representar falha e “o” para representar os dados censurados (FREITAS; COLOSIMO,
1997). Na censura por tempo ou Tipo I , o teste será terminado após um período pré
estabelecido de tempo.
x x x
x o x
x o o
x x x
tempo to tempo tempo
(a) Ausência decensura (b) Censura Tipo I (c) Censura Tipo II
Considerando-se a censura por falha ou Tipo II , o teste será terminado após ter ocorrido a
falha em um número pré estabelecido de itens sob teste. A vantagem neste caso é a garantia
de um número mínimo de falhas. A censura tipo aleatória (não representada na Figura 2.1)
ocorre quando um item é retirado do teste sem que seja atingida a falha. Um exemplo para
esta situação pode ser quando o item falha por uma razão diferente da estudada.
17
16
amplitude
10
9
7
5
4
2
1
0 10 20 30 40 50 60 70 80 tempo (x 10 horas)
Subtraindo-se o número de produtos que falharam até o tempo 400 (33) do número de
produtos em operação (54) chega-se ao número de produtos em operação até t=400 (21). A
partir destes dados é possível calcular a estimativa da confiabilidade (Equações 2.1 e 2.2).
Usando-se o mesmo cálculo para os outros intervalos de tempo obtem-se os resultados
apresentados na Tabela 2.1
(2.1 )
o
n de produtos em operação até t = t x
R (t x ) =
no de produtos sob teste
Tabela 2.1
^
R (t) %
100
80
60
40
20
10 20 30 40 tempo
Neste estimador considera-se tantos intervalos de tempo quanto for o número de falhas
distintas. Os limites de intervalo de tempo são os tempos de falha da amostra. A Equação 2.4
apresenta sua definição matemática.
∧ (n − d 1 ) (n 2 − d 2 ) (nto − d to ) (2.4)
R (t ) = 1 ...
n1 n 2 nto
Onde: di = número de falhas no tempo ti
ni = número de itens sob risco (não falhou e não foi censurado) em ti inclusive
to = maior tempo de falha menor que t
Tabela 2.2
ti ni di R
x1=[(n1-d1)/n1] =24/25
0,19 25 1 0,9600
Consideração 0,78 24 1 0,9200 x2=[(n2- d2)/n2]* x1
da ocorrência 1,31 22 1 0,8782 x2=23/24* 0,9600
de censura
2,78 21 1 0,8364
3,16 20 1 0,7946
4,67 19 1 0,7528
4,85 18 1 0,7110
6,50 17 1 0,6692
7,35 16 1 0,6274
8,27 15 1 0,5856
12,07 14 1 0,5438
33,91 12 1 0,4985
36,71 11 1 0,4532
20
^
R (t) %
0,5438
50,0000
0,4985
12,07 33,91
Figura 2.4- Cálculo do tempo mediano de vida
Se um variável t pode assumir um conjunto de valores t1, t2, ...txk com probabilidades p1,
p2, ...pk sendo p1 + p2, ...+pk =1 define-se uma distribuição de probabilidade discreta de t.
(LAFRAIA, 2001).
Descreve a situação em que só há dois resultados possíveis, como falha ou não falha, e a
probabilidade se mantém a mesma para todas as tentativas. A fdp (probability density
function) é definida pela Equação 3.1.
n! ( 3.1)
f (t ) = pt q(n−t )
t!(n − t )!
Onde: n= quantidade de itens da amostra
t= itens bons
n-x =itens defeituosos
p= probabilidade de se obter um item bom
q= probabilidade de se obter um item defeituoso
A média e o desvio padrão desta distribuição são fornecidos pelas Equações 3.2 e 3.3
respectivamente.
(3.2)
µ = n. p
(3.3)
ϑ = (n. p.q)1 / 2
Descreve eventos que ocorrem a taxa média constante com somente dois resultados possíveis.
Pode ser considerada uma variação da distribuição de binomial quando n tende a infinito. A
fdp é fornecida pela Equação 3.4.
µt (3.4)
f (t ) = exp(− µ )
t!
Onde: µ= taxa de ocorrência
x= itens bons
A média e o desvio padrão desta distribuição são fornecidos pelas Equações 3.5 e 3.6
respectivamente.
(3.5)
µ = n. p
(3.6)
ϑ = (n. p )1/ 2 = µ 1/ 2
22
f (t ) = λ e − λt (3.7)
h(t ) = λ (3.8)
A integral da função f(t) resulta na função densidade acumulada expressa pela Equação 3.9. A
função confiabilidade R(t) é fornecida pela Equação 3.10. Nesta situação específica na qual a
função taxa de falhas h(t) é constante o parâmetro λ é o inverso do MTBF.
F (t ) = 1 − e − λt ( 3.9)
−t (3.10)
R (t ) = e − λt = e MTBF
Considerando-se como exemplo uma taxa de falhas λ= 0,0007, as Figuras 3.1, 3.2
representam a função densidade de falhas f(t) e função taxa de falhas h(t).
23
f(t) h(t)
1,00E-3 1,00E-3
7,50E-4
7,50E-4
5,00E-4 5,00E-4
2,50E-4 2,50E-4
0 0
0 1750 3500 5250 7000 0 1750 3500 5250 7000
t(h) t(h)
Figura 3.1- Função Densidade de Probabilidade Figura 3.2- Função Taxa de Falhas
As Figuras 3.3 e 3.4 representam a função densidade de falhas acumulada F(t) e a função
confiabilidade R(t) respectivamente. Todas as Figuras foram geradas utilizando o software
Weibull++6 (RELIASOFT™,2004) e os dados encontram-se no Apêndice D.
0,75 0,75
0,50 0,50
0,25 0,25
0 0
0 1750 3500 5250 7000 0 1750 3500 5250 7000
t(h) t(h)
Figura 3.3- Função Densidade de Falhas Acumulada Figura 3.4- Função Confiabilidade
f(t) 1,00E-3
7,50E-4 λ =0,0009
5,00E-4
2,50E-4
λ =0,0004
Uma importante razão para a larga aplicabilidade da distribuição normal é que, quando um
valor está sujeito a muitas variações, independentemente de como estas variações estão
distribuídas, a distribuição resultante da composição de todas as outras é normal. Esta
afirmação é demonstrada pela teorema do valor central (O’ CONNOR, 2002). Apesar de ser
muito utilizada e conhecida, o uso da distribuição normal em engenharia de confiabilidade é
restrito (MEYER,1983; DHILLON, 1999).
Um conjunto de dados que possa ser modelado por uma distribuição normal apresenta
variações simétricas em relação a sua média. A fdp é fornecida pela Equação 3.11.
−1 t − µ 2
1 (3.11)
f (t ) = e
σ 2π 2 σ
Onde: µ= média (parâmetro de localização)
σ = desvio padrão (parâmetro de dispersão)
A função densidade acumulada F(t) pode ser calculada integrando-se a função f(t) conforme
Equação 3.12.
1 −1 t − µ 2
t
(3.12)
σ 2π ∫−t 2 σ
F (t ) = e dt
É possível reescrever a Equação 3.12 em função da variável z (Equação 3.13) dando origem a
Equação 3.14.
25
t −µ (3.13)
z=
σ
(t − µ ) (3.14)
1 σ
z2
F (t ) =
2∏ −∞
∫ e − dz
2
Considerando que qualquer distribuição normal possa ser expressa a partir da distribuição ф(t)
a Equação 3.14 pode ser reescrita como a Equação 3.16.
t −µ (3.16)
F (t ) = Φ
σ
9,00E-4 7,50E-3
6,00E-4
5,00E-3
3,00E-4 2,50E-3
0 0
0 500 1000 1500 2000 0 750 1500 2250 3000
t(h) t(h)
Figura 3.6- Função Densidade de Probabilidade Figura 3.7- Função Taxa de Falhas
26
Como indicado pela Figura 3.7 a distribuição normal é utilizada para descrever a
confiabilidade de equipamentos que não apresentam taxa de falhas constante. Esta
distribuição pode ser útil para modelar a confiabilidade em situações nas quais existe um
tempo de desgate definido μ, como por exemplo a vida útil de um pneu ou a durabilidade de
um lâmina de uma ferramenta cortante (LEWIS, 1987).
R(t)
F(t) 1,00 1,00
0,75 0,75
0,50 0,50
0,25 0,25
0 0
0 500 1000 1500 2000 0 500 1000 1500 2000
t(h) t(h)
Figura 3.8-Função Densidade de Falhas Acumulada Figura 3.9- Função Confiabilidade
A Figura 3.10 apresenta o efeito da variação dos parametros média e desvio padrão na função
densidade de probabilidade f(t).
27
f(t 0,09
0,07 σ =5
0,05
0,04
0,02 σ =15
0
40 64 88 112 136 160
t(h)
1 − 1 ln(t ) − µ 2 (3.17)
f (t ) = e para t ≥ 0
σ 2 ∏ 2 σ
Onde: µ= média (parâmetro de localização)
σ = desvio padrão (parâmetro de dispersão)
Observa-se na Figura 3.11 que f(t) existe somente para valores positivos de t. Este fato
representa uma vantagem com relação a distribuição normal em termos de representatividade
uma vez que o mesmo ocorre com a variável de interesse (tempo até a falha) em estudos de
confiabilidade (O’ CONNOR, 2002).
28
As Figuras 3.12, 3.13 e 3.14 apresentam as funções h(t), F(t) e R(t) respectivamente.
Apresenta-se em todas elas o efeito da variação de σ considerando µ=1. Os dados utilizados
para gerar as figuras encontram-se no Apêndice D.
f(t) h(t)
0,75
0,65
σ =0,5
σ =2 0,56
0,49
0,38
0,33
σ =0,5
0,19 σ =1
0,16
σ =1
σ=2
0
0
0 7,50 15,00 22,50 30,00
0 2,50 5,00 7,50 10,00
t(h)
t(h)
F(t) R(t)
1,00 1,00
σ = 0,5 σ =1
0,75 0,75
σ=2
0,50 0,50
σ =1
σ = 0,5
0 0
0 6,25 12,50 18,75 25,00 0 6,25 12,50 18,75 25,00
t(h) t(h)
Figura 3.13- Função Densidade de Falhas Acumulada Figura 3.14- Função Confiabilidade
Efeito da Variação de σ considerando µ=1 Efeito da Variação de σ considerando µ=1
29
t −γ
β
−
β
η (3.18)
f (t ) = β
(t − γ )β −1 e
η
Onde: β = parâmetro de forma ou inclinação
γ = parâmetro de localização ou vida mínima
η = parâmetro de escala ou vida característica
Esta distribuição apresenta grande variedade de formas tendo como propriedade básica uma
função de taxa h(t) monótona que portanto pode ser crescente, decrescente ou constante
(Equação 3.19).
β
h(t ) = (t − γ )β −1 (3.19)
ηβ
A função densidade acumulada de falhas F(t) é dada pela Equação 3.20 e a função
confiabilidade R(t) é fornecida pela Equação 3.21.
t −γ β
−
(3.20)
η
F (t ) = 1 − e
t −γ
−
β
(3.21)
η
R(t ) = e
A Figura 3.15 apresentam uma função densidade de probabilidade qualquer na qual é possível
observar o efeito da variação do parâmetro de localização γ . Na Figura 3.16 pode ser
observado o efeito da variação do parâmetro escala η . O parâmetro de localização provoca
um deslocamento com relação ao eixo das abcissas e o parâmetro de escala com relação ao
eixo das ordenadas.
30
γ=5
0,40
0,75
η=2
0,30
0,50
γ=0
0,20
0,25
0,10
η=6
0 0
0 5 10 15 20 0 4 8 12 16 20
t(h) t(h)
Figura 3.15- Função Densidade de Probabilidade Figura 3.16- Função Densidade de Probabilidade
Efeito da Variação de γ considerando β ≈ 1 e η ≈ 2 Efeito da Variação de η considerando β ≈ 1 e γ≈ 0
As Figuras 3.17, 3.18, 3.19 e 3.20 mostram o efeito da variação do parâmetro de forma β. A
Figura 3.17 apresenta a função densidade de probabilidade considerando β=0.5, β=1 e β=3.
Observa-se que quando β tem valor unitário a distribuição de Weibull é reduzida a
distribuição exponencial. Quando β é aproximadamente 3 a distribuição de Weibull torna-se a
distribuição normal (O’ CONNOR, 2002).
f(t) h(t)
1,00 1,00
β=0,5
β=3
0,75 0,75
β=3 β=1
0,50 0,50
0,25 0,25
β=1 β=0,5
0 0
0 1,25 2,50 3,75 5,00 0 1,25 2,50 3,75 5,00
t(h) t(h)
Figura 3.17- Função Densidade de Probabilidade Figura 3.18- Função Taxa de Falhas
Efeito da Variação de β considerando η ≈ 2 e γ≈ 0 Efeito da Variação de β considerando η ≈ 2 e γ≈ 0
valores menores que 1 é decrescente e para valores maiores que 1 é crescente(O’ CONNOR,
2002).
As Figuras 3.19 e 3.20 mostram a função distribuição acumulada F(t) e função confiabilidade
R(t) correspondentes. Todas as Figuras foram geradas utilizando o software Weibull++6
(RELIASOFT™,2004) e os dados encontram-se no Apêndice D.
F(t) R(t)
1,00 1,00
β=1 β=3
β=0,5
0,75 0,75
0,50 0,50
0,25 0,25
β=0,5
β=3 β=1
0 0
0 2,50 5,00 7,50 10,00 0 2,50 5,00 7,50 10,00
t(h) t(h)
Figura 3.19- Função Densidade de Falhas Acumulada Figura 3.20- Função Confiabilidade
Efeito da Variação de β considerando η ≈ 2 e γ≈ 0 Efeito da Variação de β considerando η ≈ 2 e γ≈ 0
3.3.1- Introdução
Uma vez que a distribuição de probabilidade que supostamente se ajusta aos dados foi
escolhida é necessário estimar os parâmetros do modelo. Dentre os métodos mais utilizados
para esta finalidade podem ser citados a Plotagem de Probabilidades, Mínimos Quadrados
(também conhecido como Análise de regressão) e Máxima Verossimilhança.
Tomando-se como exemplo uma distribuição de Weibull (Equações 3.22 e 3.23) será
apresentada uma metodologia para sua linearização. É razoável supor que, se o modelo
proposto for adequado, os dados modelados poderão ser ajustados por uma reta. O mesmo
procedimento pode ser adotada para outras distribuições de probabilidade de interesse como a
Normal, Logmal e Exponencial.
t −γ β
R(t) = e − ( 3.22)
η
t −γ β
1− F(t) = e − (3.23 )
η
Calculando o ln em ambos os lados da Equação 3.23 obtem-se a Equação 3.24.
β
t −γ
ln[1− F(t)]= − (3.24 )
η
Considerando a manipulação algébrica apresentada pela expressão 3.25 a Equação 3.24 pode
ser reescrita como a Equação 3.26.
1
−ln = −[ ln1−ln(1− F(t))] = ln[1− F(t)] (3.25 )
1− F(t)
β
1 t −γ
ln = (3.26 )
1− F(t) η
x (3.28)
log a 1 = loga x1 −loga x2
x2
1 (3.29 )
ln ln = β ln( t −γ )−β ln(η)
1− F(t)
A Equação 3.29 pode ser reescrita como a Equação 3.34 através das substituições expressas
nas Equações de 3.30 a 3.33.
33
1 (3.30 )
Y = ln ln
1− F(t)
X = ln( t −γ ) (3.31 )
A=β (3.32 )
B = −β ln(η) (3.33)
Y = AX+ B (3.34)
Portanto, a partir da Equação 3.34, o Papel de Probabilidade Weibull pode ser construído. O
eixo das ordenadas representa a Função Densidade Acumulada de Falha F(t) e o eixo das
abscissas representa o tempo de vida (ou variável de interesse) em escala logarítmica.
A posição dos dados com relação ao eixo das ordenadas pode ser calculada utilizando-se a
posição média (mean rank) expressa pela Equação 3.35 ou a posição mediana (median rank),
expressa pela Equação 3.36.
j (3.35)
MR =
N +1
A categoria Mediana é utilizada para se obter uma estimação da função F(t). Este valor pode
ser calculado igualando-se a distribuição acumulada binomial ao valor 0.5 e resolvendo-se em
relação a Z (Equação 3.36)
N
N (3.36 )
0,5 = ∑ Z k (1− Z ) N−k
k= j k
j − 0,3 (3.37)
MR =
N + 0,4
Após a plotagem de todos os pontos objetiva-se encontrar a melhor reta que possa interligá-
los. Uma vez encontrada esta reta é possível estimar os parâmetros da distribuição Weibull. O
parâmetro de forma β corresponde ao coeficiente de inclinação da reta conforme apresentado
34
O parâmetro de escala η pode ser calculado como o tempo no qual a função F(t) corresponde
a 63,2% de F(t). Esta afirmação é demonstrada nas Equações de 3.38 a 19, considerando o
ponto onde t= η, partindo-se da função probabilidade de falha da distribuição Weibull
(Equação 3.20)
t −γ β
−
(3.20)
η
F (t ) = 1 − e
Considerando que a Equação 3.38 independe do valor que β possa assumir, a mesma pode ser
rescrita como a Equação 3.39. O resultado é apresentado na Equação 3.40.
[
F(t =η) =1−e −(1)
β
] (3.38)
[ ]
F(t =η) =1−e −( 1) (3.39)
Observa-se que, neste caso, o parâmetro de vida mínima γ foi considerado igual a zero. Nas
situações nas quais este parâmetro apresentar outro valor qualquer poderá ser utilizada a
mesma metodologia proposta considerando-se que todos os resultados encontrados serão
deslocados.
63,2 η
50.00
10.00
5.00
1.00
10000.00 η≈38000 100000.00
Variável de Interesse MR
(ciclos)
10236 12,96
12187 31,4
16908 50
18042 68,52
23271 87,04
36
90.00 β
η
50.00
10.00
5.0
1.0
10000.00 100000.00
Considerando-se uma massa de dados e o modelo para o qual deseja-se estimar os parâmetros,
o erro é definido como a diferença entre os valores reais e os valores fornecidos pelo modelo.
yˆ = a + bx (3.41)
É possível estimar os parâmetros a e b de tal forma que a soma dos quadrados dos erros seja
mínima. O símbolo ^ indica o valor estimado.
(3.42)
∑ ( y − yˆ ) 2 = ∑ [ y − (a + bx )]
2
37
A Figura 3.23 apresenta um exemplo constituído por apenas três pontos. O erro pode ser
calculado com relação ao eixo das abscissas (eixo y) ou com relação ao eixo das ordenadas
(eixo x).
Figura 3.23a - Regressão com relação a y Figura 3.23b - - Regressão com relação a x
Apresenta-se a seguir um exemplo numérico muito simples com o objetivo ilustrar o método
em um contexto genérico.
y
12
x y
4 6 10
9 10 8
1 2
6
6 2
Tabela 3.2 4
0
0 2 4 6 8 10
x
Figura 3.24
38
Podem ser traçadas infinitas retas interligando os pontos represetnados na Figura 3.24. Por
exemplo foram escolhidas as retas y=5 e y=1+x é mostradas nas Figuras 3.25 e 3.26
respectivamente.
y
12
10
8
5
6
1
4
-3 -3
2
0
0 2 4 6 8 10
Figura 3.25
y
12
10
6
1
4
5
2
0
0 2 4 6 8 10
Figura 3.26
A Tabela 3.3 compara os resultados do cálculo do erro e do erro médio quadrático para as
duas retas escolhidas. Observa-se que, para a segunda reta (y=1+x), apesar do erro de
predição ser maior que na primeira reta (y=5 ), o erro quadático foi menor. Este cálculo
condiz com a escolha visual pela melhor reta, o que justifica o uso do método.
39
Tabela 3.3
y y
12 12
10 10
5
8 8
1
6 6 1
5
4 4
-3 -3
2 2
0 0
0 2 4 6 8 10 0 2 4 6 8 10
x x
( 3.43)
f (t; θ1, θ2,...θk)
Onde: t = tempo até a falha
θk = parâmetros a serem estimados
Sejam t1,...,tn os valores amostrais da variável aleatória “tempo até a falha”e θ o parâmetro
que se deseja estimar. A função de verossimilhança L é definida pela Equação 3.44 (MEYER,
1983); (DHILLON, 1999). Considera-se que não ocorreram censuras.
A partir da Equação 3.46 deve-se encontrar o conjunto de parâmetros que a maximiza. Este
cálculo é realizado numericamente calculando-se as derivadas parciais em relação a cada
parâmetro e igualando o resultado a zero. Assim, a maximização de ln L resulta da solução
simultânea de k equações , conforme expresso na Equação 3.47.
41
∂ ln L (3.47)
= 0 , j = 1,2, ... , k
∂θ j
r n
L ( t1,t2,...tn;θ1, θ2,...θk ) = ∏ f (ti ; θ1, θ2,...θk ) (3.48)
i=1
∏R(t ; θ , θ ,...θ
i=r+1
i 1 2 k )
3.3.5-Conclusões
Em geral, é recomendado usar a técnica Regressão quando se tem uma amostra pequena e
sem censuras. Quando existem grandes quantidades de dados ou muitas censuras estejam
presentes o estimador de máxima verossimilhança pode ser indicado como a melhor opção
Uma outra opção consiste em comparar os valores da função confiabilidade (ou da função
probabilidade de falha) obtidos através de um modelo paramétrico candidato e um estimador
não paramétrico (FREITAS ;COLOSIMO, 1997).
Tomando-se como exemplo uma massa de dados qualquer de tempos de falha é apresentado a
seguir o procedimento gráfico de validação:
γ=0. A Figura 3.28 apresenta a Função Probabilidade de Falha F(t) obtida através do
Estimador Kaplan-Meier e das Distribuições de Probabilidade Exponencial, Normal e Weibull
Legenda:
o o Kaplan Meier
- . - Exponencial
---- Normal
Weibull
Figura 3.29 a- Comparação do Estimador Kaplan Meier com a Distribuição de Probabilidade Exponencial
44
Figura 3.29 b- Comparação do Estimador Kaplan Meier com a Distribuição de Probabilidade Normal
Figura 3.29 c- Comparação do Estimador Kaplan Meier com a Distribuição de Probabilidade Weibull
Um teste de adequação tem por finalidade verificar a hipótese de que uma determinada
distribuição de probabilidade possa modelar satisfatoriamente um conjunto de dados
amostrais.
O teste do Qui-Qradrado é muito versátil uma vez que pode ser aplicável a qualquer
distribuição de probabilidade. Os dados são inicialmente divididos em classes (ou células).
Para que se tenha precisão é desejável que se tenha no mínimo três classes com no mínimo
cinco valores em cada uma. (O’ CONNOR, 2002).
Resumindo, embora o teste estatístico do Qui-Quadrado seja muito utilizado para verificar a
adequação de modelos probabilísticos, este teste não é muito indicado para estudos de
confiabilidade. Esta afirmação deve-se à eventual presença de dados censurados e à exigência
de uma grande quantidade de dados, nem sempre disponíveis (FREITAS; COLOSIMO,
1997).
45
Dhillon (1999) cita os testes Bartlet e Geral Exponencial porém ambos são aplicáveis somente
quando a distribuição a ser testada é exponencial.
O Método dos Mínimos Quadrados pode ser utilizado em estudos de confiabilidade desde que
as funções envolvidas sejam linearizadas. Assim, a compararação os valores da função
confiabilidade (ou da função probabilidade de falha) obtidos através de um modelo
paramétrico candidato e um estimador não paramétrico (FREITAS ;COLOSIMO, 1997)
pode ser feita graficamente e confirmada através do cálculo do erro médio quadrático.
A Tabela 3.4 apresenta o cálculo do somatório do erro ao quadrado calculado para o exemplo
fornecido anteriormente (item 3.5.2). Os valores de probabilidade de falha obtidos pela
distribuição Weibull são obviamente mais próximos dos valores calculados pelo método de
Kaplan-Meier se comparados aos valores calculados via distribuição Exponencial e distribuição
Normal.
4- Testes Acelerados
São denominados testes acelerados aqueles nos quais as informações de tempo até a falha são
obtidas sob altos níveis de estresse e depois extrapolada através de um modelo estatístico-
físico para as condições normais de operação (FREITAS; COLOSIMO, 1997)
A variável de estresse é escolhida de forma a encurtar o tempo de falha. Quanto mais intenso
for o nível de estresse mais rápido ocorrerá o surgimento de falhas. Este efeito pode ser
visualizado na Figura 4.1 que relaciona a fdp ( probability density function) a três diferentes
níveis de estresse X, Y e Z sendo Z > Y >X.
f(t) 4.00E-4
Z
3.20E-4
Y
2.40E-4
X
1.60E-4
8.00E-5
A Figura 4.2 é similar à figura 4.1, apresentando o mesmo efeito de variação pdf versus
estresse,em um gráfico de 3 dimensões ( a terceira dimensão representa a variável tempo).
47
Estresse
(A) (B)
Tempo Tempo
Estresse
Estresse
(C) (D)
Tempo Tempo
O nível de aplicação do estresse depende dos objetivos e pode variar conforme apresentado na
Figura 4.4 (VASSILOU, 2003).
Limites Destrutivos
Limites de Projeto
Limites de Especificação
Limites de Projeto
Limites Destrutivos
t β
β −1 −
β t η (4.1)
f (t ) = e
η η
β
η = L(V ) = C × e V
(4.2)
β
β −1 t
−
β
(4.3)
β t C ×e
V
f (t ) = β β e
C × eV C × eV
49
5-Função Mantenabilidade
5.1 Introdução
Gτ (t ) = P[τ ≤ t ] ( 5.1)
Para fins de simplificação a função Gτ(t) será representada como G(t) em todo o texto
subseqüente. O mesmo procedimento será aplicado a função densidade de probabilidade de
reparo gτ(t) definida pela equação 5.2. Consequentemente a função densidade de probabilidade
acumulada de reparo G(t) pode ser reescrita como a Equação 5.3.
dG (t ) ( 5.2)
g (t ) =
dt
t ( 5.3)
G (t ) = ∫ g (t ) dt
−∞
O tempo médio para o reparo (mean time to repair) MTTR é a esperança matemática da
função densidade de probabilidade de reparo dada pela Equação 5.4. Este tempo também
pode ser estimado através da média ponderada dos tempos de reparo t de cada modo de falha
n pela respectiva taxa de falha λ, conforme Equação 5.5.
+∞
MTTR = ∫t
−∞
g (t ) dt ( 5.4 )
∑ λ tr
n
n n
MTTR =
0
( 5.5 )
∑λ
n
0 n
g (t ) (5.6)
m(t ) =
1 − G (t )
A distribuição exponencial pode ser utilizada quando a função taxa de reparo m(t) for
constante. Nesta situação m(t) é igual a µ (Equação 5.7). A função densidade de
probabilidade (fdp) de reparo é fornecida pela Equação 5.8.
m(t ) = µ (5.7)
g (t ) = µ e
−µ t (5.8)
6- Função Disponibilidade
T
1
T ∫0
Amed (T ) = A(t ) dt ( 6.4)
A(t ) + U (t ) = 1 ( 6.5)
52
Com relação aos componentes passíveis de reparo é possível calcular a disponibilidade A(t)
(ou a indisponibilidade U(t) ) em um intervalo de tempo finito utilizando o método de
Markov. Considera-se neste método um diagrama de estados contendo os estados “em
operação” e “em falha”. A falha é a transição do estado “em operação” para o estado “em
falha” e o reparo é transição no sentido inverso.
A variação da disponibilidade do instante t para o instante (t+ Δt) é expressa pela Equação
6.6 (LAFRAIA, 2001)
U (t + ∆t ) = U (t ) − µ ∆t U (t ) + λ ∆t A(t ) ( 6.7)
Onde:
U(t + Δt)= probabilidade do sistema estar no estado de falha em um intervalo de tempo finito
(t+Δt)
Considerando-se o caso limite onde a variação Δt tende a zero, as Equações 6.6 e 6.7 podem
ser reescritas através das equações diferenciais seguintes:
dA(t ) ( 6.8)
= −λ A(t ) + µ U (t )
dt
dU (t ) ( 6.9)
= − µ U (t ) + λ A(t )
dt
Considerando condições iniciais nulas, ou seja A(0) =1 e U(0) =0, e solucionando as Equações
6.8 e 6.9 tem-se que:
µ λ ( 6.10)
A(t ) =
λ +µ
+
λ +µ
[
exp − (λ + µ )t ]
λ λ (6.11)
U (t ) =
λ +µ
−
λ +µ
[
exp − (λ + µ )t ]
53
µ ( 6.12)
A(∞) = lim A(t )t →∞ =
λ +µ
A(t)
µ
λ+µ
t
Figura 6.1 - Disponibilidade Estacionária
Sabe-se que no período de vida útil de um equipamento as taxas de falha λ e reparo µ são
aproximadamente constantes. Nestas condições, o tempo médio para reparo MTTR (mean time
to repair) é o inverso da taxa de reparo e o tempo médio entre falhas MTBF(mean time
between failures) é o inverso da taxa de falhas (Equações 6.14 e 6.15).
1 (6.14)
µ=
MTTR
1 ( 6.15)
λ=
MTTB
µ MTBF (6.16)
A(∞) = =
λ +µ MTBF + MTTR
λ MTTR (6.17)
U (∞ ) = =
λ +µ MTBF + MTTR
54
Técnicas de
Avaliação
Qualitativas Quantitativas
Dentre as técnicas qualitativas mais importantes para a modelagem de sistemas podem ser
citadas a análise de modo e efeito de falhas (FMEA - (Failure Mode and Effect Analysis) e a
Árvore de Falhas (FTA- Faut Tree Analysis) (HELMAN e ANDERY, 1995). A Análise por
Especialistas é baseada em conhecimentos e experiências prévias para a formulação de uma
hipótese sendo extremamente subjetiva.
A FMEA é método padronizado de análise que visa identificar todos os possíveis modos
potenciais de falha e determinar o efeito de cada um sobre o desempenho do sistema. A
Árvore de Falhas (FTA- Faut Tree Analysis) é um método sistemático para a análise de falhas
que correlaciona um determinado efeito com suas possíveis causas através de símbolos
lógicos. Observa-se que a FTA pode ser desenvolvida segundo uma abordagem qualitativa ou
quantitativa. Apesar de não ser um procedimento intínseco à metodologia original, a FMEA
também pode assumir uma abordagem quantitativa se a análise for baseada em dados
históricos.
55
Dentre as técnicas quantitativas mais utilizadas podem ser citadas o Diagrama de Blocos de
Confiabilidade (Reliability Block Diagram - RBD) (MURPHY; CARTER, 2003) e a análise
no espaço de estados (MAILLART; POHL, 2005)
Uma Rede de Petri é uma ferramenta gráfica que consiste em elementos conectados por
segmentos orientados. Esta técnica é utilizada para descrever relações existentes entre
eventos e também condições. Portanto, através desta metodologia é possível modelar
depêndencia entre eventos, a probabilidade de transição entre estados e ainda o tempo no qual
uma determinada transição ocorre.
A Figura. 7.2 apresenta uma análise comparativa entre as técnicas quantitativas mostrando
que a capacidade de representação da realidade aumenta proporcionalmente com a
complexidade de análise (ROUVROYE; VAN DEN BLIEK, 2002). Portanto, a escolha de
uma metodologia é condiciona à determinação de objetivos bem como a um estudo da relação
custo-benefício.
Por exemplo, as Redes Petri (não representadas na Figura 7.2) apresentam uma capacidade de
modelagem superior ao Diagrama de Markov. Entretanto, devido a sua complexidade, são
restritas ao meio acadêmico com poucas excessões (VOLOVOI, 2004).
56
Análise de
Markov
FTA
Capacidade de Complexidade
Modelagem da Análise
RBD’s
Contagem
de Partes
Figura 7.2 - Comparação entre técnicas qualitativas (ROUVROYE; VAN DEN BLIEK, 2002)
Rsist (t ) = R1 (t ) × R2 (t ) × R3 (t ) ( 7.1)
O valor da de cada componente Ri(t) pode ser estimada através de uma distribuição de
probabilidade pelo método de Análise de Tempo de Falha. Logo, o principal desafio é
encontrar a relação entre os componentes do sistema e expressá-la matematicamente.
A modelagem através de simulação tem se tornado uma poderosa ferramenta que possibilita o
estudo de sistemas complexos e facilita o processo de tomada de decisão. (BAZARGAN;
MCGRATH, 2003). Existe uma tendência em considerar que as técnicas baseadas em
simulação apresentam uma capacidade de representação da realidade superior ás técnicas
analíticas (MARSEGUERRA; ZIO, 2005). Esta suposição deve-se à incerteza intrínseca com
relação aos tempos de reparo e atrasos logísticos bem como a disponibilidade de recursos.
7.2.1- Introdução
A Figura 7.3 apresenta um exemplo de RBD formado pelos elementos A e C em série com os
subsistemas 1, 2 e 3. Os tipos de modelos utilizando RBD’s serão detalhados na sessão
subsequente.
58
3
1 2
B
D E
A B 2/3 C
F
B
É importante ressaltar que a construção de um RBD é uma tarefa que normalmente envolve
mais de uma pessoa a menos que se trate de um sistema pequeno e pouco complexo.
Desenvolver um RBD que realmente reflita a realidade depende do trabalho conjunto e dos
insights das equipes que operam e realizam manutenção no sistema em estudo. Cabe ainda
infatizar a necessidade de que todo o processo seja rigorosamente documentado uma vez que
as informações geradas poderão ser utilizadas para validar o modelo encontrado (MURPHY;
CARTER, 2003)
a)-Conexão Série
A Figura 7.4 apresenta um sistema ligado em série. Em uma ligação série é necessário que os
dois componentes funcionem simultaneamente.
R (t ) = R A (t ) × Rb (t ) (7.2 )
F (t ) = FA (t ) + Fb (t ) − FA (t ) × Fb (t ) (7.3 )
Este procedimento pode ser generalizado para n componentes ligados em série (Equação 7.4)
quando os componentes tiverem a mesma confiabilidade Rm (LAFRAIA, 2001).
59
Rs (t ) = Rm (t ) n ( 7.4)
Onde: n = número total de componentes
Rm(t)= confiabilidade de cada um dos componentes
A Figura 7.5 apresenta um sistema ligado em paralelo e formado por dois componentes. Pode-
se deduzir que o sistema estará em funcionamento se o componente A ou o componente B
estiverem funcionando.
R(t ) = RA (t ) + Rb (t ) − RA (t ) × Rb (t ) (7.5 )
F (t ) = FA (t ) × Fb (t ) (7.6 )
Este procedimento pode ser generalizado para n componentes ligados em paralelo (Equação
7.7) quando os componentes tiverem a mesma confiabilidade Rm.
Rs (t ) = 1 − [1 − Rm (t )] n (7.7 )
Onde: n = número total de componentes
Rm(t)= confiabilidade de cada um dos componentes
60
c)-Redundância Stand-by
Um sistema com redundância em stand-by apresenta unidades adicionais que são acionadas
caso ocorra uma falha na unidade em operação (Figura 7.6). Neste caso as falhas de cada
bloco são estatisticamente independentes e supõe-se que a unidade de chaveamento é perfeita
(isenta de falhas).
1
A Equação 7.8 apresenta o valor da função confiabilidade R(t) para este sistema
considerando-se que todas as unidades são idênticas e com a mesma taxa de falha.
n
(λ t ) i e − λt
R (t ) = ∑i=0 i!
( 7.8 )
Utilizada onde um número “k” de unidades deve estar operando para o sucesso do sistema
(Figura 7.7). A função confiabilidade R(t) é dada pela Equação 7.9.
2
k/n
3
n (7.9 )
R (t ) = ∑ C R (1 − R )
i
n i n −i
i=k
61
n!
C in = i !( n − i )!
a)-Redução Série-Paralelo
R2
Figura 7.8- Exemplo da técnica de análise redução série-paralelo
Seja a confiabilidade Ri(t) de cada componente i apresentada na Tabela 7.1. A notação Ri(t)
foi escrita de forma abreviada como Ri.
Dado um sistema qualquer, uma sequência de eventos que conduzem a uma falha pode ser
representado por um diagrama de blocos ou uma árvore de falhas conforme explicado
anteriormente e ilustrado na Figura 7.10. Tratando-se de sistemas muito complexos pode ser
desejável a utilização de alguma técnica de simplificação de forma a encontrar uma expressão
lógica que descreva o evento de topo ET. Um procedimento adequado nestas situações
consiste em escrever uma expressão lógica para o evento de topo em função de conjuntos de
corte mínimo.
Um conjunto de corte mínimo é uma combinação da menor quantidade de falhas primárias tal
que, se todas ocorrerem simultaneamente o evento de topo também ocorrerá
(FREITAS;COLOSIMO, 1997). Por definição cada conjunto de corte mínimo é a intersecção
das falhas primárias que o constitui.
N n (7.13)
R sist > 1 − ∑ ∏ (1 − R )
i =1 j =1
i
Utilizando os dados fornececidos pela Tabela 7.1 é possível calcular a probabilidade de falha
de cada componente (conforme Equação 14) e disponibilizar os resultados na Tabela. 7.2. A
partir destes dados e do conceito expresso através da Equação 7.15 é possível calcular a
confiabilidade deste sistema utilizando o método dos cortes mínimos.
A B
G
D E
C5
C1 C2 C3 C4
Figura 7.9 – Exemplo Conjuntos de Cortes Mínimos
63
Rsist > 1 − ( C1 ∪C 2 ∪ C 3 ∪C 4 ∪ C 5 )
Rsist >1 − ( 0,22)
Rsist > 0,78 (7.14)
Observa-se que o valor encontrado utilizando-se conjuntos de cortes mínimos é coerente com
o valor calculado através da redução série-paralelo (Rsist = 0,81). Portanto, em sistemas muito
complexos nos quais não seja viável um cálculo exato, o método dos cortes mínimos fornece
uma aproximação razoável.
Símbolo Significado
Evento básico, é independente de
outros eventos
k
O evento da saída ocorre se k de n
eventos da entrada ocorrerem
n
O evento de entrada conduz ao evento
de saída se uma condição acontecer
A Figura 7.11 apresenta um exemplo de uma árvore de falhas. As causas básicas são
denotadas por círculos e representam o limite de resolução da árvore de falha. Eventos que
possuem mais de uma causa básica, e portanto, podem ser desdobrados, são denotados por
retângulos.
Esta técnica permite a visualização do problema a ser analisado através de uma
representação gráfica simples e objetiva além de direcionar a análise. Conhecendo-se as
taxas de falhas dos eventos básicos e a relação de causa e efeito entre elas (representada pelas
portas lógicas) é possível calcular a confiabilidade do evento de topo.
É importante ressaltar que uma FTA diferente deve ser elaborada para cada evento de topo o
qual pode ser causado por diferentes modos de falha e diferentes conexões lógicas entre
eventos de falha. Concluiu-se que a FTA permite a análise de falhas específicas porém, por
ser um procedimento detalhado, requer um grande número de informações.
65
Evento de
Topo
E1 E2
A E3 E4
C
C B A B
A Figura 7.12 apresenta um sistema ligado em série. Em uma ligação série é necessário que
os dois componentes funcionem simultaneamente. Portanto em uma árvore de falhas uma
ligação em série é representada por um porta lógica OU considerando que o sistema falha se o
componente A falhar ou o componente B.
A B B
A
Figura 7.12– Analogia entre porta OU e sistema série
A Figura 7.13 apresenta um sistema ligado em paralelo e formado por dois componentes.
Pode-se deduzir que o sistema estará em funcionamento se o componente A ou o componente
B estiverem funcionando. A falha neste sistema ocorrerá se o componente A e componente B
falharem simultaneamente, portando um sistema paralelo é representado por uma porta lógica
E em uma árvore de falhas.
A
A B
B
Define-se como modo de falha um evento que provoca uma diminuição parcial ou total da
função do produto e de suas metas de desempenho. As causas são eventos que geram,
provocam ou induzem o aparecimento do tipo (modo) de falha e finalmente os efeitos são
formas como os modos de falha afetam o desempenho do sistema.
A Figura 7.3 apresenta uma sugestão de Fluxograma para Elaboração da FMEA. O resultado
da análise é consolidado através de um formulário (Figura 7.4). No formulário FMEA consta
uma identificação inicial que especifica se a análise refere-se a um produto ou processo e
dados de registro particulares. A seguir são introduzidos o nome do item, componente ou
etapa do processo e sua função. Posteriormente são registradas as falhas e rescpectivos modo,
efeito, causa e a possível existência de alguma ação de controle para que a falha analisada não
ocorra. Finalmente são computados os índices de gravidade, detecção, ocorrência e risco. A
última etapa consiste na sugestão de uma ação corretiva para evitar a falha.
Observa-se que, após o término da análise, é possível identificar a falha mais crítica como
aquela que apresenta maior índice de risco. Este índice é calculado pela multiplicação do
índices de gravidade, detecção e ocorrência. Portanto, para diminição do risco total é
necessário a diminuição de pelo menos um dos índices citados.
O índice de detecção pode ser reduzido através do aumento das atividades de verificação e
validação. O índice de ocorrência pode ser diminuído pela remoção ou controle de causas e
alteração do projeto e o ídice de gravidade somente através da alteração do projeto.
A FMEA pode ser realizada através de uma abordagem qualitativa ou quantitativa e deve ser
visto como um documento vivo e que, portanto, deve sempre estar atualizado. É importante
ressaltar que a formação de uma equipe multidisciplinar e multi-hierárquica é condição
imprensidível para uma análise bem sucedida (HELMAN e ANDERY, 1995).
Definir Funções
Determinar Gravidade
Determinar Ocorrência
Calcular Criticidade
(Gravidade x Ocorrência)
Identificar os Controles de
Projeto ou Processo
Determinar a Detecção
Entende-se como estado de um item o conjunto de possíveis valores apresentados por suas
características. Estas características ou parâmetros são chamadas variáveis de estado e
descrevem a situação do item. O espaço de estados é um conjunto que engloba todos os
estados que um item pode apresentar (AZEVEDO, 2002)
Neste caso as grandezas temperatura ambiente, umidade relativa e frequência de operação são
variáveis de estado e descrevem todos os possíveis estados a que o equipamento estará sujeito.
A Tabela 7.3 apresenta alguns valores numéricos como exemplo de uma situação prática.
Podem ser citados como possíveis estados e1=(1,4,2), e2=(2,3,2), e3=(3,4,1), etc.
Tabela 7.3
É viável associar a cada par de estados uma probabilidade de transição entre eles em função
do tempo. O estudo do comportamento das mudanças de estado ao longo do tempo é
conhecido como análise de espaço estado sendo muito difundida a técnica de Markov.
A Figura 7.16 apresenta um Diagrama de Markov para um único componente X que pode
assumir o estados S0 em funcionamento e e estado S1 falho. A probabilidade de transição do
estado de funcionamento para o estado falho é PS0→S1 e a probabilidade de transição no
sentido contrário é PS1→S0. Este é um exemplo de processo discreto (O’ CONNOR, 2002).
70
PS0 S1
S0 S1
PS0 S1 1- PS0 S1
S1 S0 1
S0
2
S1 S0 S1
Os mesmos resultados podem ser obtidos através da matriz de transição de estados (Equação
7.16). Esta matriz elevada a segunda potência corresponde ao segundo intervalo de tempo e
assim sucessivamente.
PS 0→ S 0 PS 0→ S1
T = (7.16 )
PS 1→ S 0 PS1→ S 1
71
Tabela 7.4
Os mesmos resultados podem ser obtidos através da matriz de transição de estados (Equação
7.16). A matriz de transição de estados para o exemplo proposto considerando o primeiro
intervalo de tempo é apresentada na Equação 7.17. Esta matriz elevada a segunda potência
corresponde ao segundo intervalo de tempo conforme valores apresentados na Equação 7.18.
Procedimento análogo pode ser realizado para obtenção dos demais intervalos de tempo.
Observa-se que todos os resultados encontrados através da matriz de transição coincidem com
os valores obtidos através do diagrama em árvore (Vide Tabela 7.4)
(7.16)
0,9 0,1
T =
0,6 0,4
2 (7.17)
0,9 0,1 0,87 0,13
T = =
0,6 0,4 0,78 0,22
0
Tempo
S0 0
0.1 0.9
S1 1
S0
S0 S1 S0 S1 2
S0 S1 S0 S1 S0 S1 S0 S1 3
0.9 0.1 0.6 0.4 0.9 0.1 0.6 0.4 0.9 0.1 0.6 0.4 0.9 0.1 0.6 0.4
S0 S1 S0 S1 S0 S1 S0 S1 S0 S1 S0 S1 S0 S1 S0 S1
4
A(t)
0.9
0.87 0.861 0.86
1 2 3 4 t
Figura 7.19- Disponibilidade A(t)
A origem do método de Simulação de Monte Carlo se deu durante a Segunda Guerra Mundial, ao
longo das pesquisas no Laboratório de Los Alamos, que resultaram na construção da primeira
bomba atômica. O método foi proposto por Von Neumann e Ulam para solução de problemas
matemáticos cujo tratamento analítico não se mostrava viável. O nome Monte Carlo, famoso
cassino de Mônaco fundado em 1862, foi adotado por razões de sigilo das pesquisas e pelo fato
da presença da aleatoriedade lembrar os jogos de azar.
A Simulação de Monte Carlo pode ter uma abordagem sequencial ou não sequencial. Na primeira
possibilidade os estados do sistema são sequencialmente amostrados por vários periodos de
tempo simulando uma realização do processo estocástico de operação do sistema. Considerando a
abordagem não sequencial o espaço de estados é amostrado aleatoriamente sem levar em
consideração a cronologia do processo de operação do sistema.
79
A Simulação pode ser utilizada tendo como base a maioria das diversas topologias utilizadas
para modelar a confiabilidade de um sistema. Uma grnade vantagem é que as probabilidades de
transição entre os estados do sistema podem assumir qualquer valor e não necessariamente
devem permanecer constante como no Diagrama de Markov. Estas características proporcionam
grande flexibilidade.
Estima-se que em breve a simulação torne-se o principal método para resolução de RBDs
complexos uma vez que os recursos computacionais tornam–se cada vez mais disponíveis e
viáveis economicamente (MURPHY; CARTER, 2003).
8-Técnicas de Manutenção
A manutenção é apenas uma das ferramentas utilizadas para garantir que a confiabilidade de um
componente ou sistema seja satisfatória. Outras opções podem incluir o aumento da capacidade
do sistema, utilização de redundâncias ou o emprego de componentes intrinsecamente mais
robustos (IEEE,2001). Entretanto, devido à restrições econômicas é cada vez mais necessário a
otimização da taxa de utilização de equipamentos incluindo, inclusive, a melhoria dos programas
de manutenção. De fato a manutenção tem assumido um papel cada vez mais importante no
contexto mais amplo do gerenciamento de recursos.
Moubray (1995) divide a evolução das técnicas de manutenção em três gerações conforme
representado na Figura 8.1. A primeira geração compreende o início de era industrial até a
Segunda Guerra Mundial no qual as indústrias eram pouco mecanizadas e os equipamentos, de
uma maneira geral, simples e superdimensionados. Neste contexto a prevenção de falhas não
tinha alta prioridade e a manutenção (chamada corretiva) era realizada de maneira reativa e sem
nenhum planejamento.
A manuteção corretiva prevê uma intervenção somente após o aparecimento de uma falha. Este
tipo de manutenção apresenta como vantagem o fato de não requerer planejamento e como
desvantagens a diminuição da vida útil do equipamento bem como a possibilidade de provocar
grandes perdas de produção. Além disso, devido a imprevisibilidade, pode a ocorrer a
inexistência de peças de reposição e pessoal qualificado disponível para efetuar os reparos
necessários.
80
Após a Segunda Guerra Mundial teve início a segunda geração segundo Moubray (1995). Nesta
época surgiu uma maior demanda por produtos industrializados e como consequência ocorreu
um aumento de mecanização. A partir da crescente complexidade dos sistemas e da necessidade
de se evitar falhas teve origem o conceito de manutenção preventiva.
A grande evolução tecnológica impulsionada pelo programa espacial norte-americano fez com
que as técnicas de manutenção baseadas no tempo passassem a não corresponder às necessidades
dos novos projetos. Kardec e Lafraia (2002) citam como exemplo o projeto dos primeiros aviões
do tipo Jumbo 747 da Boeing que englobavam mais de quatro milhões de componentes. Neste
caso a manutenção preventiva seria inviável devido aos custos altíssimos. Por outro lado, o risco
de acidente demandava uma prática de manutenção que proporcionasse segurança incontestável.
Assim, a terceira geração classificada por Moubray (1995) teve ínicio durante a década de 70.
Nesta época surgiram novos procedimentos de manutenção mais flexíveis baseados no
monitoramento periódico (ou mesmo contínuo) da condição do equipamento.
De acordo com a RCM a prática de manutenção mais recomendada para um dado componente é
dependente dos modos de falha do mesmo. Cada modo de falha passa por um processo de
priorização baseado nas consequências que pode provocar sendo considerados prioritários para a
atividade de manutenção aqueles que, em caso de falha, causam a parada do sistema. Os modos
de falha podem ser ainda analisados quanto a presença ou não de um tempo de desenvolvimento
(TDF) e quanto a frequência de ocorrência ao longo do tempo.
h(t)
Tradicionalmente, a priorização dos modos de falha na RCM é baseado na FMEA (Failure Mode
and Effect Analysis ) (HELMAN; ANDERY, 1995) Um outro enfoque estabelece que esta
priorização possa ser feita também através do monitoramento da condição do equipamento
(IEEE, 2001). A Figura 8.3 ilustra o surgimento da RCM dentro do contexto das técnicas de
manutenção (KARDEC; LAFRAIA, 2002). Cabe ressaltar que todas as técnicas apresentadas
estão em uso atualmente e o objetivo da RCM é nortear a escolha da técnica mais adequada para
cada situação.
Manutenção Corretiva
RCM
Manutenção baseada no tempo
Existe uma outra classificação possível para as intervenções de manutenção na qual são
consideradas apenas a corretiva e a preventiva. Neste enfoque a preditiva é chamada preventiva
baseada na condição. Embora possam ser observadas pequenas divergências entre diversos
autores com relação a terminologia os conceitos básicos são mantidos.
Referências Bibliográficas
AGGARWAL, K.K. Reliability Engineering. Topics in Safety, Reliability and Quality, v.3.
Netherlands: Klumer Academic Publishers, 1993. 384p.
BONO, R.; ALEXANDER, R.; DORMAN, A.; KIM, Y; REISDORF, J. Analyzing Reliability –
A simple Yet Rigorous Approach. IEEE Transactions on Industry Applications, v. 40, No 4,
July/August 2004.
DONG JIANG, SHI-TAO HUANG, WEN-PING LEI, JIN-YAN SHI. Study of Data Mining
Based Machinery Fault Diagnosis. In: First International Conference on Machine Learning and
Cybernetics, IEEE, Proceedings of the… November 2002.
FILHO, V. B. Confiabilidade Básica e Prática. 1a ed. São Paulo: Editora Edgar Blucher. 1997
108p.
KARDEC, A.; LAFRAIA, J.R. Gestão Estratégica e Confiabilidade. 1a ed. Rio de Janeiro.
Qualitymark, 2002. 90 p. (Coleção Manutenção)
LEON GARCIA, A. Probability and Random Processes for Electrical Engineering. Addison-
Wesley Publishing Company. 1994
LEWIS, E.E. Introcduction to Reliability Engineering 4a ed. Canada: John Wiley & Sons,
1987. 400 p.
MAILLART, L. M.; POHL, A .E. Introduction to Markov-Chain Modeling and Analysis. In:
Annual Reliability and Maintainability Symposium, 2005. IEEE, Tutorial Notes.
MARSEGUERRA, M.; ZIO, E. Monte Carlo Sampling and Simulation for Application to
RAMS. In: Annual Reliability and Maintainability Symposium, 2005, IEEE, Tutorial Notes.
METTAS, A.; SAVVA, M. System Reliability Analysis: The Advantages of Using Analytical
Methods to Analyze Non-Repairable Systems. In: Annual Reliability and Maintainability
Symposium. IEEE, Proceedings of the… 2001, p. 80-85.
85
O’ CONNOR, P. D. T. Practical Reliability Engineering. 4a ed. England: John Wiley & Sons,
2002. 513p
ROUVROYE, J.L.; VAN DEN BLIEK, E.G. Comparing safety analysis techniques. Elsevier
Science Publishers. Reliability Engineering and System Safety. v.75, p. 289-294, 2002
SCHNEEWEISS, W.G. Tutorial: Petri Nets as a Graphical Description Medium for Many
Reliability Scenarios. IEEE Transactions on Reliability, v. 50, n.2, June 2001.
SKORMIN , V.A.; POYACK, L.J ; GORODETKI, V.L.; ARAIZA, M.L. e MICHEL, J.D.
Applications of Cluster Analysis in Diagnostics-Related Problems. IEEE, Proceedings of …
Aeroespace Conference, v.3, p. 161-165, March 1999.
86
SKORMIN, V.A.; GORODETKI, V.L.; POPYACK, L.J. (2002). Data Mining Technology for
Failure Prognostic of Avionics. IEEE Transactions on Aeroespace and Electronic Systems,
v.38, n.2, April 2002.
VOLOVOI, V. Modeling of System Reliability Petri Nets with Aging Tokens. Elsevier Science
Publishers. Reliability Engineering and System Safety, v.84, p. 149-161, 2004.
Bibliografia
METTAS, A. Repairable Systems: Data Analysis and Modeling. In: IV Simpósio Internacional
de Confiabilidade, 2006, Salvador. Reliasoft Brasil, Tutorial Notes.
PEEBLES JR., P. Z. Probability, Random Variables and Random Signal Principles. 3a ed.
Singapore: McGraw-Hill, 1993. 401p.
Sistema de Avaliação
Observações:
1)- O sistema de avaliação está de acordo com o Plano de Ensino aprovado pela coordenação do
curso e disponível no SGA.
4- Distribuição de pontos
Titulo do Trabalho
-Nome do Autores
-Local de obtenção dos dados ou indústria objeto da pesquisa
Introdução
- Defina o objetivo principal.
- Explique o que seus colegas irão aprender com seu trabalho.
- Explique qualquer histórico relevante e/ou interessante que motivou o trabalho em questão.
Organização da Apresentação
-Liste os tópicos que serão tratados.
Definição
-Caso necessário defina termos que serão utilizados durante a apresentação.
89
Desenvolvimento
-Explique os detalhes.
-Dê exemplos.
Conclusão
-Conclua o trabalho.
-Apresente as lições aprendidas com o trabalho.
-Faça uma análise crítica do tema estudado e apresente sugestões para trabalhos futuros
Referências Bibliográficas
-Os trabalhos deverão estar baseados em pesquisa bibliográfica suficiente para uma apresentação
objetiva e de qualidade.
- Apresentação Oral
- A não apresentação do trabalho implicará em perda total dos pontos destinados a esta
parte do trabalho (8 pontos)
-Qualquer negociação envolvendo troca horários para apresentação deve ocorrer com no
mínimo uma semana de antecedência. Comunicações fora deste prazo não serão
consideradas.
7-Informações complementares:
- A escala de apresentação de cada grupo de trabalho será feita usando o critério de sorteio.
- O grupo deve se responsabilizar por providenciar os recursos necessários à apresentação
- Todos os elementos do grupo de trabalho deverão participar da apresentação oral.
- No caso de uso de vídeos, esse recurso servirá apenas de suporte e ilustração do tema escolhido.
90
Foram coletados os valores de tempo até a falha de um equipamento instalado em campo (vide
Tabela 1). Posteriormente estes dados foram agrupados segundo um intervalo de tempo de 1000h
e separados em 3 grupos. Calcule a taxa média de falhas e desenhe o gráfico taxa de falhas x
tempo(horas)
Tabela 1 - Tempo até falhar (h)
Grupo A
100- 120- 130- 200- 240- 290- 300- 310- 330- 350-380-430- 460- 470- 480 520 - 540 -590 -
640- 680- 690- 720-830-870-920-980-1020-1040-1190-1380-1440-1560-1620-1700-1750 -1920
Grupo B
2810- 2820- 2900- 3060- 3240-3300-3530- 3610- 4010- 4280- 4370- 4450- 5040- 5120- 5200-
5330- 5420 -5560- 5640- 5830- 6020- 6370- 6460- 6530 6620- 7010 -7100- 7510-7560- 7840-
7920-8410-8600-8790-8840-8990-9080-9110-9150-9210-9790
Grupo C
Exercício 4 (Qualytek,2005)
O tempo médio requerido para reparo de um determinado sistema é de 1,10h. A partir dos dados
apresentados na Tabela 1 estime o tempo médio para reparo e verifique se as especificações são
atendidas.
resistência R1
fonte +
resistência R2
Produto Processo
Considerando as figuras abaixo, elabore uma FTA para o evento de topo apresentado.
controlador de
disjuntor fusível disjuntor temperatura
Fiação
Evento de
Topo
A B
E J
C D H I
F G K L
99
B D
A E
C
G
F I J
H
Exercício 9
A B
E F
C D
100
Exercício 10
PS0 S1
S0 S1
a) Suponha um sistema que contem 3 unidades idênticas onde uma está operando e as outras duas
estão em standby. Determine a confiabilidade do sistema para 400h de operação, sabendo que a
taxa de falhas das unidades é 0,003 falhas/h.