Você está na página 1de 13

FAMAT em Revista - Nmero 05 - Setembro de 2005

211

APLICAO DA ESTATSTICA NA MANUTENO PREDITIVA


Raquel Maria Gondim * Marcus Antonio Viana Duarte ** Faculdade de Engenharia Mecnica Ps-graduao em Engenharia Mecnica Universidade Federal de Uberlndia UFU 38400-100, Uberlndia -MG Outubro 2005

Resumo: A manuteno tem como objetivo garantir a disponibilidade da funo dos equipamentos e instalaes para atender a um processo de produo ou de servio com confiabilidade. Neste trabalho daremos nfase manuteno preditiva, que visa prevenir as falhas em equipamentos ou sistemas sem que haja a paralisao dos mesmos. Para esta anlise apresentaremos algumas distribuies estatsticas e suas aplicaes dentro da manuteno. Sendo o estudo da distribuio de Weibull o nosso objetivo, a anlise de Weibull um mtodo estatstico que correlaciona dados especficos de falha com uma distribuio particular, podendo indicar o tipo de falha, prematuro, randmico ou desgaste. 1. Confiabilidade O termo confiabilidade muito usado na manuteno, e teve origem na dcada de 50 nos Estados Unidos para anlise de falha em equipamentos eletrnicos de uso militar. Confiabilidade a probabilidade que um item possa desempenhar sua funo, por um intervalo de tempo [0, t], sob condies definidas de uso. O valor t no pode ser previsto a partir de um modelo determinstico, isto , componentes idnticos sujeitos a idnticos esforos falharo em diferentes e imprevistos instantes. Deste modo o emprego de um modelo probabilstico, considerando t uma varivel aleatria, constitui-se no nico tratamento realista do assunto. Sendo R(t) a funo de confiabilidade de um sistema ou componente na poca t, definida como R(t) = P(T>t), onde T a durao de vida. A funo densidade de probabilidade (fdp) de T, f R(t)= f ( s )ds .
t

Em termos da funo densidade (fd) de T, F R(t)= 1-P(T t) = 1- F(t). Alm da funo de confiabilidade, temos outra funo importante em manuteno, que a taxa de falhas Z(t) dada por: Z(t)= n de falha/ n total de horas de op. Ou Z(t)= n de falha/unidade testadas x n de horas de teste.

* Mestranda da Ps-Graduao da Engenharia Mecnica / CNPq E-mail: rmgondin@mecanica.ufu.br ** Professor orientador E-mail: mvduarte@mecanica.ufu.br

212

FAMAT em Revista - Nmero 05 - Setembro de 2005

Matematicamente podemos escrever: f (t ) f (t ) , ou seja, para F(t)<1 Z (t ) = Z (t ) = 1 F (t ) R (t ) Como a taxa de falhas e a confiabilidade esto diretamente ligadas, podemos citar um interessante teorema: Se T, a durao at falhar, for uma varivel aleatria continua, com fdp f e se F(0)=0, onde F a fd de T, ento f poder ser expressa em termos da taxa de falhas Z, da forma:
Z (s)ds

f(t)=Z(t).

e0

(1)

Este teorema nos mostra que a taxa de falhas Z determina univocamente a fdp f, valendo tambm a recproca. Os conceitos de confiabilidade e taxa de falhas, esto entre as mais importantes ferramentas necessrias para um estudo profundo dos modelos de falhas a partir destes chegamos a seguintes questes: Qual modelo matemtico adequado para a descrio de um fenmeno observvel? Que Lei de Falhas subjacentes ser razovel admitir? (Isto , que forma a fdp de T deve ter? ) Para responder estas questes, podemos usar o ponto de vista estritamente matemtico e assumir qualquer fdp para T, e depois, simplesmente estudar as conseqncias dessa hiptese, contudo estamos interessados em ter um modelo que represente os dados de falhas disponveis. Ento analisaremos a partir de agora os mais importantes tipos de distribuies e leis de falhas, e a aplicao de cada uma. 2. Tipos de Distribuies Verificamos que, na construo de modelos no-determinsticos para fenmenos observveis, algumas distribuies de probabilidade so mais usadas que outras, veremos algumas destas distribuies e suas aplicaes. 2.1 Distribuies Aleatrias Discretas 2.1.1 Distribuio de Poisson Def.:Seja X uma varivel aleatria discreta (VAD), tomando os seguintes exp( ). k valores 0,1,...n..., . Se a funo de densidade de for dada por P(X=k)= , k! onde k=0,1,2,...,n,..., ento X tem a distribuio de Poisson, com parmetro > 0 . Com E(X)= e a varincia V(X)= Aplicaes: Modelar eventos aleatrios que ocorrem com uma determinada freqncia, onde a mdia conhecida e constante intervalo entre os eventos.

FAMAT em Revista - Nmero 05 - Setembro de 2005

213

2.1.2 Distribuio Binomial Def.: Seja X VA definida como o nmero de vezes que o evento A tenha ocorrido, ento X uma VA Binomial com parmetro n e p, com P(A)=p (constante) e n= nmero de repeties.Logo sendo X uma VA Binomial, baseada em n n k nk repeties com a sua funo densidade P(X=k)= k p (1 p ) , K=0,1,...,n, ento temos a distribuio binomial. A mdia ser E(X)=np e a varincia V(X)=np(1-p) Aplicaes: Amostragem com reposio Nmero de sucesso em n tentativas independentes. Nmero de itens defeituosos num conjunto de tamanho n. 2.1.3 Distribuio Geomtrica Def.: Sendo um experimento e estamos interessados na ocorrncia ou noocorrncia de algum evento A; repetimos o experimento at ocorrer A pela primeira vez, sendo as repeties independentes e que cada repetio tenha P(A)=p e P( A )= 1-p=q sempre os mesmos. Temos X o nmero de repeties necessrias para obter a primeira ocorrncia de A, X ter sua funo densidade dada por: P(X=k)= q k 1 p , k=1,2,... regida pela distribuio geomtrica. A mdia ser E(X)=1/p e a varincia V(X)= q / p 2 Aplicaes: Nmero de insucessos antes do primeiro sucesso em n amostragens. Nmero de amostragens necessrias at obter um sucesso. Nmero de itens retirados at encontrar um defeituoso. 2.1.4 Distribuio Hipergeomtrica Def.:Suponha que tenhamos um lote de N peas, com r peas defeituosas e (N-r) no defeituosas. Se escolhermos ao acaso n peas deste lote sem reposio,e X o nmero de peas defeituosas encontradas. Sua funo de densidade dado por: r N r k n k , k=0,1,2,..., ento temos a distribuio hipergeomtrica. P(X=k)= N n N n , onde p=r/N e q=1-p A mdia ser E(X)=np e a varincia V(X)= npq N 1 Aplicaes: Amostragem sem reposio Nmero de sucesso em n tentativas independentes. Nmero de itens defeituosos num conjunto de tamanho n.

214

FAMAT em Revista - Nmero 05 - Setembro de 2005

2.2. Distribuies Aleatrias Contnuas 2.2.1 Distribuio Normal Def.: Seja X varivel aleatria, que tome os valores reais < x < + , e sua funo densidade de probabilidade dada por: (x )2 1 2 f(x)= exp 2 2 , temos uma distribuio normal N( , ). 2 2 A mdia ser E(X)= e a varincia V(X)= 2 . Aplicaes: Erros de diversos tipos,rudos. Valores que so a soma de grande nmero de outros valores Desgaste. 2.2.2 Distribuio Exponencial Def.: Seja X varivel aleatria, que tome todos os valores no negativos. e sua funo densidade de probabilidade dada por: f ( x) = exp(x) , x 0, temos uma distribuio exponencial, com parmetro >0. 1 1 A mdia ser E(X)= e a varincia V(X)= 2 .

Aplicaes: utilizada normalmente para representar a durao de um determinado servio. Intervalo de tempo at a falha de uma pea de um equipamento. Fadiga 2.2.3 Distribuio Gama Def.: Seja X VAC, que tome somente valores no negativo, com funo densidade de probabilidade: f ( x) =

( r )

(x) r 1 e x ,

x>0, e os parmetros r 1 e

> 0. Sendo (r ) a funo Gama definida como:


( p ) = x p 1e x dx , p>0
0

Para r=1 a fdp da distribuio Gama fica idntica distribuio exponencial. f ( x) = exp(x) Para r + a fdp da distribuio Gama pode ser generalizada dada pela forma

(r 1)! mostrarmos que a fd da distribuio Gama igual fd da distribuio de Poisson. r r A mdia ser E(X)= e a varincia V(X)= 2 .

Aplicaes: Tempo para realizar uma tarefa.

f ( x) =

(x )r 1 e x , a partir desta funo podemos usar a fd F(x)=1-P(X>x) e

FAMAT em Revista - Nmero 05 - Setembro de 2005

215

3. Leis de Falhas 3.1 Lei de Falhas Normal A lei de falhas normal representa um modelo apropriado para componentes nos quais a falha seja devida a algum efeito de desgaste. A sua fdp ser dada por: 1 t 2 1 , T 0 exp f (t ) = 2 2 Onde: mdia at falhar desvio padro De acordo com a fdp normal, temos que a maioria das peas falham em torno da durao mdia. A funo de confiabilidade para este caso pode ser expressa em termos da fdp: t 1 t 2 1 R(t)=1-P(T t) =1dx exp 2 2

3.2 Lei de Falhas Exponencial a lei mais importante, pode ser caracterizada de muitas maneiras, mas a maneira mais simples supor que a taxa de falhas seja constante, isto , Z(t)= . Esta hiptese pode significar que depois que a pea estiver em uso, sua probabilidade de falhar no se altera, ou seja, no existe o desgaste. Em conseqncia desta hiptese e aplicando a equao (1) a sua fdp fica: f (t ) = exp(t ) , t>0 E a confiabilidade: R(t)= 1- F(t) = exp(t ) H muitas situaes encontradas nos estudos de falhas, para os quais a hiptese bsica que levam distribuio exponencial no ser satisfeita, isto porque uma pea que no tenha falhado to boa quanto pea nova, ento devemos considerar t como o tempo de operao (at falhar), sem se importar com o histrico da pea. 4. Distribuio de Weibull Expresso semi-emprica desenvolvida por Ernest H. W. Weibull, fsico sueco, que em 1939 apresentou o modelo de planejamento estatstico sobre fadiga de material. Adequada para leis de falhas em equipamentos sempre que o sistema for composto de vrios componentes e a falha seja essencialmente devida a mais grave imperfeio, dentre um grande nmero de imperfeies, onde a taxa de falha no precisa ser constante. Esta distribuio nos permite:

representar falhas tpicas de partida (mortalidade infantil), falhas aleatrias e falhas devido ao desgaste. obter parmetros significativos da configurao das falhas. representao grfica simples.

216

FAMAT em Revista - Nmero 05 - Setembro de 2005

Principais expresses matemticas:

f (t ) =

t t0 (t t 0 ) exp

t t 0 F (t ) = 1 exp

, probabilidade de um item falhar num intervalo t.


t t 0 R(t ) = 1 F (t ) = exp Z (t ) =

, confiabilidade.

1 (t t 0 ) , taxa de falha.

TMEF = t 0 + (1 + 1 ) , tempo mdio entre falhas.

= [(1 + 2 1 ) 2 (1 + 1 )] 2 , desvio padro


1

E (t ) =
Onde:

1 1 + 1

t 0 Vida mnima, intervalo de tempo que o equipamento no apresenta falhas.

Vida Caracterstica, intervalo de tempo entre t0 e t no qual ocorrem 63,2%


das falhas.

Fator de Forma, indica a forma da curva e a caractersticas das falhas.


Quando:

<1, mortalidade infantil =1, falhas aleatrias >1, falhas por desgaste
Uma das particularidades mais interessantes decorre do fato de que alterando o valor de , a funo densidade de probabilidade de Weibull toma formas de outras distribuies, dependendo do valor de distribuio de Weibull pode ser igual ou se aproximar de varias outras distribuies.

FAMAT em Revista - Nmero 05 - Setembro de 2005

217

Exemplo: Uma centena de bombas idnticas opera continuamente at falhar. Temos o tempo de falha de cada uma, dada na tabela abaixo: Tempo de Falha (horas) Freq. Obs. Freq. Freq. Simples Acumul. Obs Obs 0.02 0.06 0.16 0.14 0.26 0.22 0.07 0.06 0.01 1.00 0.02 0.08 0.24 0.38 0.64 0.86 0.93 0.99 1.00 ---

1000 => 1100 1100 => 1200 1200 => 1300 1300 => 1400 1400 => 1500 1500 => 1600 1600 => 1700 1700 => 1800 1800 => 1900 Total:

2 6 16 14 26 22 7 6 1 100

Temos que: I. Determinar t0 : II. Encontrar e : I. Determinar t0 : Para determinar t0 , temos trs mtodos, por tentativas, pela utilizao de papel grfico e por meio de programas. Encontraremos t0 atravs de programa baseado na tentativa para encontrar o menor erro, no MATLAB. to=900

218

FAMAT em Revista - Nmero 05 - Setembro de 2005

II. Encontrar e : Fazendo a transformao linear da forma da distribuio de Weibull, podemos obter estes coeficientes: t t t t 0 0 F (t ) = 1 exp F (t ) 1 = exp t t t t0 0 ln( F (t ) 1) = ln exp ln( F (t ) 1) = ln(ln(F (t ) 1)) = ln(t t 0 ) ln( ) Y = a. X + b Temos a seguinte tabela: t 1100 1200 1300 1400 1500 1600 1700 1800 1900 F(t) Y=Ln{-Ln[1-F(t)]} 0.02 0.08 0.24 0.38 0.64 0.86 0.93 0.99 1.00 -3.9019 -2.4843 -1.2930 -0.7381 0.0214 0.6761 0.9780 1.5272 -----X=Ln(t-to) to=900 h 5.2983 5.7038 5.9915 6.2146 6.3969 6.5511 6.6846 6.8024 ------

= 594,28 = 3,5831
5. Distribuio de Weibull na Manuteno Preditiva Em muitas mquinas o controle das vibraes s possvel quando a mquina esta em funcionamento, se ns observarmos os sintomas das vibraes para um grupo de mquinas e aplicarmos aos resultados o processo de Weibull podemos calcular a curva da vida dos sintomas, o valor de alarme e de pane. No monitoramento das condies das vibraes (VCM), temos duas questes fundamentais: 1) Encontrar o sintoma da vibrao S, que mostra como descobrir a falha da mquina. 2) Estimar o valor limite S L para o sintoma. Fazemos estimao dos valores limites S L ,onde temos S a o valor de alerta e S b o valor de pane. S a descoberto por meios de passos da fase da vida da mquina em uso. S b determinado com a paralisao da mquina. Estes valores so muitos importantes para o controle contnuo da mquina, mas a sua determinao no simples.

FAMAT em Revista - Nmero 05 - Setembro de 2005

219

A observao dos sintomas S no controle contnuo da mquina realizado atravs de um processo aleatrio de operao da mquina que depende do tempo de vida , e de diferentes parmetros i at ento desconhecidos, ento a curvavida dos sintomas da mquina [ S = S ( , 1 ,...)] fica completa quando encontramos estes valores , ou temos um mtodo natural dando somente um nvel de incerteza para os valores S a e S b . Para uma grande amostra de mquina, os valores observados dos sintomas S, e as propriedades de e dos parmetros i eficiente. Tm-se os resultados dos sintomas para um experimento e os termos para a funo de densidade de Weibull, combinamos estes coma tcnica de Neyman-Pearson podemos determinar com preciso os valores limites e uma boa mdia de S ( ) (curva do tempo de vida).A vantagem deste mtodo que podemos usar cada ensaio e adaptar os resultados para ensaios operacionais particulares e condies de manuteno. Ordenamos as diferenas entre alguns tipos de controles da qualidade de um experimento, dados pelos seguintes parmetros: 1 - desvio na fabricao 2 - nvel de interao dinmica (instalao) 3 - diferena entre a carga da mquina em operao 4 - qualidade da manuteno Ento encontramos a curva-vida dos sintomas na realizao de um processo estatstico do controle: S = S ( , 1 , 2 , 3 , 4 ) Para N novas mquinas em operao temos 4 constante, logo o experimento fica idntico teoria da confiabilidade. Para 1 mquina com um nmero suficiente de ciclos na operao-renovvel, 1 e 2 so constantes e escolhemos N leituras diferentes dos indcios dos sintomas (ou seja n ). Para o caso do diagnstico do experimento passivo todos os parmetros podem ser diferentes. Procuramos um procedimento para a mdia dos sintomas representando por: S ( ) = EW [ S ( , 1 , 2 , 3 , 4 )] Onde EW [ S ( , 1 , 2 , 3 , 4 )] a mdia dos desvios operacionais dos parmetros i possveis no ensaio. Fazendo uma notao discreta dos seguintes valores: S ni = S n ( i ) com , onde bn o tempo de pane de N mquinas. Como bn no 20 20 exatamente conhecido, fazemos bn = , com sendo a mdia do tempo de pane do grupo de mquina. Podemos ordenar os resultados do nosso experimento com a mdia da curvavida dos sintomas com diferentes densidades de probabilidades:

i =

bn

p(S) a densidade de probabilidade dos sintomas em controle. p( b ) a densidade de probabilidade do valor do tempo de pane. p( S b ) = p[ b ( S b )] a densidade de probabilidade do valor do sintoma de pane.

220

FAMAT em Revista - Nmero 05 - Setembro de 2005

Podemos dizer que p(S) e p ( S b ) tem a forma da distribuio de Weibull, assim assumindo os 3 parmetros da distribuio de Weibull, chegamos em:
k p ( b ) = g k p(S ) = S0 Sn b g g
k 1

b g exp g

; k>0 e b g ; k>0 e S S n
k

(1)

S Sn S S n 0

k 1

S Sn exp S S n 0

(2)

Onde: k fator forma - mdia do tempo de pane g - garante a vida da mquina


S n - determina o valor mnimo do sintoma (qualidade da manuteno) S 0 - valor caracterstico do sintoma. Podemos ento obter p(S) e p ( b ) , ajustando a amostra com a mdia dos

sintomas da curva-vida S ( ) = S , com este procedimento podemos usar a frmula da transformada da densidade de probabilidade, abaixo:
dS p ( S )dS = p ( ) , onde p ( ) a funo densidade de d probabilidade de S ( ) da amostra. Assumindo a uniformidade da funo de densidade para o tempo mdio e para a pane em um grupo de maquinas observados, e que os incrementos sejam positivos (ds, d > 0 ,isto , a curva da vida montona) chegamos ao domnio da equao diferencial: d 1 p ( S )dS = p ( ) = (3)
1

Substituindo a equao (2) em (3), temos:


kdS S0 Sn S Sn S S n 0
k 1

S Sn exp S S n 0

d =

Fazendo a integrao por substituio:


S = S n + ( S 0 S n ) k ln c

Quando exigimos uma condio inicial = 0 e um ponto abaixo de S n no grfico 2, a constante de integrao c=1. Assim podemos encontrar o resultado para o nosso experimento, a curva-vida para a mdia dos sintomas.
S = S n + ( S 0 S n ) k ln 1

(4)

FAMAT em Revista - Nmero 05 - Setembro de 2005

221

5.1. Teoria da Deciso de Neymann-Pearson Baseado no teste de hiptese, onde teremos Ho a hiptese nula e H1 a hiptese alternativa. Procedimento Geral Pelo contexto do problema identificar o parmetro de interesse. Especificar a hiptese nula. Escolher um nvel de significncia. (0.05 e 0.01) Decidir sobre a rejeio ou no de Ho. Erro tipo I: Rejeitar Ho quando Ho for verdadeira Erro tipo II: Aceitar Ho quando Ho for falsa A probabilidade de escolhermos Ho quando for falsa e denotada por :

= PFA =

f (l / H )dl
l o v

Para estimar os valores S a e S b , faremos o uso da Teoria da deciso de Neymann-Pearson, com isso poderemos minimizar os nmeros de panes e perceber os reparos desnecessrios A, pois podemos escrever um valor apropriado para S b . Temos:
A = Pg p ( S )dS
Sb

(5)

te onde Pg = t t e r

Ne Ne Nr

Pg eficincia dos ndices para um grupo de mquinas te tempo total de controle t r tempo total de reparo N e , N r nmero apropriado de mquinas.

222

FAMAT em Revista - Nmero 05 - Setembro de 2005

Como assumimos a densidade de probabilidade de Weibull para p(S) na equao (2) e Neymann-Pearson na equao (5), podemos obter a razo de pane:
Sb Sn A = p ( S )ds = exp S S Pg Sb 0 n

Sb Sn A = k ln S 0 S n Pg

Para encontrar S a , podemos usar o mesmo raciocnio que desenvolvemos para estimar S b . Ento podemos mudar os limites de integrao na equao (5), para chegarmos razo de alerta :

A = Pg p ( S )dS
Sa

Sb

(6)

Sb S S k S S k A b n a n = p ( S )ds = exp exp S S S S Pg S 0 n 0 n b k k S S A Sa Sn A 2A a n = exp ln = Pg S S Pg Pg S 0 S n 0 n

Sb Sn A = ln S S Dividindo por Pg 0 n

Temos:

Sa Sn =k Sb Sn

ln

2A Pg 1 A ln Pg

A distribuio de Weibull apresenta uma interessante relao do coeficiente k com o coeficiente de variao:
2 1 + k 1 1 k = S Sn = S S Sn k 1 1 + k Ento o valor caracterstico S 0 pode ser determinado:

S 0 = S n + ( S S n ) 1 (1 + 1 / k ) Deste modo S n , S 0 e k podem ser encontrados; conseqentemente , e a curva da vida dos sintomas podem ser calculados.

FAMAT em Revista - Nmero 05 - Setembro de 2005

223

Tendo os valores limites S a e S b , qual a relao destes com a curva da vida dos sintomas? Para responder esta pergunta utilizaremos a equao (4) substituiremos S = S b e = b :
S = S n + ( S 0 S n ) k ln 1 S Sn = k ln 1 S0 Sn

Sb S n Sb Sn = k ln 1 b exp S S S0 Sn n 0

b = 1

A A = 1 b b = 1 Pg Pg
Empregando o mesmo raciocnio para S = S a e = a , chegamos em Conclumos, que o tempo de pane

a 2A . = 1 Pg

e o tempo de alerta no dependem dos

parmetros da distribuio de Weibull, o mesmo acontece com a curva da vida. Portanto, estes dependem somente da eficincia dos ndices Pg e da manuteno apropriada A. Assim o fator de deciso para o modelo o fator forma k e a correta A manuteno dada pela razo . Pg 6. Concluso As distribuies aqui apresentadas com suas respectivas aplicaes so todas importantes, mas algumas so mais usadas que outras devido abrangncia de casos a serem usadas. A distribuio de Weibull se mostra mais eficiente na manuteno preditiva, pois dependendo do valor do fator de forma , ela engloba os casos mais importantes de distribuies, constituindose, assim, numa poderosa ferramenta de anlise e controle estatstico. 7. Referncias Bibliogrficas

Cempel, Czeslaw Passive Diagnostics and Reliability Experiment: Application in Machine Condition Monitoring. Vol. 111 Janeiro 1989. Kardec, Alan; Nascif Jlio Manuteno - Funo Estratgica. Edio n 2 Rio de Janeiro 2001. Meyer, Paul L. - Probabilidade: aplicaes estatstica / traduo Ruy de C. B. Loureno Filho. Edio n 1, Rio de Janeiro 1969. Ross, Sheldon M. - Introduction to probability and statistics for engineers and scientists, 1987. Cap. 10. Spiegel, Murray R. - Estatstica / traduo de Pedro Consentino. Edio n 2, 1971. Wormit, Michael - Detection Neyman-Pearson Theory. www.klimt.iwr.uni-heidelberg.de/mip/adaptive_filters