Você está na página 1de 42

Confiahilidade de Componetdes e Sistemas enJ722.hlogspot.com.

hr

1- Fundamentos de Confiabilidade

Introdução

A melhor maneira de aprender um novo conceito é partir de algo que é muito familiar,

CUJa ideia é por demais conhecida, e acrescentar elemento a elemento até que um novo

conceito passe a ser também familiar. Assim, uma vez que o curso é de confiabilidade e isso

lida com tempos de quebra de itens de uma forma estatística, vamos iniciar quebrando,

hipoteticamente, um conjunto de N equipamentos idênticos que pertençam a um mesmo lote

de fabricação.

Desta forma todos serão submetidos às mesmas condições operacionais previamente

especificadas. Entende-se por condições operacionais tanto a carga de trabalho a que o

equipamento está submetido, por exemplo: frequência de utilização, período de operação;

quanto as variáveis ambientais, por exemplo: vibração, temperatura, tensão, radiação. Essas

condições operacionais têm que ser identificadas e especificadas, pois sua alteração influencia

na confiabilidade do equipamento. Essa dependência será inclusive utilizada de forma

proveitosa quando quisermos acelerar os ensaios, por hora as manteremos fixas.

Neste ponto estamos aptos a fazer uma definição: A Confiabilidade de um item é a

probabi lidade dele não apresentar qualquer falha desde sua entrada em operação até um

tempo determinado, sob condições operacionais específicas.

Feitas essas considerações, pressupõe-se que os nossos N equipamentos apresentarão

tempos de falha de forma aleatória, cuja distribuição pretende-se modelar matematicamente.

Por exemplo: suponhamos a seguinte tabela com a quebra de 50 itens cujos tempos estão em

horas:

Tabela 1.1- Dados de quebra em horas de 50 componentes.

14 84 119 137 158 183 218 255 312 415


22 96 121 140 162 189 225 264 330 420
61 104 125 145 167 190 230 273 345 447
77 111 128 149 171 197 237 282 360 472
80 112 132 153 175 210 243 301 383 490
Vale, ainda, lembrar que o estudo de confiabilidade também lida com variáveis

aleatórias distintas do tempo de quebra, por ex em pio, quilo metragem rodada, número de

missões realizadas, número de ciclos executados, etc..

Histograma

A primeira análise gráfica que pode ser feita é a construção do Histograma das

quebras. Para tanto devemos definir a quantidade de classes bem como seus intervalos. A

regra é que o número de classes seja um número inteiro o mais próximo da raiz quadrada do

Pereiralima I
Confiahilidade de Componemes e Sistemas enJ 722.blogspot.com.br

número de elementos na amostra. O intervalo é calculado com base na diferença entre o

maior e o menor valores encontrados dividi da pelo número de classes. Por convenção, se o

tempo de quebra coincidir com os limites da classe, será contado sempre na classe anterior.

Neste caso, adotaremos 7 classes com interval os de 70 h cada. Assim pode-se obter a

distribuição de frequência dos tempos de quebra si mplesmente contando o número de

quebras cujos tempos estejam compreendidos entre os limites da classe. O resultado é

apresentado na tabela 1.2 e seu gráfico na figura 1.1.

Tabela 1.2 - Histograma de quebra de 50 componentes em sete classes de 70 horas cada.


o 70 140 210 280 350 420
Classes [h] A A A A A A A
70 140 210 280 350 420 490
Freouênda ali) 3 14 13 8 5 4 3

Histograma
16
14
1· -1t·'- í
1 '

12 e 1,
' ~ 1
-
10
~ ~·

8
;1 ' '
6 ,..

1

' -
4
2 . . 1-
4 e
......... ...
~ r- -
1 l
.. -
o '
'
o 100 200 300 400 500

Figura 1.1- Histograma de quebra de 50 componentes em sete classes de 70 horas cada.

Probabilidade Intervalar
De posse do gráfico do histograma pode-se obter o gráfico da probabilidade de

ocorrência de cada classe, simplesmente dividindo a frequência pelo número total de

elementos da amostra. Assim obtêm-se os va lores apresentados na tabela 1.3 e seu gráfico na

figura 1.2. É usual tomar o ponto médio da classe para o seu posicionamento.

Tabela 1.3 - Probabilidade Intervalar de 50 componentes em sete classes de 70 horas cada.


Classes [h] 35 105 175 245 315 385 455
Probabilidade% 6 28 26 16 10 8 6

Pereiralima 2
Confiobilidade de Componemes e Sistemas enJ722.blogspot.com.br

Probabilidade Intervalar
30,00o/o 1 1
}I ~ I
25,00% ,~

~r~'
- 1

20,00°/o

15,00°/o
-
,
1
1

1 ~...
--

1
,_ ~

1r1 ·~ .
j -· .......
1
10,00%
1 1

5,00°/o ~ 1
1

1 1 1
0,00%
o 100 200 300 400 500
Figura 1.2 - Gráfico da Probabilidade de Ocorrência de cada classe.

Densidade de Probabilidade

De posse do gráfico da probabilidade intervalar pode-se obter o gráfico da função

densidade de probabilidade. A função tem este nome porque ao se integrá-la no intervalo da

classe obtém-se a probabilidade de ocorrência da classe, assim:


,,
P(t, < t < t 2 ) = f (t ).dt f,,
(1.1)

Cabe observar que sendo a probabilidade um número compreendido entre O e 1, a

função densidade de probabilidade nunca será negativa, tendo unidade inversa a da variável

independente. Seguem as propriedades:

P(O < t < oo) = J(t).clt J =l


o
(1

P(a<t<a)= J (t).dt=O f
a ( 1.2)

Pode-se assumir, aproximadamente, que f(t) seja constante dentro da classe e obter a

função densidade a partir dos dados de quebra como:

t( + t2
2
t, J, , P(t ~ t ~ 1

t2 - t,
t2 )

(1.3)

Assim obtêm-se, dividindo o valor da probabilidade de cada classe pelo i ntervalo da

classe (70), os valores apresentados na tabela 1.4 e seu gráfico na figura 1.3.

Tabela 1.4 - Densidade de Probabilidade de 50 componentes em sete classes de 70 horas.

Classes [h] 35 105 175 245 315 385 455


Densida de [lO"h-1 0,857 4,00 3,71 2,29 1,43 1, 14 0,857

PereiraDma 3
Confiahilidade de Componentes e Sistemas enJ722.blogspot.com.br

Densidade de Probabilidade
4,50E-03
4,00E-03
3,50E-03
r
tf -
~
1 "lJ_
3,00E-03 1
'' ·- -
~ 1

2,50E-03
li 1

~J

'
2,00E-03
1,50E-03 - r1
'
1
1 ,~~- ... -- -
1,00E-03 1
1 · 1~
5,00E-04 1 1 1

O,OOE+OO . 1

o 100 200 300 400 500


1
Figura 1.3 - Função Densidade de Probabilidade [H- ].

Probabilidade Acumulado

A probabilidade de falha é obtida pela simples integração da densidade de

probabi lidade e é a probabilidade de ocorrer a falha desde o tempo inicial (O) até o tempo de

análise (t), assim:


f

F(t) =P(05:t 5:t)= .f(t').dt' 1


f
o
ou ainda dF(t) = J(t)
dt (1.4)
Seguem as propriedades:
o -
Jo
F(O)= J(t).dt =O F(oo)= J (t).dt=l Jo (1.5)

Assim, para o nosso exemplo, obtém-se os valores apresentados na tabela 1.5 e seu

gráfico na figu ra 1.4. Observa-se que a f unção é monotônica crescente.

Probabilidade de Falha
100,00°/o
90,00°/o -
80,00°/o
- 1
_. w .. .· ~~
--
~
~

;Jj'f
70,00°/o 1 1
-
60,00°/o
-- 4 - --
50,00°/o f-
• '
.• i
40,00°/o -

.
30,00°/o -
' 1

- 1
-
20,00°/o
10,00°/o
' ,
.... ~·

O,OOo/o ~
' '
o 100 200 300 400 500

Figura 1.4 - Função Probabilidade de Falha.

Pereiralima
'
Confiabilidade de Componemes e Sistemas enJ 722.hlogspot.com.hr

Tabela 1.5 - Probabilidade de Falhas de 50 componentes em sete classes de 70 horas.


Oasses [h) 35 105 175 245 315 385 455
Probabilidade % 6 34 60 76 86 94 100

Probabilidade Complementar

A confiabllidade é justamente a probabilidade de não ocorrer fa lha desde o tempo

inicial (O) até o tempo de análise (t) e, portanto será o compl ementar da probabilidade de

fa lha e obtida subtraindo-se de 1 o valor desta última.


~ 1 ~

R(t) =1- F(t) =ff (t').dt' - ff (t').dt' =f.f'(t').dt'


o o f

ou ainda dR(t) =-f(t)


dt . ( 1.6)
Assim, para o nosso exemplo, obtém-se os valores apresentados na tabela 1.6 e seu

gráfico na figura L5. Observa-se que a função é monotônica decrescente .

Tabel a 1.6 - Confiabilidade de 50 componentes em sete classes de 70 horas.

Classes [h] 35 105 175 245 315 385 455


Confiabilidade % 94 66 40 24 14 6 o
Confiabilidade
100,00°/o
90,00°/o
80,00o/o
1
.. 1 1 1

70,00°/o
60,00°/o
'A •1 '
'

50,00°/o ·~ 1

40,00°/o
30,00°/o
~,,_ 1

20,00°/o
10,00°/o
0,00°/o
1

1
1
' •.
1
-~ 1

r • ~·-.J
1

o 100 200 300 400 500

Figura 1.5 - Função Confiabilidade [%] .

Exercícios

1.1 - Modifique os dados da tabela 1.1 multiplicando-os por n e subtraindo 10. Com os

novos valores determine o histograma, a função densidade de probabilidade, a probabilidade

de falha acumulada e a confiabilidade. Faça o gráfico de cada uma destas funções.

1.2 - Modifique os dados da tabela 1.1 dividindo-os por e, adicionando 20. Com os

novos valores determine o histograma, a função densidade de probabílidade, a probabilidade

de falha acumulada e a confiabílídade. Faça o gráfico de cada uma destas funções.

Pereiralima 5
Confiabilidade de Componetdes e Sistemas enJ 722.blogspot.com.br

li - Função de W eibull e MTBF

Densidade de Risco

Para continuarmos na busca de um modelo matemático precisamos da função

densidade de risco, que é definida como o oposto da taxa de confiabilidade:

h( ) = -1 dR(t) _ f (t)
t - R(t). dt - R(t)
(2.1)
-J' h(1")tir'
Integrando esta equação por separação de variáveis, obtém-se: R(t)= R(O).e 0

mas como F(O) = O=> R(O) = l , segue que:


-f' h(1'}dl
R(t) =e º (2.2)
Assim, para o nosso exemplo, obtém-se os valores apresentados na tabela 2.1 e seu
gráfico na figura 2.1. Observa-se que a função é não negativa.

Tabela 2.1- Densidade de Risco de 50 componentes em sete classes de 70 horas.

Cla.sses [h] 35 105 175 245 315 385 455


Densidade [lO'' h") 0,912 6,06 9,29 9,52 1,02 1,90 .

Densidade de Risco
2,00E-02

.
1
,t
1,50E-02 '
l/
1.
1,00E-02
,t#i li . . -•' . 1

5,00E-03 ,~' I 1
- ~ ~ 1-
'

O,OOE+OO 4'
4
11
o 100 200 300 400 500

1
Figura 2.1- Densidade de Risco (h. ).

Risco Acumulado

Para faci litar a modelagem, define-se a função de risco acumulado como:

=foh(t')dt'
I

H (t)

O que implica em: R(t) = e-H(I)


ou ainda: H(t) =-ln[R(t)]
(2.3)
Assim, para o nosso exemplo, obtém-se os valores apresentados na tabela 2.2 e seu
gráfico na figura 2.2. Observa-se que a função é monotônica crescente.
Tabela 2.2 - Risco Acumulado de 50 componentes em sete classes de 70 horas.

Classes [h) 35 105 175 245 315 385 455


Risco (#) 0,0269 O, 181 0,398 0,620 0 ,854 1,22 .

Pereiralima 6
Confiahilidade de Componemes e Sistemas enJ722.blogspot.com.br

Risco Acumulado
1,40E+OO
1,20E+OO
1,00E+OO
' 1 ,-~•
-

8,00E-01 ' ~
6,00E-01
. ~~
J,'-W "
1
4,00E-01
1
2,00E-01 --
1.-r4t
~

O,OOE+OO ·- ~

o 100 200 300 400 500

Figura 2.2 - Risco Acumulado.

Funções de Weíbull e Log-Weíbull


A modelagem agora pode ser encerrada com uma proposta para a função H(t). Vamos

estudar a função proposta por Weibull:

H(t) = ( t-:)r para t > µ posto que os parâmetros :µ,a, ye R+•


eH(t)=O paraµ?..t?..0 (2.4)
E também a sua similar Log-Weibull:

H(t) =(ln(t~-µ )r para t >eµ


posto queos parâmetros :µ,a,ye R+*
e H(t)= O para eµ "2:. t "2:. O
(2.5)

Três exemplos da função de Weibull podem ser vistos na figura 2.3. Dão-se nomes

particulares para a função Confiabilidade de acordo com o valor de v: assim, quando y=l a

função será a Exponencial, e quando v=2 a função será a Normal.

Função de Weibull Obs: o parâmetro µ desloca

a função para a direita; o


garna=2
parâmetro o inclina a função
6,00 -+-------------~ F-- - -
com relação à abscissa; o
parâmetro Y dá curvatura à
garna=l
2,00 -r---------:;;~~~ •,.,.A 4 A garna=0,5 função.
rnu=lO si rna=lSO
o 100 200 300 400 soo 600

Figura 2.3 - Função de Weibull para y = 2; y = l; y = 0.5; µ = 100; <:J = 150

Para visualizar a função Log-Weibull basta substituir o eixo das abscissas por ln(t) ao

invés de t.

Pereiralima 7
Confiabilidade de Componemes e Sistemas enJ722.blogspot.coni.br

Curva da Banheira da Densidade de Risco


A curva da banheira, muito estudada, retrata o fato de o parâmet ro y, na função de

Weibull, não perma necer constante ao longo do tempo. Assim, a função densidade de risco:
y-1
h(t) = ~ ( t -: ) apresentari a t rês fases: a primeira, decrescente com o tempo, conhecida

como mortalidade infantil, para r < 1; a segunda, constante no tempo, conhecida como taxa

de falhas constante, para r= 1; e a terceira, crescente no tempo, conhecida como

envelhecimento precoce, para r> 2 .


Tempo Médio entre/até Falha
Um parâmetro de muita utilidade é o MTBF ou M TIF (Mea n Time Between/To Failure},

que pode ser obtido da definição de média: MITF =


-J t.f (t ).dt Lembrando ainda que:
o
.. .. dR(t) ..
t.R(t ~o = fo t . dt
fo
.dt + l .R~ ).dt , tendo em vista que: t.R(t ~~ = O então:

M1TF = JR(t ).dt (2.6}


o
Dois casos são de particular i nteresse, pois os respectivos MTIF's podem ser

calculados analiticamente, são e les: a confiabilídade Exponencial, e a confiabi lídade Normal.

j
MTTFc"P == R(t ).dt = 1.dt + J j e{';').dt = µ + j e-• .o-.dz ==µ+O"
o o µ o (2 .7}
2
.JJi
o
-

o µ
J J
µ -

o
(
1-µ
MTTF,,0 , = JR(t).dt = l .dt + e - ~ .dt = µ + e -z .O".dz = µ+ O". 7!
)

2
J
-
2

(2.8)

Demais casos são calculados por integração numérica. Alternativamente à integração,

para o intervalo 1<y<2, pode-se utilizar a seguinte i nterpolação:

MITF = µ + 1,11 38 .<Y-0,l1 38 .<Y.'J'.


Taxa de Falha

Outro parâmet ro comum é a taxa de falha A, definida como: :t = 0-- 1 No caso

particular da confiabilidade ser exponencial, e ainda para µ=O, o MTIF será o inverso da taxa

de falha .

Considerações

Todo desenvolvim ento realizado para se modelar est atisticamente os tempos de

quebra pode ser rigorosamente aplicado a qualquer outra variável aleatóri a.

Pereiralima 8
Conjiabilidade de Componemes e Sistemas enJ 722.blogspot.com.br

Tempo Médio entre Falhas Condicionado

Uma informação lnteressante é a estimativa do tempo que ainda se deve esperar

antes que um item apresente falha sabendo que até aquele instante não apresentou falha,

denominado tempo médio de vida residual. Este parâmetro pode ser calculado pela obtenção

do M TBF em t* condicionado à informação de que não houve falha até t*. Trata-se do cálculo
de probabilidade condicionada, resolvido pelo teorema de Bayes.

Teorema de Bayes

Este nos diz que a probabilidade de um evento A acontecer, sabendo-se que um

evento B ocorreu é igual à probabilidade de ocorrência dos dois eventos A e B, dividida pela

probabi lidade do evento B ocorrer. Em linguagem matemática tem-se:

P(A/ B) = P(A.e.B) (2.10)


P(B)
Para exemplificar pode-se verificar que a probabilidade de, em um lançamento de

dados, sair o número 2, sabendo-se que o número que saiu é par, é 1/3. Pois:

A={2} B = {2,4,6} Ae.B = {2} ==> P(AIB) = P(A.e.B) = lf 6 = _!


1
P(A)=1/6 P(B) =3/6 P(A.e.B) = l/ 6 P(B) 3/ 6 3
Eventos Independentes e Mutuamente Exclusivos

Antes de prosseguirmos, precisamos ainda saber as relações de união e intersecção

destes eventos.

Para dois eventos quaisquer a relação de união é:

P(A.ou.B) = P(A)+ P(B )- P(A.e.B) (2.1 1)

Dois eventos são independentes se a ocorrência de um não altera a probabilidade de


ocorrência do outro, e vice-versa, assim: P(A/ B) = P(A) e P(B/ A)= P(B) . Pelo
Teorema de Bayes segue que: P(A.e.B)= P(A}P(B), o que impl ica em:
P(A.ou.B)= P(A)+ P(B)- P(A).P(B) (2.12)

Dois eventos são mutuamente exclusivos se a ocorrência de um anula a probabilidade


de ocorrência do outro, e vice-versa, assim: P(A/ B) =O e P(B/ A)= O. Pelo Teorema de
Bayes segue que: P(A.e.B ) =O, o que implica em:
P(A.ou.B) = P(A) + P(B) (2 .13)

PereiraHma 9
Confiabilidade de Componetdes e Sistemas enJ722.blogspot.com.br

Tempo Médio de Vi da Residual

Uma vez compreendido o teorema, vamos aplicá-lo ao cálculo do MTBF, condicionado

ao fato de que o item não apresentou falha até t*, e, para evitar confusão, vamos nomeá-lo
,. =

MTBF*, assim: Jo
MTBF• = R*(t )dt + R*(t )dt, J,· sendo R*(t) a confiabilidade condicionada ao

fato de que o item não apresentou fa lha até t*.

Nomeemos os eventos:

Evento A: o item não falhou no intervalo (0, t) ou equivalentemente fa lhará no intervalo ( t, oo)

Evento B: o item não falhou no i ntervalo (0, , · )ou equivalentemente fa lhará no i ntervalo (t ", oo)

Para calcularmos a confiabilidade condicionada devemos apl icar o Teorema de Bayes e

para Isso precisamos calcular P(AeB) para cada um dos dois intervalos de integração:

lºintervaJo i • > t AeB = (r•,oo) => P(AeB) = P(r• < t' < oo )= R(t•)
z•intervalo r· < r AeB = (t , oo) => P(AeB) = P(t < t' < oo) = R(t)
Podemos então obte r o MTBF*:

,. R(1• = R( ) 1 =
MTBF • = JR t • dt + J,. ~dt
RV J
= i· + ~f R(t)dt
R\f J,.
0
Finalmente o tempo médio de vida residual será:

tmvr • j R(r )dr


=MTBF ' - t * =R{?Jl (2.14)
Rt (
.
Interpretação da Densidade de Risco

Pode-se atribuir outro significado para esta função que complementa a de sua

definição. Se quisermos saber qual a probabilidade de um equipamento apresentar uma fa lha

num pequeno intervalo de tempo a partir do presente, levando em conta que até o presente

não apresentou falha, então pode-se aplicar o Teorema de Bayes aos seguintes eventos:

Evento A: o item fa lhará no intervalo(( ,t' + e)

Evento B: o item não falhou no i ntervalo(O, t ' )ou equivalentemente fa lhará no intervalo (r', oo)

f . +.l!"

Assi m : AeB = (r·, i· +e)=> P(AeB)= P(t* < t' < t * +e)= J,. J(t')dt' =J(t• ).e
P(AeB) f (r•).e
e, portanto: P (A/B ) = ( ) = ( )
P B R r'

Como esta probabilidade depende de um intervalo arbitrário pequeno, não nulo,

podemos dividir ambos os l ados da igualdade por ele chegando à definição da densidade de
risco.

Pereiralhna 10
Confiabi/Jdade de Componetdes e Sistemas enJ722.hlogspot.com.hr

Exercícios
2.1- Determine o tmvr para conflabilidade exponencial (Y 1, µ=O).

2.2 - Faça o desenvolvimento da integral da expressão (2.8).

2.3 -Para os tempos da tabela 1.1, calcule a confiabilidade experimental como:

R(tJ= N; í, sendo No tamanho da amostra e H(t;)=I{N~i) · Faça os gráficos destas funções


e compare com os gráficos das figuras 1.4 e 2.2.

.
PereiraHma li
Confiahilidade de Compone'fdes e Sistemas enJ 722.blogspot.com.br

Ili - Determinação de Parâmetros

Uma vez estabelecida a função de risco acumulado, resta determinar os valores de

seus parâmetros a partir dos tempos de quebra experimentais. Neste capítulo será

apresentado o critério da máxima verossimilhança bem como o desenvolvimento para sua

determinação.

Probabilidade de variáveis discretas

Em um lançamento de um dado sextavado, a probabilidade de ocorrência de qualquer

uma das faces é um dividido pelo número de faces, 1/6 e não há qualquer dificuldade nesta

determinação. Pode-se ainda raciocinar que o valor da probabil idade é uma relação entre as

áreas de uma face somente e a soma de todas as faces.

Agora, se alterarmos o experimento para um gerador aleatório de números reais

compreendidos no intervalo [0;6], então a probabilidade de ocorrência de um número

qualquer é nula, apesar de um número sempre ser sorteado. Nossa análise quantitativa fa lha

porque não há como comparar um ponto com um segmento de reta.

Probabilidade de intervalos de variáveis contínuas

No entanto, se alterarmos nossa pergunta admitindo certa incerteza em torno do

número de interesse, passamos a ter como comparar o segmento [x-e; x+ e] para x


E [O + e;6 - E], com o segmento [0;6] e então a probabilidade pode ser determi nada como a

relação entre os comprimentos dos segmentos obtendo-se P[x - E::::; t ::::; x + ê ]= E/3
Essa forma de compreender a probabilidade de ocorrência de um evento contínuo nos

possi bilita responder à seguinte pergunta: Qual é a probabilidade de que em um ensa io de


quebras de componentes os tempos sejam os verificados?

Admitindo-se uma incerteza E em torno de um tempo i determi nado, sabemos:


r,+t

f'. [t; - E::::; t::::; t ; +E]= f J(t ).dt =2.E.f (t;).

Mas como uma quebra qualquer é totalmente independente em relação a outra

quebra, a probabilidade de que todas elas ocorram será o seu produto:

p= rr P;
n

i =I
= (2.E )" .rr J(t;)
n

i =I

Se além destes n componentes que quebraram, tivéssemos encerrado o ensaio no

tempo t1 e ainda restado r componentes funcionando, então, a probabilidade deste evento ter
acontecido também deve ser levada em conta. A probabilidade de um componente não fa lhar

Pereiralima 12
Confiabilidade de Componetdes e Sistemas enJ722.blogspot.com.br

até o t empo t1 é sua confiabilidade R(t1), e a de r componentes não falharem é R'(t1);

incorporando à probabilidade anterior tem-se:

P = (2.E Y' ·TI J(t;).R' (t


l=I
1)
(3.1)
Verossimilhança

Esta probabilidade pode ser mais bem condicionada se tomarmos o logaritmo

neperiano, e assim, definimos a função Verossimilhança como:


n 1r

=
L l:In[h(t; ).R(t;))+ r.ln[R(t1 )] =
i=I
L {ln[h(t; )]- H(t;)}- r.H(t1 )
i=I (3.2)

O termo constante e arbitrário dependente de E foi eliminado da definição, pois como

veremos a seguir não interfere na derivada.

Cri tério da Máxima Verossimilhança

Estamos interessados em determinar os parâmetros da distribuição que m elhor se

ajustem aos dados de quebra, ou seja, maximizar a probabilidade da ocorrência, assim, basta

derivar a função Verossimilhança em relação a um parâmetro 8 desejado e igualar a zero:

1 dh(t1 )_<JH(t;) _,.CJHV1 )=0


h(t;) ae ae · ae (3.3)

Parâmetros da função de Weibull para Máxima Verossimilhança

Vamos determinar os parâmetros da função proposta por Weibull, usando o critério da

máxima verossimilhança:

H(t)=(t;)r =>h(t)=~(t; Jr~ parat> µ


e H(t)=O =>h(t)=O paraµ> t>O
posto que os pardmetros µ ,O", YE R+*
Para o parâmetro a tem-se:

li

L H(t )-n +rH(tf )=O


1
i= I

i (t;- µJr + r{tf-µ r= n


i=I (j (j

Pereiralima 13
Confiohilidaáe de Componetdes e Sistellias enJ722.blogspot.conr.hr

n
L (t 1
- µ)r + r.(t.r - µ)r = n.ar
i= I
1

(3.4)
Para o parâmetro y tem-se:

-
11
êJL= L y-1 +[H(t;)-1i1n t; - ( µ) - 1
f )
+r.H\t1 .ln
t1 - µ - 1

=0
êJy i=1 a a
Esta equação é transcendental, sua solução será numérica e it erativa e, pelo método do

gradiente ascendente, é dada por:

êJL 1
Yk+I = rk +'TJ.d SerzdO Ü < 'TJ < 1 pOreX.'TJ =-
r ~A n
(3.5)

Para o parâmetroµ tem-se:

êJH r .H(t)~ êJh =- (r-1) h(t)


aµ (t-µ) aµ (t-µ)
- 1 - 1
t;-µ

r
Esta equação também é transcendental, sua solução será numérica e iterativa e, pelo método

do gradiente ascendente, é dada por:

êJL 1
µ k+i = µk +'TJ. sendo O< 'TJ < 1 porex.Tf =-
"()µ
r..µk
n
(3.6)

Parâmetros da Confiabilidade Exponencial para Máxima Verossimilhança

Quando a confiabilidade for Exponencial a função verossimi lhança será linear em µ, e a

sua derivada em relação a este parâmetro será inútil para a determinação de seu máximo.

Mas, neste caso, basta tomar o maior valor permitido deµ para que a função seja maximizada

em relação aµ. Como existe a restrição µ < t então:

(3.6.a)

Parâmetros da função Log-Weíbull para Máxima Verossimilhança

O desenvolvimento é análogo ao realizado para a função de Weibull, e o resultado

semelhante, substituindo-se apenas os tempos t; por ln(t;} nas equações (3.4) a (3.6).

Pereiralima 14
Confiabilidade de Componemes e Sistemas enJ722.blogspot.com.br

Método de solução iterativo


~

Uma ve z que duas das equações de det ermi nação dos parâmetros sao

transcendentais, a so lução será iterativa e simultânea na determ inação dos parâmetros y e µ .

O método será primeiro ca lcular o valor de a usando os valores iniciais para y e µ; note

que na sua equação seu valor não depende dele próprio. De posse dos três valores, utilizam-se

as relações de y e µ para a deter minação de seus novos valores, e iterativamente repete-se o

processo até a sua convergência.

Para os nossos dados, ajustando-se a função de Risco Acumulado por W eibull,

obtivemos os valores apresentados nos gráficos das figuras 3.1e3.3.

Um bom ponto de partida para o ajuste da função de Weibull é /1'()

1 11 1 '-L.I i 111 1 111 l l l ll ll t 1 11 1 111

7 - ...' -;1 ~•-1


1
' 1 1 1111
t+I~
1 1 1 1 11 11
:N''
7.5 · - ríT 1i ii 1i"--.- l lT1T 1Tu- - lil1í 1ii1- - 1 T í 1i
- r
t
1' 1111 1 ' 1 1 1 ' Ili
:t r1~ t+I ~ - r- 1'- 1-1-1 1-HI-
11 1 1111 1 1 1 11 1111
-
' 1 1 1 1 li
~ T r•~
1 1 1 11
li
7.65
1

1
'
' 1 1 1 11111
' li

11 1 11 111 1
'
1 ' 1 1 t 1111

,,,,,,", ······v" ......,"


' '
)' t 1 1 1111
- L .J. i.Ul.U L - L ..1. i.1.J l.1.11- L L l L IJ. I U I_

1 11 1 1 11 1 11 1 11111
6.5 _ .i. J ..i. IJ IJ.I L _ l .1 lJ ll lL _ L .l .LIJ UJI __ L l. .L l.1 l l l l l l lll
1 11 1111 1 11 1 11111 l i
1 1 t l f ll ll 1 11~11 11 1 1 1 1 1111! 1 1 I li 7.6 - r ~ ~ 1~ 1""11~ - r 1" rio 1- - ~ r r1T1 H ~ - r- Htt
1 1 1 1 1 11 11 1 11 1111 1 1 1 1 11111 1 1 I li 1 1 1 t 11111 1 1 1 1 1111 1 1 1 1 11111 1 1 t 1111
6 -1 1 1 r1 1 1r- r 1 r1 r 1r - r 1 r 11 1r 11- - r r ' '' 1 1 1 t l l l ll 1 1 11111 1 1 1 1 11111 1 1 1 1 111 1
1 1 1 1 1 1111 1 11 l i li 1 1 1 1 11111 1 1 I li 1 1 1 1 11111 1 1 11111 1 11 1 11111 1 1 1 1111
5.5 - T -t ""t 1-1 tt l l- - t- '"t 1- 11 ~ - 1- ""t -t-1"'1 lt U- - 1- f- t" l'"f 7.55 - r T r 1, rnr - r rr11n 1- - r r r1T1n 1- - r r TI
1 1 l l i ll ll 1 1 11 1 111 1 11 1 111 11 1 11 1 1 1 1 1 1 1l 1U 11 11111 l fl l l l l ll 1 1 1 1111
_ l. J. .i l.l ú.IL _ L J. l. IJ Ili _ L J. l.IJl.1.11__ L l L l ..1 1 1 1 1 111 11 11111 l l J l l l lll 1 1 1 1111
" 5 1 1 1 1 1 1111 1 '11 1 1111 1 1 1 1 1! Ili 1 1 1 11 ~
75
1.--.A-~_c:_
!:"._!ll.!.11____ ti 1 1111__ ,_ .L ~1 11 u•__ ,_ L 1_ 1111
"' 4.5 1 1 1 1 1 1111
- 1 11 11 11 11
1
- r
1 11 11111
1 111 11 11-
1 1 1 1 1 1111
r 1111 1ru - -
1 1 1 11
r T r 11
1 1 1 1 11111
1 1 1 1 11111
1 1 11 $1111
1 1 11 11111
1 11 1 11111
1 11 1 11111
1
1
1 1 1 1111
1 1 11 11
, 1 1 1 1 11 11 1 't 11 1111 1 1 1 11UI 1 1 1 11 1 1 1 1 11111 1 1 11 11111 1 1 1 11 11 11 f l l l l ll l
4 - í ~ T l "t ITl t- - r T r 1 1 11'1 ~ - "T T I , 1n1- - i- t r 1-r 7.•5 _ L ..1 L Ul.JJL _ L J. Ll.!llJI__ L L L ll.llJ L - L L U
1 1 1 1 1 11 11 1 111 1 1111 1 1 1 1 11111 1 1 I l i 1 11 1 11111 1 1 11 11111 1 1 1 1 11111 1 1 1 1 11 1
J.5 _ l J ..1 IJ U I L _ L ..1 L IJ l! IL _ L l.l.J llJI__ L l L 1.1 1 1 1 1 11111 1 1 11 11111 1 11 11 11 11 1 1 1 1 11 1
1 1 1 1 . 1111 1 1 11 1 1111 1 1 1 11 111 1 1 I li 1 l l t l l l ll 1 l ll t l l ll 1 I J l l l lll f l l l lt l
1 l 1 1 1 11 11 1 1 11 1 1111 1 1 11 1111 1 1 I li 7.4 - ~ + ~ H l-+11- - ~ + ~ 1 4 1 +1 1- - ~ ~ ~l+IH f- - i- ~ 1--1 H
3 - 1 1 1 1i 1r 1r -r Ti1i1Tu- - r1-11 1n 1- - r 1 1 11 1 11 1 11111 1 1 11 11111 1 11 1 11 111 1 1 1 1 1111
1 1 1 1 1 1111 1 1 11 1 1111 1 1 1 11111 1 1 I li 1 1 1 1 11111 1 1 1 1 11111 1 t 1 1 11111 1 1 1 1 111
2.5 - + _. +1.,. 1+1~ - ~ ~ -t l~ l+I ~ - ~ + t lffl- - ~ + f-1 ~ 1 11 1 11111 1 1 11 11111 1 11 1 11 111 t l ll l ) I
1 1 1 1 1 1111 1 111 1 1111 1 1 1 1 UI 1 1 1 1 1 •I 7.35 - r T r n1T1r- - r T r1"T1n1- - r r r 1T1n r - r- r nn

10
1
w• 10' 10' 1() 1 10~ 10'
Figura 3.1 · Hera;oos p<ra l\tl muillizando aVerossimlhaOÇ<I Rg:ua 3.2 · t""çii<5 l"ra Mu milínízan:loo Eao Otia;!lâico IAódío

2 ,--.,.-,...,.,..,.,,.,.,...-.,-,...,..,.,.,,.,,,--.,_,_,..,..,.,,,,,--.,-,...,..,..,.,,,, 2 ~~~~~~~~~.~~~~-~~~~~
1 11 1 1 11 1 1 111 1111 1 11 1 1111 l l l l l l tl 1 1 1 1 1111 1 1 11 1111f i i iii 1 1 l l l lJl l
1 1 1 1 1 1111 1 1 11 1 1111 1 1 1 11 1111 1 1 1 1 1111 1 11 1 11 111 1 1 11 11111 1 1 11111 1 l l t l ll l
1.9 - f- ~ t i ~ 1+11- - ~ + ~l + l +l f- - ~ + t-l~ I H I - - 1- ~ ~l +I 19 -~ + ~Hl-+l~- 1- + ~l ~ l ~ l --~ ·~l+IH ~-~ ~ MH
1 1 1 1 1 1111 1 11 l l l l lf 1 1 1 1 11111 1 1 1 1 1111 1 11 1 11111 1 1 11 11111 1 11 111 111 1 1 1 1 1111
! l ! l l lt ll 1 111 1 1111_.l- 1 11 1 1 1 1 1 1l 111 1 1 1 1 11111 1 f 1 1 111 11 1 1 1 l 1J 11
1.8 - r T T r r 1n r - r ~ - r T r 111n 1- - r r r 1T 1 1.8 - r T r nrnr - r T r r,.1n 1- - r r r 1T1n r - r r nn
1 1 1)~111 1 1 1 11 1 11 111111 1 11 1 1111 1 1 1 1 l f 111 1 1 1 1 11111 1 1
1. 7 1 1/Í l f l1 11 t 111 1 11 11 1 1 1 1 11111
- 1 ~ 1 1r 11 11- - 1 1 1 11 1111- - 1- 1 1 111111- - 1-
1 1 l l l l fl
1 1 11 1ti 17 _ L .! l ' ..!.l.!.11__ L
1 1 1 t 11 i li 1
! !.I ..! 11 11__ 1_ LI llLll__ 1_ L 1_ 11111
1 1 1 11111 1 1 1 1 11 111 1 1 1 1 1111
1 1 1 1 1 11 11 1 1 11 1 1111 1 1 1 11 1111 1 11 1 1111 1 1 1 1 11111 1 1 1 1 11111 l 1 1 11111 1 1 1 1 1111

..
; 1.5
1.6 + 4- 1 4- 1 4-1 ~ - ~ 4- ~1 + 1 -M ~ -~ + ~l •I H I- -1-
1 1 1 1 1 1111
1 1 1 1 1 11 11
1 111 1 1111
1 111 1 1111
1 1 1 1 11111
1 1 1 1 11111
- r T r 11 1n r - r T r1 r 1n r - r r r 1"T1n1- - r
1
1
~ ~ I J. I
1 l l l l fl
1 1 1 1111
r r iTI
....
e 1.s
1.6 -~ ·~ Ml~~- 1-+~l ~ l ~ I -

-
l
l
l l l l l l ll
l l i l l lll
r ,- r t• l,,r - r
1
1
1 11 11111
1 11 11111
T r 1"?111
1
1
- r
~ ~~1+1~ 1-- i- ~ MH
11 1 11111
11 1 11 111
r r 1T1n r - r
1
1
1 1 1 1111
1 1 1 1111
r nn
1 1 1 1 1 11 11 1 '11 1 1111 1 1 1 1 11111 1 1 1 1 11•1 1 11 1 11111 1 1 11 111 1 11 1 11111 1 1 1 1 1111
"' 1.•
(!)
!.. .! ! IJ 11 1L _ L !. !..I! 1111__ 1_ l !.I ! l !JI__ l !.. !_ I ! 111 1.4 _ L l i lJ l.!.H__ L ! L I.! _11__ 1_ !. L i li!...!•_ _ 1_ L 1_1! • I 1
1 1 l l Cll ll 1 111 1 1111 1 1 l ll llU 1 1 1 1 11ri 1 1 1 f 11111 I 1 xI : 111 1 1 1 1 11111 1 1 1 1 1111
1 1 1 1 1 1111 1 1 1 l l llU 1 1 1 1 11111 1 1 1 1 11t1 1 1 1 1 11111 1 1 11 11111 , , , 1 11111 1 1 1 1 1111
1.3 L J. .Ll.i l UL - L .l Ll.J.l.i.JL - L .L L I J.IUI- - L L L IJ.I 1.3 -L ~ L l~WL- L J. ~ 1 " 1 --LL Ll .LIU 1--LLUU
1 1 1 1 1 1111 1 1 11 1 1111 1 1 1 11 1111 1 1 l l l lU 1 11 1 11111 1 1 1 11111 1 11 11 1111 1 1 1 1 1111
1 1 1 1 1 11 11 1 1 11 1 1111 1 1 1 1 11111 1 11 1 11 111 11 11111 1 11 1 11111 l 1 1 1 1111
1.2 - r i T I,. ITl r - r ,. r 11' 1T1 r - r- T r1~1n1- - r r r iTI 1.2 - r ~ r HITlr - r r1, 1T11- - r r r 1T1H r - r :- Hf1
1 1 l l l ll ll 1 111 1 1111 ' 1 1 1 11111 1 1 1 1 1111 1 1 1 1 1r 111 11 11111 1 J1 1 11111 1 1 1 1 1111
1. 1 --------------------------
1 1 l l f lt l l
1 1 l l f ll ll
1 1 11 1 1111
' 1'1 1 11 11
1 1 1 1 11111
1 1 1 1 11111
11
1 1 1 1 11111
------
' l l t ll l -------------------
11 11111
11 , 1111
1 11 1 11111
1 11 11 1111
1
1
l l J ll l J
1 1 1 1111
1 1 1 1 1 11 11 ' 1 11 1 1111 1 1 1 1 11111 1 li Ili 1 1 11 11111 l IJ l lllll 1 1 1 1 1111
1L-...1-L.1J.lll.1L-...L.L.1..il.LUL-1....Ll.LLWL--'L.L.i.J..JWU 1 ' '
11 .~ ~ ~ ~ ~ ro' ~ d it
fVua 3.3 • teraçóes ~Gama maxinmrm a Veros.mtarça Agu1a3.4. lera;óes para Gama mir*nlzan<il o Erro OWd!lllro Mád<J

Pereiralima 15
Confiabilidade de Componetttes e Sistemas enJ722.blogspot.com.br

Exercícios

3.1 - Mostre que para a confiabllidade exponencial (Y 1), um bom estimador do MTBF,

usando o critério da máxima verossimilhança, é a média dos tempos de falha da amostra,

desde que todos os componentes tenham falhado.

3.2 - Escreva uma rotina computacional e determine numericamente os parâmetros

para os dados de quebra da tabela 1.1 usando o critério da máxima verossimilhança. Compare

seus resultados com os gráficos das figuras 3.1e3.3.

3.3 - Faça o desenvolvimento analítico para determinação dos parâmetros utilizando a

função Log-Welbull e o critério da máxima verossimilhança.

PereiraHma 16
Confiahilidade de Componemes e Sistemas enJ722.blogspot.com.br

IV - Ensaios Acelerados

Justífícativa

Muitas vezes, o tempo necessário para que um dado item apresente falha pode ser

muito elevado, o que não só encarece o ensaio como também pode inviabilizá-lo, pois a

informação já não terá utilidade quando estiver disponível. Sendo assim é muito interessante

utilizar o fato de que os fatores de estresse, tanto as condições ambientais quanto a carga de

trabalho, diminuem o MTIF na medida em que são aumentados. Desta forma o ensaio poderá

ser realizado em um tempo menor e os dados obtidos serem correlacionados às condições

o pera cio na is desejadas.

Hipóteses

Para que possamos tirar proveito da influência que os fatores de estresse exercem

sobre a distribuição de falhas, é necessário estabelecer hipóteses de trabalho para que os

valores dos parâmetros das distribuições em diferentes níveis de estresse possam ser

corre lacionados. São duas as hipóteses:

1. Hipótese de equiprobabilidade: R(t, B) = R'(t', B')


2. Hipótese de proporcionalidade: t = A(s,s' ).t' (4.1)

Os apóstrofos indicam variáveis no nível mais estressado, enquanto sem o apóstrofo

no nível menos estressado. A é o fator de aceleração, maior do que um, e dependente dos

níveis de estresse comparados (s, s ') .

O diagrama apresentado na figura 4.1 é utilizado em Lógica Fuzzy para ilustrar o

princípio de extensão de Zadeh, que suporta toda matemática de funções de variáveis fuzzy,

aqui nós o utilizamos para il ustrar as duas hipótese acima além de estabelecer uma

comparação com o princípio de Zadeh.

t
t =A.t'

mu

<J R(t)
1 • mu• t'

1
1

.
1

R'(t ')

Figura 4.1- Diagrama ilustrativo do Princípio de Zadeh.

Pereiralima 17
Confiabilidade de Componetdes e Sistemas enJ 722.blogspot.com.br

No quarto quadrante é plotado o gráfico de R'(t') obti do no ensaio acelerado; no

primei ro quadrante é plotada a relação linear entrete t', hipótese 2; no segundo quadrante é

plotado o gráfico de R(t) admitindo a igualdade com R'(t' ), hipót ese 1. A comparação com o

princípi o de Zadeh se faz ao tomarm os nossa variável aleatória tempo de q uebra como uma

variável fuzzy e a confiabilidade como uma função de pertinência.

Nossas hipóteses trazem as seguintes conseq uências imediatas:

- consequências da equiprobabilidade

F(t,B) =1- R(t,B) = 1- R'(t',B')= F'(t', B')


H(t,e)= -ln[R(t, e)]= - ln[R'(t', e')]= H'(t', e') (4.2)

- consequências da proporcionalidade para as derivadas

J'(i, B) = dF (t, B) = dF'(t', B'). dt' = _!_ J'(t', B')


dt dt ' dt A

h(t, B) = dH(t , B) = dH '(t:,e ' ). dt' = _.!_h'(t', B')


dt dt dt A (4.3)

- consequência da proporcionalidade para a integral

M1TF(e) = r R(t,B).dt = I R (t ,B).A.dt' = AM1TF (B')


1 1 1 1

(4.4)

Correlação entre parâmetros para diferentes níveis de estresse


Calculemos agora a cor relação existente entre os parâmetros das distribuições para

diferentes níveis de estresse a partir do valor do fator de aceleração:

Função de W ei bull : H (t) = ( t ~µ ) r para t > µ


O para O<t <µ

Usando-se as hipóteses e suas consequências obtém-se:

r=r'
I
ou CY = A .CY
I
µ = A.µ
(4.5)

Lembre que a confiabilidade exponencial e a normal são casos particulares de Weibul l

para os valores de r = l e r = 2' respect ivamente.

Função Log-Weibull: H(t) = ( Ln(t~ µ) r parat 2: eµ

O para O < t < eµ

Usando-se as hipóteses e suas consequências obtém-se:

Pereiralima 18
Confiahilidade de Componemes e Sistemas enJ722.blogspot.com.br

ou

{4.6)

Determinação do fator de aceleração

Vamos admitir que se queira ajustar a função de Weibull. Para isso determinam-se

prímeiramente quais níveis de estresse serão ensaiados, respeitando-se um número mínimo

de dois níveis distintos.

Para efeito de raciocínio, podemos utilizar o critério da máxima verossimilhança ao

conjunto de dados de quebra do nível de estresse mais próximo das condições normais, e

determinar os parâmetros µ, a, Y. Como visto anteriormente, o parâmetro Yk não é modificado

pelo fator de aceleração, sendo, portanto feito constante para todos os demais níveis de

estresse ensaiados quando da determinação dos demais parâmetros µ ,,, ªk·


No entanto estes parâmetros não estão livres para variar, pois devem respeitar a:

µ = Ak.µk e O' = Ak.O'k . Nesse caso, a função de risco acumulado para os demais níveis pode

ser reescrita em função deµ/ A* e a/ A, , passando a depender somente do fator de aceleração

,
para aquele n1vel de estresse: H *(t,.k ) = ( ''lcJ
.li ,
~
-Jl )r; sendo a funçao de risco equivalente:
N

A determi nação do fator de aceleração far-se-á impondo o critério da máxima

verossimilhança para este parâmetro. As derivadas em função de Ak ficam:

Finalmente, aplicando-se o critério obtém-se:

Esta equação também é transcendental, sua solução será numérica e iterativa e, pelo

método do gradiente ascendente, é dada por:

(4.7)

Pereiralima 19
ConfiabiHdade de Componemes e Sistemas enJ722.blogspot.com.br

Agora podemos pensar numa função verossimilhança que englobe todos os ensaios

acelerados e impor sua maximização para determinação dos parâmetrosµ, o, Y.

nr 111:

L =Lk=O
L:{ln[hk(t;t )]-H. (t;k )}-rk.Hk(t fk )
i=I

Onde: k é o contador do ensaio, variando de O a m;

1é o contador do tempo de quebra de cada ensaio, variando de 1 a n,

O é o ensaio com nível de estresse mais próximo às condições normais, e A 0=1

Para o parâmetro o tem-se:

IH lf,t IH

L L:Hk(t;k )+rk.Hk(tfk ) =L:nk=n.


k=-0 i=J k=O

(4.8)

Para o parâmetro y tem-se:

(4.9)

Esta equação é transcendental, sua solução será numérica e iterativa e, pelo método do

gradiente ascendente, é dada por:

<JL 1 m
r p +I = r p +TJ.-
ar Sendo Ü <TJ <] porex.r; == ;n
n
=L:nk
k=-O
r,,,µ"
Para o parâmetroµ tem-se:

-1 -1

=Ü (4.10)
r
Esta equação também é transcendental, sua solução será numérica e iterativa e, pelo método

do gradiente ascendente, é dada por:

ar
µ,>+1 = µ ,, +17.d sendo O< r; < 1 por ex.r; = =i
µ r,.µ, n

A determinação dos parâmetros da função de Weibul bem como os fatores de

aceleração serão determinados simultânea e iterativamente com as equações (4.7) a (4.10).

Pereiralima 20
Confiohilidade de Componemes e Sistemas enJ722.blogspot.com.br

Lei da potência inversa


O problema da determinação dos parâmetros da função de risco acumulado em

condições normais (sn), uma vez conhecidos estes parâmetros em condições estressantes (s0 ),

passa a ser a determinação do fator de aceleração A(sn 1 s0 ) .

Agora podemos propor uma função para o fator de aceleração em função do nível de

estresse, proceder ao seu ajuste e finalmente usá-la para fazer a extrapolação para as

condições normais.

Uma proposta de função bastante intuitiva é a proporcional a uma potência do níve l

de estresse (também conhecida como potência inversa), de expoente ÇE R+"' ajustado

experimentalmente, assim: A- (s; ) = -L


s.
So
Para mais facilmente aplicarmos o critérío dos mínimos quadrados e obtermos o valor

do expoente {, vamos definir as variáveis auxiliares: X ; =ln S; e Y; = ln(A;), ficando a


So

.
Definindo o erro quadrático médio como: EQM = -1 ~( -
~ Y; - Y; )'- e minimizando o
m i =I

L Y;.X;
seu valor em relação ao expoente {obtém-se: Ç= -'i=-~--- (4.8)
L ·:C; 2
i=I

Obs.: Caso a variável de estresse seja a carga de trabalho, então o parâmetro {pode, a priori,

ser igua lado à unidade, prescindindo-se de um segundo ensaio.

Agora podemos extrapolar o fator de aceleração para as condições normais, e uma vez
que, o fator de aceleração é definido como maior que a unidade, procede-se ao seu cálculo

e, finalmente, O'N = 0'0.Â(sN)

YN =ro

Pereiralima 21
Confiabilidade de Componemes e Sistemas e11J722.blogspot.com.br

Estresse sob múltiplos fatores


A fim de acelerar ainda mais os ensaios de quebra, pode-se submeter o componente a

estresse múltiplo, aumentando-se simultaneamente os valores de mais de uma variáve l

operacional. Neste caso, o fator de aceleração também se rá função de múltiplos fatores.

Uma função razoável, consequência da potência inversa, é a produtória de potências

dos fatores de estresse. Assim:

Â[s(O),s(i)]= Il
k=I
sk(i)
Sk (0)
ç.

Onde: i é o contador do ensaio, variando de 1 a m;

k é o contador do fator de estresse, variando de 1 a n ..


I

O é o índice do ensaio de referência onde todos os fatores de estresse estão mais perto
das condições normais.

Para mais facilmente aplicarmos o critério dos mínimos quadrados e obtermos o valor

dos expoentes {k, vamos definir as variáveis auxiliares: xk (i) =ln s*(i) e y (·)- ( 1) ,
t=lnA
sk () o
ficando a estimativa y(i) = ln(Â[s(O ), s(i )]) = Í Çk.xk(i).
k= I

[ m
Definindo o erro quadrático médio como: EQM = -· 2:(y(i)- y(i))2 e minimizando
m i=I

o seu valor em relação a cada um dos expoentes {1obtém-se:

dEQM 2 m 111
"
/11

a;j =~ ~ [y(i) - y(i)].xj (i) =o ~ ~ ~ çk.xk (i).xj(i) = ~ y(i).xj(i)


;,
I
m

i =I
x 2 (i ).xj (i) .. . t x,, (i ).xj(i )] ~
2 = L Y(i).x (i); para j = lan
1
Ili

l=I

;,,
e finalmente:
- 1
Ili Ili Ili

I I
Ili

I;:_I
X1 (i).xl (i)
i=I
X2 (i ).x, (i)
i=I
x,, (i ).-G (i) I y(i ).x, (i)
i:l
m Ili Ili

I
Ili

Ix,(i).x1(i) x2 (i ).x2(i) ... I x,, (i ).x2(i) I y(i ).x2(i)


i=I i=I i=I l=l (4.9)

;,, m Ili m m

I x, (i ).x" (i) L x2(i ).x (i) 11


.. . I x,, (i ).x" (i) I y(i).x,,(i)
i=l
i=I i=I i=I

Pereiralima 22
Confiabilidade de Componetdes e Sistemas enJ722.blogspot.com.br

Modelos físicos para determinação do fator de aceleração


Em alguns casos é possível estabelecer uma lei físico-química entre o valor do fator de

aceleração e a variável ambiental, facilitando o cálculo da extrapolação. O modelo de

Arrhenius relaciona o fator de aceleração A1 com a Temperatura r, através de;

Os valores das temperaturas na fórmula de Arrhenius estão em Kelvin.

Para essa lei é preciso determinar-se o valor de {r, assim, pelo menos dois ensaios em

temperaturas distintas são necessários.

Analogamente ao que foi feito anteriormente para aplicarmos o critério dos mínimos

quadrados e obtermos o valor do expoente {r, vamos definir as variáveis auxiliares:

x., =

Define-se o erro quadrático médio e minimiza-se o seu valor em relação ao expoente

{r e obtém-se a fórmula (4.8).

Por último pode-se misturar mais de um modelo, para vários fatores de estresse,

multiplicando-se as funções. O número total de ensaios será o do número de variáveis de

estresse acrescido de um, para a referência.

Exercícios
4.1- Desenvolva a fórmula para determinação do fator de aceleração caso a função de
Risco Acumulado que se quer ajustar seja a Log-Weibuff.

PereiraHma 2.1
Confiabilidade de Componetdes e Sistemas enJ722.blogspot.com.br

V - Associações Fundamentais

Componentes são montados de formas bastante particulares dando origem a modelos

complexos. Para que possamos analisar estes modelos vamos iniciar estudando associações

básicas e deduzir suas re lações fundamentais, ou seja, determinar a confiabilidade do sistema

a partir das confiabilldades conhecidas de seus componentes.

Associação Série

A pri meira e mais simples das associações é a Série, nela está representada a situação

onde o funcionamento do sistema depende do funcionamento de todos os seus componentes.

A falha de qualquer um deles leva à fa lha do sistema. Graficamente pode ser representada ou

pelo Diagrama de Confiabilldade, figura 5 .1.a, ou pela Árvore de Falhas, figura 5.1.b.

F.alha d o S ist,ema

ou
1 R1 R2 Rn ~

Figura 5.1.a - Diagrama de Confiabilidade Figura 5.1.b -Árvore de Falhas

A probabilidade de o sistema estar operante será a probabilidade de todos os

componentes estarem operantes, e como são independentes entre si, têm-se:

Rs(t) = nR;(t)
N

l=I
(5.1)

Associação Paralelo

A segunda e não menos simples das associações é a Paralelo, nela está representada a

situação onde a falha do sistema depende da falha de todos os seus componentes. A operação

de qualquer um deles garante a operação do sistema. Graficamente é representada conforme

figuras 5.2 a e b.

R1 F a ina do Sistema

R2

·1 1 1 1.
1 1 1 1

Rn Fi 12 ~
Figura 5.2.a - Diagrama de Confiabilidade Figura 5.2.b - Árvore de Falhas

Pereiralima 24
Confiabilidade de Componemes e Sistemas enJ722.hlogspot.com.hr

A probabilidade de o sistema fa lhar será a probabilidade de todos os componentes


fa lharem, e como são independentes entre si, têm -se :

(5.2)

Associação Série(de)-Paralelo(s)

Uma combinação e lementar das duas anteriores é uma série de associações em

paralelo. Graficamente é representada conforme figuras 5.3 a e b.

Falha cto Sistem a

- R~ - R2
- E o-.. _'\
1
- R1 - R2

Figura 5.3.a - Diagrama de Confiabilidade Figura 5.3.b - Árvore de Falhas

A probabi lidade de o sistema estar operante será a probabilidade de todas as

associações paralelo estarem operantes:

(5.3)

Associação Paralelo(de)-Série(s)

Outra combinação elementar das duas básicas é um paralelo de associações em série.

Graficamente é representada conforme figuras 5.4 a e b.

Falha do Sistema

ou ou ~
- R1 R2

- R1 R2

Figura 5.4.a - Diagrama de Confiabilidade Figura 5.4.b - Árvore de Falhas

A probabilidade de o sistema fa lhar será a probabilidade de todas as associações série

falharem: FPS (t )= rr i-rr


2

i=I
2

j =I
R (5.4)

Pereiralima 25
Confiahilidade de Componetdes e Sistemas en3722.hlogspot.com.hr

Uma comparação entre essas duas associações, tomando-se n componentes por

associação e n associações, pode ser fe ita para pequenos valores de F (F<<l/n), assim :

RPs (t )- .1-n" .F"(t)


R5 p(t) =1- n.F"(t)
chegando-se à conclusão que as redundâncias em nível mais elementar produzem melhor
confiabilidade sistêmica do que as redundâncias em nível mais elaborado.

Associação Paralelo K (fora) de N

Uma associação também muito útil é a associação em paralelo onde um número

limitado de componentes, no caso k (k<n} podem fa lhar sem que o sistema falhe. Caso o k+l

ézimo componente falhe, o sistema apresentará a falha.

Nesta caso, a conflabilidade deve ser calculada levando-se em conta todas as

configurações favoráveis. Por conveniência, cada configuração que analisaremos será

mutuamente exclusiva com as demais, nos possibilitando somar as probabilidades.

12. Modo: nenhuma falha

Tem-se R0 = C~' .R"-o.(l - R )0


2 2. Modo: uma falha

~0-+G+&G
[21-+~0-+&G Tem-se R1 = C(' .R"-1.(1- R)'

[}-+@+ 0-+ ~ G
[}-+@+ @+ & ~
(K+l)º . Modo: k falhas

~~~~G
[21-+~~~G
[}-+@+ @+ ~ ~
[}-+@+ @+ & ~
Figura 5.5 - Representação de uma associação Parale lo K (fora) de N.

Finalmente a confiabi lidade do sistema será a soma:


k
R= L: c;'.R"-1 .(1- R) 1 (5.5)
j=O

Pereiralhna 26
Confiabilidade de Componemes e Sistemas enJ 722.blogspot.com.br

VI - Associações Complexas

Modelos mais complexos não admitem a aplicação imediata das técnicas apresentadas

no capítulo anterior, exigem métodos de solução diferenciados. Neste capítulo serão

abordados quatro métodos de solução: Decomposição, Tie-Set, Cut-Set e Tabela Booleana.

M étodo da Decomposição

O método consiste em decompor o evento em dois conjuntos mutuamente exclusivos

e recuperar a confiabilídade do todo pela soma das partes. Assim, supondo que S designe o

sistema complexo que desejamos calcular a sua confiabilidade e A um de seus componentes:

V = (A.ou.A ) ( ) ( -)
=>S= S.eA.ou.S.e.A
S = S.e.U
=> R(S)= R(Sj A).R(A)+ R(S/ A).R(A)
Ou dito de outra forma, a confiabilidade do sistema é igual à confiabilidade do sistema

sabendo-se que o componente A não apresenta falha multiplicada pela confiabilidade do

componente mais a confiabilidade do sistema sabendo-se que o componente A apresentou

falha multiplicada pela probabilidade de falha do componente.

É comum usar-se a seguinte notação:

(6.1)

Sendo que 1; e O; indicam a substituição do componente i no sistema ou por um componente

infalível (11) ou por outro que já fa lhou (01). Convém mencionar uma propriedade importante: a

confiabilidade do sistema é linearmente dependente da confiabilidade de cada componente

tomado isoladamente:

(6.2)

Esta propriedade será explorada no capítulo sobre índices de desempenho.

Como exemplo do método da decomposição, vamos calcular a confiabilidade do

sistema complexo visto na figura 6.1.

Ra
Rb
Re
Rd
Rc
Figura 6.1- Sistema complexo de cinco componentes, sendo o E o componente chave.

Pereiralima 27
Confiabilidade de Componentes e Sistemas enJ722.blogspot.com.br

Escolhe-se o elemento que mais simplifica a análise, nest e caso o componente E, e

aplicando o método obtêm-se os diagramas mostrados na figura 6.2 a e b.

Ra
Rb Rb
-4 Re Rd
11 - Re
Rd
Rc

Figura 6.2.a - Diagram a de Confiabilidade após a decomposição.

Fa lha do Sistema

E °'\ F
e 1-F
e
E

F F
a e

Figu ra 6.2.b -Árvore de falhas após a decomposição.

Obs: A Árvore de Falhas da figura 6.2.b foi obtida a partir do Diagrama de Confiabilidade após

a aplicação do Método da Decomposição, figura 6.2 .a, aplicando-se as Leis de M organ.

Finalmente obtemos:

Pereiralima 28
Confiabilidade de Componetdes e Sistemas en3722.blogspot.com.br

Método do Tie-Set

Este método consiste em se determinar todos os sub-sistemas mínimos de

componentes que mantém o sistema operacional quando todos os dem ais componentes não

pertencentes a este sub-sistema falharam. Para que o sub-sistema escolhido seja mínimo, é

necessário que a falha de qualquer um de seus componentes leve à falha do sistema. A


confiabílidade do sistema será a confiabilidade de todos os subsistemas.

Vamos, para exemplificar o método do Tie-Set, trabalhar com o mesmo sistema

complexo apresentado na figura 6.1.

Ossub-sistemasmínimossão:T1 ={A,B} T2 ={E,B} T3 ={E,D} T4 ={C,D}


A confiabilidade da união de todos será:

Rs = R(I; )+ R(T2 )+ R(T3 )+ R(J:i )+


- R(T,.eT2 ) - R(T,.eT,1 ) - R(J;.eT4 ) - R(T2 .eT3 ) - R(T2 .eT4 ) - R(T3 .eT4 )+
+ R(I; .eT2 .e.I;) + R(I; .e.T2 .e.T4 )+ R(I; .e.T3 .e.T4 )+ R(T2 .e.T3 .e.~) +
- R(T,.e.T2 .e.T1 .e.T4 )
Calculando as confiabilidades temos:

• Para os termos unitários positivos:

• Para os termos dois a dois negativos:

R(J; .e.1~ )= R.4 .R 8 .RE. R(I; .e.1~ ) = RA.R8 .R0 .R6 R(1~ .e.T4 ) = RA.R8 .Rc.R0
R(T2 .e.I;) = R8 .R0 .R6 R(T2 .e.T4 ) = R8 .Rc.R0 .R6 R(1~1 .e.1~ ) = Rc.Ro .Re

• Para os termos três a três positivos:

R(J;.e.T2 .e.T3 )= R,., .R0 .R0 .RE R(I; .e.T2 .e.T4 ) = RA.R8 .Rc.Ro .R6
R(I; .e.T,1 .e .T4 ) = R,1 .R8 .Rc .RI> .R E R(T2 .e.T,, .e.T4 ) = Rn .Rc .R 0 .R E
• Para o termo dos quatro, negativo:

R(I; .e.T2 .e.I; .e.T4 ) = RA .R8 .Rc .R0 .R6


Somando-se todos os termos:

Pereiralima 29
Confiahilidade de Componemes e Sistemas enJ722.blogspot.com.br

Método do Cut-Set

Este método consiste em se determinar todos os sub-sistemas mínimos de

componentes que mantém o sistema inoperante quando todos os demais componentes não

pertencentes a este sub-sistema estão operantes. Para que o sub-sistema escolhido seja

m ínimo, é necessário que a operação de qualquer um de se us componentes leve à operação

do sistema. A não confiabilidade do sistema será a não confiabilidade de todos os subsistemas.

Vamos, para exemplificar o método do Cut-Set, trabalhar com o mesmo sistema

complexo apresentado na figura 6.1.

Os sub-sistemas mínimos são:

C1 = {A, E,C} C1 ={D, B} C3 ={A, E , D} C4 ={B, C, E}

A não confiabllldade da união de todos será:

F5 = F(C1 )+ F(C2 )+ F(C3 )+ F(C4 )+


- F(C1.e.C2 ) - F(C1.e.C3 ) - F(C1.e.C4 ) - F(C2 .e.C3 ) - F(C2 .e.C4 ) - F(C3 .e.C4 )+
+ F(C1.e.C2 .e.C3 )+ F(C1.e.C1 .e.C4 )+ F(C1.e.C3 .e.C4 ) + F( C2 .e.C3 .e.C4 ) +
- F(C1.e.C2 .e.C3 .e.C4 )
Calculando as não confiabilidades temos:

• Para os termos unitários positivos:

• Para os termos dois a dois negativos:

F(C1.e.C2 )= FA.F8 .Fc.FD .FE F(C1.e.C 3 )= FA.Fc .Fv.FE F(C1.e.C4 )= FA.F8 .Fc.FE
F(C2 .e.C3 )= FA.F8 .FD.Ft F(C2 .e.C4 )= F8 .Fc .F0 .FE F(C3 .e.C4 )= FA.F8 .Fc .FD.FE

• Para os termos três a três positivos:

F(C 1.e.C 2 .e.C3 )= FA.F8 .Fc.F0 .FE F( e,.e.C2.e.C4) = FA.FB.FC.FD.FE


F(C1.e.C3 .e.C4 ) = FA.F8 .Fc.F0 .FE F(C2 .e.C3 .e.C4 )= FA.F8 .Fc .F0 .FE

• Para o termo dos quatro, negativo:

Somando-se todos os termos:

Pereiralima 30
Confiahilidade de Con1pone11J.es e Sistemas enJ 722.blJJgspot.com.br

Mé todo da Tabela Booleana


Este método consiste em se mo ntar uma tabela contendo todas as combinações

possíveis dos estados operante (1) e inoperante (O) de cada componente e o respectivo estado

operante/inoperante do sistema. Após isso, agrupam -se os estados operante/inoperante do

sistema e extrai-se uma expressão lógica dependente das confiabllidades dos componentes.

Vamos mont ar nossa tabela para o sistema da figura 6.1.

Ta be la 6.1 - Tabela Booleana para o diagrama de confiabilidade da figura 6.1


A B c o E s
1 1 1 1 1 1 ABC OE
o 1 1 1 1 1 ABC OE BCOE
1 o 1 1 1 1 ABCOE BCDE COE
o o 1 1 1 1 8,BCOE
1 1 o 1 1 1 ABÇDE DE
o l o 1 l l ABCDE BÇDE COE
1 o o l 1 l AOCDE fil:OE
o o o 1 1 1 ABCOE
1 1 1 o 1 1 ABC.OE
o 1 1 o 1 1 ABC.OE BC.OE
1 o 1 o 1 o
o o 1 o 1 o B.QE B.QE
1 1 o o 1 1 ABÇ,QE BÇ,QE
o 1 o o 1 1 ABJJ2E
1 o o o l o
o o o o 1 o
1 1 1 1 o 1 ASCO.E
o 1 1 1 o 1 ABC OE BCOE
1 o 1 1 o 1 ABCOE BCDE COE COE
o o 1 1 o 1 8,BCOf
1 1 o 1 o 1 ABÇDE ABCDf. ABÇOE ABÇOE
o 1 o 1 o o
1 o o 1 o o
o o o 1 o o
1 1 1 o o 1 ABC.Qf
o 1 1 o o o
1 o 1 o o o AO.o.E AO.o.E AO.o.E
o o 1 o o o
1 1 o o o 1 ABCOE
o 1 o o o o
l o o o o o
o o o o o o

Após as sucessivas simplificações, obtém-se a confiabilidade do sistema com:

Rs = Rv.RE + R8 .(1- R0 ).RI!: + Rc.(1- R1:. ).Rv + RA .(1- Rc ).R8 .(1- R,,. ).R0 + RA.(1 - Rv ).R8 .(l - Rt:)
Por último deve-se mencionar que uma forma alternativa pode se r montada a partir

dos estados inoperantes do sistema, obtendo-se a não confiabilidade do sistema.

Verifique que, apesar de aparentemente as fórmulas para a confiabilidade do sistema

determinadas pelos quatro métodos serem diferentes, ao substituirmos as confiabilidades dos

componentes pelos respectiv os números, as quatro determinam o mesmo valor.

Pereiralinu1 .1J
Confiabilidade de Componetdes e Sistemas enJ722.blogspot.com.br

Ajuste da função de Risco Acumulado do Sistema

Uma vez determinada a expressão da confiabilldade do sistema em função das

confíabilidades dos componentes, por qualquer um dos métodos apresentados, pode-se

pensar em ajustar uma função para o Risco Acumulado que reproduza os dados numéricos.

Neste caso, o critério para a determinação dos parâmetros será a minimização do Erro

Quadrático Médio (EQM) entre os dois valores da função de risco acumulado, o calculado pela

função a ser ajustada e o calculado numericamente a partir dos componentes.

Critério do Mínimo Erro Quadrático Médio

Pode-se determinar o valor numérico da função de risco acumulado como:

Hexp(t;)= -ln(Rs(t;)) para i=lan


O erro quadrático médio associado fica:

Parâmetros da função de Weibull para Mínimo EQM

Admitindo -se a função de Weibull para a função de risco acumulado, procede-se à

derivação em função de cada um dos seus parâmetros.

Para o parâmetro a tem -se:

1
r

(j = -~i=~
I -----
11

LHexp (t;).(t; -µ)r


i=I (6.3)

Para o parâmetro y tem-se:

Esta equação é transcendental, sua solução será numérica e iterativa e, pelo método do

gradiente descendente, é dada por:

sendo O<17<1
(6.4)

Pereiralima 32
Confiabilidade de Componemes e Sistemas enJ722.hlogspot.conr.hr

Para o parâmetroµ tem-se:

êJEQM _
:-.
-2 ~
- - L,., e;·
H(
t;
)(';-µ)_,-O
-
dµ n icl r
Esta equação também é transcendental, sua solução será numérica e iterativa e, pelo método

do gradiente descendente, é dada por:

sendo O< TJ < 1


(6.5)

Parâmetros do Confiobílídode Exponencial poro Mínimo EQM

Quando a confiabi lidade for Exponencial o desenvolvimento será ligeiramente

diferente, chegando-se a:

1
L ~i
li

µ =- - CY.[-/exp(!; )]
n i=I
(6.5.a)

Parâmetros do função Log-Weibull poro Mínimo EQM

O desenvolvimento é análogo ao realizado para a função de Weibull, e o resultado

semelhante, substituindo-se apenas os tempos t; por ln(t;) nas equações (6.3) a (6.5).

Método de solução iterativo

Analogamente à determinação dos parâmetros para os componentes, aqui também a

solução será por iteração numérica, porém, aqui o número de termos das somatórias não

envolve custos de ensaio, uma vez que seus valores são obtidos por simples cálculo numérico,

sendo o único inconveniente o tempo de processamento.

Usando-se os dados obtidos no exercício 2.3 para a função de risco acumulado, e

ajustando-se a função de Weibull obtivemos os valores apresentados nos gráficos das figuras

3.2 e 3.4.

Exercícios

5.1 - Faça o desenvolvimento analftico para determinação dos parâmetros utilizando a

função Log-Welbuff e o critério do mínimo erro quadrótíco médio.

5.2 - Escreva uma rotina computacional e determine numericamente os parâmetros

para os dados de quebra da tabela 1.1 usando o critério do mínimo erro quadrático médio.

Compare seus resu~ados com os gráficos das figuras 3.2 e 3 .4.

Pereiralima 33
Confiabilidade de Componetdes e Sistemas enJ722.blogspot.com.br

VII - Índices de Desempenho

Uma questão muito importante em confiabilidade é saber determinar qual


componente deve ter sua confiabilidade melhorada de forma a otimizar a melhora da

confiabilidade do sistema. Intuitivamente pode-se responder a esta questão priorizando o

componente de menor confiabilidade. No entanto, como veremos, isto só é valido para

sistemas série simples. Outra questão é saber identificar rapidamente a causa de uma falha de

sistema. Para, então, poder-se responder a estas questões de forma sistemática e confiáve l, é

que se desenvolveu o conceito de índice de desempenho em confiabilidade. E o mais

i nteressante é que dependendo da questão a responder um índice será o mais indicado.

fndice de Birmbaun
O índice de Birmbaun é igual à probabilidade de um componente estar em estado
crítico. Um componente se encontra em estado crítico quando o seu estado, operante ou

inoperante, determina o estado do sistema de forma idêntica. Seu cálculo é obtido pela

derivada da confiabllídade do sistema em função da conflabilidade do componente:

18 = CJRs
' CJR.
1
(7.1)
Por esta fórmula percebe-se facilmente porque este índice é o indicado para priorizar

qual dos componentes deve ter sua confiabilidade aumentada para se obter uma melhora da

confiabilidade do sistema.

Há uma forma alternativa muito prática para se calcular este índice, usando o método

da decomposição para exprimir a confiabilidade do sistema em função da confiabilidade do

componente, equação (6.3), e em seguida derivando obtém-se:

(7.2)
Para fixação dos conceitos vamos calcular o índice de Birmbaun pela derivada, pe lo

método da decomposição e pela definição da probabilidade de o componente estar em estado

crítico.

A B

e D

Figura 7.1-Slstema complexo com quatro componentes.

Pereiralima 311
Confiabilidade de Componemes e Sistemas enJ722.blogspot.com.br

O cálculo da confiabilidade do sistema complexo da figura 7.1 foi executado aplicando-

se o método da decomposição para o componente A. Além disso usou-se a notação:

R 1 = l-R 1 •
Calculando o índice de Birmbaun a partir das derivadas para os componentes da figura

7.1 obtém-se:

Façamos agora o cálculo do índice de Birmbaun pela definição da probabilidade de o

componente estar em estado crítico.

O componente A estará em estado crítico quando D estiver operante e C estiver


8 - -
inoperante, ou quando D estiver inoperante e B estiver operante assim: l A = R0 .Rc + R8 .R 0

Verifique que esta forma é igual à anterior.

O componente B estará em estado crítico quando D estiver i noperante e A estiver


• H -
operante, assim : l 8 = RA.R0

O componente C estará em estado crítico quando A estiver i noperante e D estiver


.
operante, assim: I eB = R 0 .RA
-

O componente D estará em estado crítico quando A estiver operante e B estiver

inoperante, ou quando A estiver inoperante e C estiver operante assim: Ii = R .R


A 8 + Rc .RA.
Por último, aplicando o método da decomposição obtém-se:

1: = Rs (l,1 )- R5 (0A)= {1 - R0 .R0 )- RcRo


1: = R5 (1 8 ) - R5 (0H) = RA.R0 + R0 .{l - RA.Rc )- R0 .{1 - RA.Rc )= RA.R0
/~ = R5 {lc )- R5 (0c) = RA.RD + RA.(1 - R8 .R0 )- RA.(1- R8 .R0 )= RA.Ro
1g = R5 (1 0 )-R5 (0 0 )={1- RA.Rc )-RARB
fndice de Importância Crítica
Suponhamos que uma pane tenha ocorrido em um sistema de distribuição de energia

elétrica ou em um sistema de transporte coletivo ferroviário, em ambos os casos o tempo de

detecção da falha deve ser minimizado de modo a minimizar o tempo da manutenção

corretiva. Se houver um mapa de busca dos componentes, ordenados pela sua probabilidade

de terem causado a pane, então uma busca orientada por tal mapa, minimizaria em média o

tempo de detecção.

Então podemos pensar num índice de desempenho que meça a probabilidade de um

determinado componente ter causado a falha no sistema . Neste caso estamos fa lando da

PereiraHma 35
Confiabilidade de Componemes e Sistemas enJ722.blogspot.com.hr

probabi lidade de "o componente i estar em estado crítico e falhar", evento A, condicionada à

probabilidade de "o sistema falhar", evento B.

P(A.e.B)
Aplicaremos o teorema de Bayes: P (AI B )= P(B)

O evento A é subconjunto do evento B, po is A é um dos modos de falha de B, assim:

A.e.E = A. Já o evento A é a ocorrência de dois eventos independentes, pois "o componente i

estar em estado crítico", evento C, não depende de "sua própria falha", evento D, assim:

P(C.e.D) = 1;8 .(1- R;).


Finalmente tem-se:

(7 .3)

fndice de Potencial de Melhora


Este índice mede o valor máximo que se pode agregar à confiabilidade do sistema caso

fosse possível levar a confiabilidade do componente ia 100%. É, portanto, um valor limite para

o ganho da confiabilidade do sistema melhorando-se indefinidamente a confiabilidade do

componente i.

Seu cálculo decorre imediatamente da definição como:

(7.4)

Alternativamente, usando-se a relação da decomposição:

l I.''M = 1.l 8 • {1- R.)


I
= 1.18 • F1 (7.5)
Comparando-se este último resultado com o índice de Importância Crítica vê-se que:

1/'M =1/c.F5 , o que torna estes índices equivalentes quando comparados dentro de um

mesmo sistema.

Exercícios

Para os componentes do diagrama de confiabilidade da figura 6.1, adote Ra=0,95; Rb=0,75;

Rc=0, 7; Rd=0,9; Re=0,8.

7.1- Calcule numericamente os índices de Birmbaun dos componentes.

7.2- Calcule numericamente os índices de Importância Critica dos componentes.

7.3 - Calcule numericamente os índices de Potencial de Melhora dos componentes.

7.4 - Determine qual a melhor ordem dos componentes para detectar o possível responsável
por uma pane sistêmica.

7.4- Determine qual a melhor ordem dos componentes para melhorar a confiabilidade
sistêmica.

Pereiralima 36
Confiabilidade de Componetdes e Sistemas enJ722.blogspot.conr.br

VIII - Processos Estocásticos

Define-se um processo estocástico como sistemas dinâmicos cujas variáveis de estado

são aleatórias e evoluem ao longo do tempo de acordo com leis de probabilidades. Uma

sequência: x(O), x(l}, ..., x(n) das variáveis de estado é uma realização particular do processo.

Cadeia de Markov

Caso o estado atual do sistema x(t) seia dependente somente do estado

imediatamente anterior x(t-1) diz-se que este processo estocástico é sem memória e constitui-

se numa cadeia de Markov de tempo e estados discretos. Especifica-se um processo

Markoviano por todos os seus estados acessíveis e as probabilidades de transição de cada um

desses estados para todos os demais estados em cada instante t .

Devem ser conhecidas todas as probabilidades condicionais p _ (t), que é a


jk

probabi lidade de no instante t+l o estado ser j sabendo-se que no instante t o estado era k. É

admitido que o estado do sistema possa permanecer o mesmo na transição entre t e t+l.

Como todos os estados são mutuamente exclusivos e como o sistema sempre estará
li

em um dos estados, isto implica em L p ,_(t)= 1, para todo k .


J=l jk

Define-se a matriz de transição de estados P(t) como:

p ... (t) p ... (t) ... p ... (t)


11 12 ln
p ... (t) p ... (t) P ~ (t )
P(t) = 21 .• 22.. 2n.
• . .•
p ... (t) p ... (t) p ... (t )
11 l "1 1111

Se quisermos saber a probabilidade de o sistema ocupar o estado j no instante t+l , e

denominemos este evento por A, precisamos conhecer todas as probabilidades de o sistema

ter ocupado cada estado k no instante t, e denominemos cada um destes eventos por Bk , e

ainda a matriz de transição de estados P{t).


li

Pelo teorema de Bayes: P(A/ Bk ).P(Bk}= P(A.e.Bt ), mas: LJ Bk = U e ainda:


k=I

li li

A= A.e.V = A.eU Bk = LJ A.e.Bk , e como os estados são mutuamente exclusivos:


k=l k=I

Pereiralima 37
Confiabilidade de Componemes e Sistemas enJ722.blogspot.com.br

Matricialmente:

P1(t+l) p <- (t) p ,_ (t) p ... (t) Pi(t)


11 12 l 11

Pi (t+l) JJ ,_ (t) JJ ,_ (t) .. . JJ ... (t) P1(t)


. 21 . 22
... .. .
2n.. .•
•. • . . .
p,, (t+l) p ... (t) p ... (t) fJ ,_ (t) P,, (t)
11 I 11 2 /UI

11

Para qualquer instante t tem-se: L p j (t) = l. Caso a matrix P seja independente do


j =I

tempo t : JJ(t) = P' .JJ(O), isto nos permite calcular a distribuição final de probabilídades dos

estados através de ( l - P ). p( oo) = O.


Como a soma dos elementos das colunas da matriz P é sempre l, a matriz (1-P} será

não inversível, o que permite uma solução não trivial.

Em confiabilidade é comum haver uma hierarquia nos possíveis estados do sistema,

sendo que este sempre passa de um estado mais operante para um estado menos operante e

nunca o contrário. Isto faz com que a matriz de transição de estados seja triangular inferior.

Como exemplo vamos calcular a distribuição fina l de probabilidades de um sistema

que pode assumir três possíveis estados: El = totalmente operante, E2 = parcialmente

operante e E3 =Inoperant e; com as seguintes probabilidades de transição:

De El para El p <- =
11
0,990 ; De El para E2 p ._
21
=0,009; De El para E3 p <- = 0,001
31

De E2 para E2 p ,_ =0,880; De E2 para E3 p ... =0,120; De E3 para E3 p ~ =1,000


22 32 33

A matriz de transição de estados fica:

0,990 o o 0,001 o o
P= 0,009 0,880 o (1 - P) = - 0,009 0,120 o
0,001 0,120 1 -0,001 - 0,120 o
O que leva a p 1 (oo) =O P2(oo) = O p 3 (oo) =l.

Pereiralima 38
Confiahilidade de Componemes e Sistemas enJ 722.blogspot.com.br

MTTF do usuário
Uma forma pouco ortodoxa da teoria da confiabilidade é a obtenção do MTTF

utilizando-se dados da produção e da assistência técnica mensais de um determinado produto

de uma indústria. Os valores de produção fornecerão a quantidade de produtos que são

colocados em operação mês a mês enquanto os dados da assistência técnica fornecerão a

quantidade de produtos que apresentaram falha naquele mês. Neste caso, uma hipótese que

foi utilizada, a de que as condições operacionais são controladas não é válida, pois os produtos

vendidos estarão espalhados geograficamente, não sendo controladas as condições

ambientais, e, tão pouco, a carga de t rabalho será conhecida, pois depende de um número

grande de usuários. Assim teremos que admitir que a variabilidade das condições operacionais

é de natureza aleatória, i nfluenciando a confiabilidade de maneira não enviesada.

Falta ainda uma informação, que é o tempo ocor rido entre o produto ter sido

colocado em operação até a sua falha. O modelo que será desenvolvido usa a confiabil idade

exponencia l que prescinde desta informação. Passemos à sua apresentação.

Vamos iniciar a contagem de tempo quando o primeiro lote de produtos for posto no

mercado e por conveniência vamos batizá-lo de P0 , neste mês obviamente não haverá

quebras. A partir deste mês zero, os demais meses apresentarão dados de produção e quebra

que serão designados genericamente por P;e Q; respectivamente.

Para o primeiro mês de quebra, tem-se a seguinte relação entre quebra e produção

usando-se uma função de confiabilidade exponenclal (Y-1 e µ=O na função de Wei bull):

R(l) = e-..l..1 = F'a -Q10 ~ Q10 = Po.(1 - e-,t1)


Po
QI = QlO
Para o segundo mês de quebra, tem-se a seguinte relação entre quebra e produção:

e- 1..2 = Po - (Q20 + Q10 ) ~ Q20 = .fo.(L- e- J..2 )- .fo.(l- e-..l. 1 )


Po
e-2.1=Pi-Q21 ~ Q =~.(i- e-2.1 )
21
Pi
Q 2 = Q20 +Q21= Po.(e-,1.1 - e -..l..2 )+Pi .{1 - e -..l.1)

A informação que se dispõe é o total de quebras no segundo mês Q2 , no entanto, o

modelo relaciona as quebras parciais Qz0 e Q 11 com a as produções P0 e P1 respectivamente.

Para o terceiro mês de quebra, tem-se a segui nte relação entre quebra e produção:

Pereiralima 39
Confiabilidade de Componemes e Sistemas enJ722.blogspot.com.br

e-4.3=Po - {Q3o + Q2o+ Q10 ) =::> Q30 = rº0 •(l- e-4.3 )-0(
r 0• e
-.i.1 _ e-.l.2 )-º(l
r 0•
- e--<.1)
Po
e - 4.2 = Z.:: - {Q31+ Q21) =::> Q31 =Pi .(1- e - 42 ) - Pi .(1- e _;i i)
Pi
e-..i.1 = Pz ;Q32 =:>Q32 = P2.(1 -e-Â.1)
}.

Q3 = Q30 +Q31+Q32 = Pc,.(e-Â."2 - e-"·3)+ Z.:: .(e-.<.i - e-"·2)+ P2.(1- e-..i.i)


Por indução t em-se a seguinte relação entre quebra e produção para o mês genérico n :
li

Q = 'V p ..(e-4.(;-1) _ e-x; )


~ r1 11-t
i=I

e por recorrência tem-se:

Qn =Q11-1.e- A + P,,_1.(l - e-.< )


Este modelo prediz a quantidade de q uebras futura, um mês adiante, baseada nos

dados de quebra e produção presentes e uma estimativa do parâmetro t axa de falhas A.

Podemos agora definir um critério para a determinação deste parâmetro utilizando-se

uma série histórica de dados de quebra e produção. Esse cri tério será a minimização do erro

quadrático médio entre o valor de quebra estimado pelo modelo e o constatado pela

assistência técnica:

Para facilidade na notação das derivadas, vamos definir e= e-A , assim :


dEQM 2 /1

- -=- I . •
[Q;-1 ·e+ P;_1.(1 - e )- Q;].[Q1-1 - P;_.] =o
d0 n i=I

L" [(Qi-1- P;_I).0- (Q; - P;_I)].[Qi-1- P;_I] =o


i= I

li

I
= _,_i="--
(Q; - P;_l ).(Qi-1- P;_I )
1 _ _ _ _ _ _ _ __
0 li
(8.1)
L (Qi-1- f';_l ).(Qi-1- P;_I)
i= I

Finalmente obtém-se a estimativa do MTIF como:

1 - 1
M1TF =-x= In(e) (8.2)

Pereiralima 40
Confiabilidade de ComponenJes e SistentaS en3 722.hlogspot.com.hr

Universidade Federal do ABC


Eng!! de Instrumentação, Automação e Robótica
Prof Dr. Pedro Sérgio Pereiral/ma
peralima@ufabc.edu.br

fndice
Parte 1- Conflabilidade de Componentes
1- Fundamentos de Confiabilidade
Introdução 1
Histograma 1
Probabilidade Intervalar 2
Densidade de Probabilidade 3
Probabilidade Acumulada 4
Probabilidade Complementar 5
Exercícios 5
li - Função de Weíbull e MTBF
Densidade de Risco 6
Risco Acumulado 6
Funções de Weibull e Log-Weibull 7
Curva da Banheira da Densidade de Risco 8
Tempo Médio entre/até Falha 8
Taxa de Falha 8
Considerações 8
Tempo Médio entre Falhas Condicionado 9
Teorema de Bayes 9
Eventos Independentes e Mutuamente Exclusivos 9
Tempo Médio de Vida Residual 10
Interpretação da Densidade de Risco 10
Exercícios 11
Ili - Determinação de Parâmetros
Probabilidade de variáveis discretas 12
Probabilidade de intervalos de variáveis contínuas 12
Verossimílhança 13
Critério da Máxima Verossimilhança 13
Parâmetros da função de Weibull para Máxima Verossimilhança 13
Parâmetros da confiabilidade Exponencial para Máxima Veras. 14
Parâmetros da da função Log-Weíbull para Máxima Veros. 14
Método de solução iterativo 15
Exercícios 16

Pereiralima 4I
Confiabilidade de Componemes e Sistemas enJ722.blogspot.com.br

IV - Ensaios Acelerados
Justificativa 17
Hipóteses 17
Correlação entre parâmetros para diferentes níveis de estresse 18
Determinação do fator de aceleração 19
Lei da potência inversa 21
Estresse sob múltiplos fatores 22
Modelos físicos para determinação do fator de aceleração 23

Parte li - Confiabilídade de Sistemas


V - Associações Fundamentais
Associação Série 24
Associação Paralelo 24
Associação Série-Paralelo 25
Associação Paralelo-Série 25
Associação Paralelo K de N 26
VI - Associações Complexas
Método da Decomposição 27
Método do Tie-Set 29
Método do Cut-Set 30
Método da Tabela Booleana 31
Ajuste da função de Risco Acumulado do Sistema 32
Critério do Mínimo Erro Quadrático Médio 32
Parâmetros da função de Weibull para Mínimo EQM 32
Parâmetros da confiabilídade Exponencial para M ínimo EQM 33
Parâmetros da função Log-Weibull para Mínimo EQM 33
Método de solução iterativo 33
Exercícios 33

VII - Índices de Desempenho


Índice de Birmbaun 34
fndice de Importância Crítica 35
Índice de Potencial de Melhoria 36
Exercícios 36
VIII - Processos Estocásticos
Cadeia de Markov 37
MTTF do Usuário 39

Objetivo

O objetivo deste blog é disponibilizar notas de aula da disciplina optativa


Confiabilidade de Componentes e Sistemas - EN3722 aos alunos do curso de Engenharia da
UFABC, sendo vedada sua utilização comercial. Este curso foi montado em cima da bibliografia
básica: Fogliattto, F.S. e Ri beiro, J.L.D. - Confiabilidade e Manutenção Industria/ 2009 Elsevier.

Pereiralima 42