Escolar Documentos
Profissional Documentos
Cultura Documentos
CENTRO DE TECNOLOGIA
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE
PRODUÇÃO
JOÃO PESSOA - PB
2007
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
JOSÉ RENATO MONTEIRO NASCIMENTO DE ALMEIDA
JOÃO PESSOA - PB
2007
A447m Almeida, José Renato Monteiro Nascimento de
Metodologia para análise da confiabilidade de um conjunto
de alta criticidade de uma planta siderúrgica integrada / Marcos
Antonio dias de Souza - João Pessoa, 2008.
178 f. il.:
BANCA EXAMINADORA
__________________________________________________
Prof. Dr. Luiz Bueno da Silva
Universidade Federal da Paraíba
__________________________________________________
Prof. Dr. Ulisses Umbelino dos Anjos
Universidade Federal da Paraíba
__________________________________________________
Profa Dra. Adriana Zenaide Clericuzi
Universidade Federal da Paraíba
AGRADECIMENTOS
Agradeço a DEUS, guia espiritual que me deu forças para superar todos os obstáculos
enfrentados ao longo do desenvolvimento deste trabalho;
À toda minha família, particularmente aos meus pais, José Carlos e Nely pelas orações
que fizeram para que eu pudesse chegar até aqui;
A Sílvio José Martins Netto, que abriu caminho em minha empresa para que iniciasse
meus estudos na área da engenharia de produção;
Ao professor Luiz Bueno da Silva, meu orientador, pelo incentivo e confiança em meu
potencial desde o período da especialização em que cursava a disciplina Métodos
Quantitativos. Sou grato também por ter me despertado o interesse no ramo na estatística
multivariada;
A todos os professores e funcionários do PPGEP/UFPB, especialmente o Josemildo
(Duca) por seu apoio e assistência, sempre cordial em todo o momento que foi solicitado;
A Eugênio Schmidt (in memorian), pelo incentivo no estudo no ramo da
confiabilidade e ter me legado, ainda na especialização, minha primeira referência teórica
nesta área;
A Fabrício Coelho Alves por ter sido o meu primeiro colaborador na assistência e
fornecimento dos dados utilizados na pesquisa;
A Luiz Augusto Wasem pela sua colaboração, sobretudo, nas entrevistas gentilmente
cedidas ainda na fase de coleta de dados da pesquisa;
A Ricardo Sodré pelo empréstimo de suas apostilas de confiabilidade e ter me
indicado o primeiro software de confiabilidade tornando-se a principal fonte computacional
da pesquisa;
A Jorge de Carvalho Pires e João Geraldo Pedrini da Penha pelas entrevistas cedidas e
pelo fornecimento de informações tornando possível entender e compreender as atuais
técnicas de controle de falhas utilizadas na empresa;
Por fim, agradeço a todos que diretamente ou indiretamente contribuíram para que este
trabalho se concretizasse.
“SE ENXERGUEI MAIS LONGE, FOI POR
QUE ME APOIEI NOS OMBROS DE
GIGANTES”
(NEWTON)
RESUMO
The knowledge of the critical components reliability has influenced the performance of the
productive assets of the productive units. Its study involves a systematized treatment of a great
amount of data and information. The diversity of involved variables difficults the
comprehension of interrelated information being necessary to simplify the information base
without losing quality and precision of the data. This is possible through the dimension
reduction of the original data base. The aim of this dissertation is to propose a methodology
in order to determine the reliability of the critical components based on multivariate statistics
techniques through the study of their life time. The methodology previously demanded on site
researches and operational documents studies. It was considered 10 samples with 38
variables each one. Principal Components Analysis was the statistical tool used to reduce the
data dimension that simplified the analysis to 9 Principal Components. The Reliability
Analysis involved the evaluation of the Reliability Function, Failures Rate Function and
MTBF (Mean Time Between Failures) of the critical components. It was necessary to use only
the first component (PC1) because it has absorbed 40% of the data variability which it was
enough due to the little variability of the other components. The Reliability Analysis of the
first component (PC1) was tested and compared with five probability distributions: Normal,
Log-normal, Exponential, Gamma and Weibull. The goodness distribution and adherence
tests both indicated the Log-normal distribution as the most appropriate. The outcomes
obtained by Reliability Function presented non-failures occurrences of 82,17%, 60,47% and
9,00% for the percentis 10, 50 and 90 respectively. The Failures Rate Function showed a
extreme point in 542 days of operation, presenting a condition of extreme risk to a critical
component. The MTBF reached 230 days ratifying the occurrence of 2 failures of the critical
component during one year. The global results estimated by proposed methodology
application showed consistent and coherent with the critical component historical data. The
previsibility of the critical component optimal time life was able to indicate its substitution in
the right time, decreasing non-programmed shutdowns, increasing operational stability and
consequently reducing the risk of stoppages in the studied industrial unit.
A maioria das empresas não possui de forma estruturada uma função de engenharia de
confiabilidade e nem programas que tratem do assunto de forma sistemática. No caso da
unidade industrial estudada, um planejamento eficiente de produção de todo ciclo produtivo
da planta, pressupõe estabilidade operacional do conjunto principal (Alto Forno) e está
diretamente relacionada à confiabilidade de seus subconjuntos, como é o caso das ventaneiras,
considerado um componente de alta criticidade.
Tornar o subconjunto ventaneiras mais confiável implica em tornar o seu conjunto
principal também mais confiável. Neste contexto, a elaboração de uma proposta metodológica
científica com um adequado tratamento estatístico de dados se torna essencial.
A proposta metodológica utilizando a confiabilidade de componentes de alta
criticidade permitirá o controle e o monitoramento das variáveis que interferem no ciclo de
vida dos mesmos. Isto se torna fundamental, já que, pela própria concepção do equipamento
em estudo não há interferência humana direta em sua operação ao qual as ventaneiras estão
atreladas.
Adicionalmente, esta metodologia servirá de instrumento de apoio à tomada de
decisão, auxiliando no planejamento de manutenção e no levantamento de possíveis ajustes e
oportunidades de melhorias na unidade fabril estudada.
1.4 OBJETIVOS
Esta dissertação contém além deste capítulo inicial, mais 10 capítulos e 10 anexos.
Neste primeiro capítulo consta a Introdução, onde se apresenta a contextualização do
problema, os Objetivos Propostos, a Justificativa do Estudo que aborda a importância dos
objetivos propostos, a Delimitação da Pesquisa e, por fim, a Estrutura da Pesquisa.
Em qualquer decisão que se toma na vida sempre se leva em conta um grande número
de fatores. Obviamente nem todos estes fatores pesam da mesma maneira na hora de uma
escolha. Às vezes, por se tomar uma decisão usando a intuição, não se identifica de maneira
sistemática estes fatores, ou seja, quais as variáveis que afetaram a decisão.
Estabelecer relações, encontrar ou propor leis explicativas é o papel próprio da
ciência. Para isso é necessário controlar, manipular, medir as variáveis que são consideradas
relevantes ao entendimento de algum fenômeno analisado. Muitas são as dificuldades em
traduzir as informações obtidas em conhecimento. Isto implica e condiciona a uma
padronização metodológica. Um aspecto essencial desta padronização é a avaliação estatística
das informações. A maneira própria de fazer ciência, procurando reduzir a poucas variáveis,
desenvolveu muito um ramo da estatística que olha as variáveis de maneira isolada - a
estatística univariada (MOITA NETO, 2004).
Às vezes, analisa-se as variáveis isoladamente e a partir desta análise faz-se
inferências sobre a realidade. Esta simplificação tem vantagens e desvantagens. Quando um
fenômeno depende de muitas variáveis, geralmente este tipo de análise falha, pois não basta
conhecer informações estatísticas isoladas, mas é necessário também conhecer a totalidade
destas informações fornecida pelo conjunto das variáveis. No caso restrito de variáveis
independentes entre si é possível, com razoável segurança, interpretar um fenômeno
complexo usando as informações estatísticas de poucas variáveis.
Segundo Moita Neto (2004), a denominação “Análise Multivariada” corresponde a um
grande número de métodos e técnicas que utilizam simultaneamente todas as variáveis na
interpretação teórica do conjunto de dados obtidos.
Mingoti (2005) define análise multivariada como sendo um conjunto de métodos
estatísticos utilizados em situações nas quais várias variáveis são medidas simultaneamente,
em cada elemento amostral.
Virgillito (2004) define a análise multivariada como sendo um conjunto de técnicas
estatísticas que possibilitam analisar, ao mesmo tempo, varias dimensões (multidimensional)
de cada uma das variáveis em estudo.
22
Segundo John e Wichern (1998 apud SCREMIN, 2003, p. 2), a análise multivariada
conduz aos seguintes objetivos:
Que tipo de
relação esta
sendo
examinada?
Dependência Interdependência
A estrutura do
Quantas
relacionamento
variáveis
esta entre:
estão sendo
previstas?
V ariáveis Casos Objetos
b) Escalonamento pela variância: neste método, cada variável é dividida pelo seu
desvio padrão fazendo com que o peso das variáveis em diferentes escalas seja
considerado equivalente, minimizando o risco de perdas de informações relevantes.
c) Auto-escalonamento: este método aplica ambas as técnicas descritas acima de uma
só vez, de modo que a transformação realizada sobre o conjunto original de dados
permita que cada variável apresente média zero e variância um. Desta forma é dada
a mesma importância para todas as variáveis independente de sua dimensão.
definida (n.n.d) ou positiva definida (p.d.), então se pode afirmar que existe uma matriz
ortogonal O ,
pxp
e 11
e 21
.... e p1
e e .... e
O = = [e e ... e ]
12 22 p2
Μ (1)
Μ Μ
pxp 1 2 p
e 11 p
e 2p
.... e pp
λ 1
0
λ
O ′ΣO = = Λ (2)
2
Μ Μ Μ
0 λ p
Π λ = det( Σ ) = Σ
i =1 pxp pxp
= Λ pxp
(3)
p
Σ pxp
= OΛO ′ = Σ λ e e ′i =1 i i i (5)
r
t df = n−2 (6)
1− r2
Se a estatística tdf não ultrapassar o valor crítico tabelado para o grau de liberdade df
(do inglês degree of freedom) n – 2, haverá evidências para não se rejeitar a hipótese nula.
Caso contrário, ou seja, se a estatística tdf ultrapassar o valor crítico tabelado, haverá
evidências para se aceitar a hipótese alternativa. Há indicações na literatura de uma razoável
quantidade de testes estatísticos que dependem também da suposição de normalidade da
distribuição a ser testada, dentre os mais difundidos destacam-se o teste de Shapiro-Wilk e o
teste de esfericidade de Bartlet.
−
1 p −
2
rk = Σ rik k = 1, 2,... p; r= ΣΣ rik (9)
p − 1 ii −≠1k p( p − 1) i <k
−
^
( p − 1 ) [1 − ( 1 − r ) ]
2 2
γ = −
(10)
p − ( p − 2 )( 1 − r ) 2
Sendo,
p, o número de autovalores da matriz de correlação;
−
( n − 1) − ^ p − −
T= − [ΣΣ( rik − r ) 2 − γ Σ ( r k − r ) 2 ] > χ 2 ( p+1 )( p− 2 ) / 2 (α ) (11)
i<k k =1
(1 − r ) 2
quadrado com (p+1)(p-2)/2 graus de liberdade. Este teste é preferível aos anteriores, pois
34
Dab (12)
Similaridadeab = 1 −
Dmax
Existem vários métodos para se medir as distâncias entre os pares das amostras e
agrupamentos, entre eles, estão a distância Euclidiana e a distância de Mahalanobis
(RIBEIRO, 2001, p.18). A suposição básica é que quanto menor a distância entre os pontos,
maior a semelhança entre as amostras. A distância Euclidiana é uma medida invariante às
translações, porém assume covariâncias iguais entre as classes e em geral não é invariante às
transformações lineares. É a medida mais utilizada na prática. A distância de Mahalanobis
considera que as superfícies de cada classe são elipsóides centradas na média. No caso especial
em que a covariância é zero e a variância é a mesma para todas as variáveis, as superfícies
serão esferas, e a distância de Mahalanobis fica idêntica a distância Euclidiana. Esta métrica
35
supre muitas das limitações da distância Euclidiana, porém pode ser bastante difícil determinar
precisamente as matrizes de covariâncias, e o custo computacional cresce muito com o número
de variáveis envolvidas.
Após o cálculo das similaridades, as duas amostras mais próximas são conectadas
formando um agrupamento. Este processo é repetido até que todas as amostras sejam
conectadas formando um único grupo. Uma vez que as amostras são conectadas pela
proximidade entre elas, é necessário definir a distância entre uma amostra e um grupo ou, entre
grupos de amostras. Há várias técnicas para medir a distância. As mais usuais são: conexão
pelo vizinho mais próximo (single linkage ou nearest neighbour); conexão pelo vizinho mais
distante (complete link ou farthest neighbour); conexão pela distância média (average link) e o
método de Ward. O método de Ward é um método de agrupamento de dados que forma grupos
de maneira a atingir sempre o menor erro interno entre os vetores que compõe cada grupo e o
vetor médio do grupo. Isto equivale a buscar o mínimo desvio padrão entre os dados de cada
grupo.
Por ser uma técnica complementar a ACP não serão feitos estudos mais aprofundados,
pois foge ao objetivo deste trabalho. Informações mais detalhadas podem ser encontradas em
Beebe et al, Sharaf et al, Kowalski,(1998; 1996; 1983 apud RIBEIRO, 2001).
lineares das variáveis originais X(p), e impor a esse sistema certas condições que permitam
satisfazer os objetivos da análise de componentes principais.
Isso implica encontrar (p x p) constantes tais que CP(k) pode ser escrito de acordo com
a equação (13):
p
CP(k) = ∑α ( j ) X(j) , k=1,...,
j =1
k (13)
onde cada α ( jk ) é uma dessas constantes. Observa-se que devido ao somatório em cada nova
variável CP(k), uma intervenção ocorrerá em todos os valores das variáveis originais X(j). O
valor numérico de α ( j ) indica o grau de contribuição de cada variável definida pela
transformação linear. É possível que α ( j ) tenha em algum caso particular, o valor zero, ou
muito próximo de zero, o qual indica que essas variáveis não influem no valor da nova variável
CP(k). O grau de contribuição α ( j ) de cada variável definida pela transformação linear é dado
[ ]
pela relação α ji V (CPi ) , quando os componentes são obtidos a partir da matriz de
Μ Μ Μ Μ Μ
CPp = K ′p . X = k1 p X 1 + k2 p X 2 + ...+ k pp X p
40
k11 k21 Λ k p1
k12 k22 Λ k p 2 (15)
K pp =
Λ Λ Ο Μ
k1 p k2 p Λ k pp
' '
4- Em todos os casos Cov (Ki .X.Kj .X) = 0; j < i.
As restrições acima garantem que o sistema tenha solução única e que os componentes
principais sejam não-correlacionados e apresentem variâncias decrescentes.
'
Seja Σ a matriz de covariâncias associada ao vetor aleatório X = [X1, X2,...,Xp], cujo Σ
tem os pares de (autovalores/autovetores) (λ1, ℓ1), (λ2 ℓ2),...,(λp, ℓp), no qual λ1 > λ2 > ...> λp >
0, o i-ésimo componente principal é dado por
'
CPi = ℓ1 X = ℓ1iX1 + ℓ2iX2 +...+ ℓpiXp , i=1,2,...,p (21)
com
'
V(CPi) = ℓ i Σ ℓi = λi, , i=1,2,..p (22)
e
'
Cov(CPi , CPj ) = ℓ i Σℓj = 0, i ≠ j (23)
Conforme Johnson e Wichern (1992), a variância total da população σ11 + σ12 +...+ σpp
é igual à soma dos autovalores λ1 + λ2 + ... + λ p da matriz Σ. Conseqüentemente, a proporção da
λk
variância total explicada devido ao k-ésimo componente principal é λ1 + λ 2 + ... + λ p , k=1,2...p.
42
Deste modo, as variáveis com maior peso na combinação linear dos primeiros
componentes principais são as mais importantes sob o ponto de vista estatístico.
Seja
x1 − µ1 x2 − µ 2 xp − µp
Z1 = , Z2 = ,Λ , Zp = (25)
σ 11 σ 22 σ pp
−1
1
Z = V 2 .( X − µ ) (26)
onde,
43
σ 11 0 0
1
0 σ 22 0
V2 = (27)
Μ Μ Μ
σ pp
0 0
1 1 (28)
V 2ρ V2 =Σ
é a matriz de covariâncias e,
−1 −1
1 1
ρ = V 2 Σ V 2 (29)
é a matriz de correlação. Então,
−1 ′
1 1 − 1
cov( Z ) = V 2 cov( X − µ ) V 2 (30)
Logo,
−1 ′
1 1 − 1
cov( Z ) = V 2 Σ V 2 = ρ (31)
' '
Yi = ℓi Z = ℓi ﴾ V½ ﴿-1 ﴾X − µ﴿ (32)
com
p p
Σ V (CPi ) = Σ V ( Z i ) = ρ (33)
i =1 i =1
e
44
ρCPi , Z j = λ ji λi (34)
Neste caso (λ1, ℓ1), (λ1, ℓ1), ..,(λp, ℓp) são pares de autovalores e autovetores obtidos de ρ
com λ1 > λ2 > ...> λp > 0.
Assim, pelo exposto, pode-se ver que a proporção da variância populacional
padronizada devido ao j-ésimo componente principal é dada por:
λ j
, j = 1, 2,..., p (35)
p
Mingoti (2005) ressalta que não ocorrem diferenças significativas nas primeiras
componentes principais entre os métodos de extração pela matriz de covariâncias e matriz de
correlação havendo inclusive consistência, principalmente no tratamento de variáveis com
baixa variância.
Johnson e Wichern (1992) concluem que os componentes principais derivados da
matriz de covariância Σ são diferentes daqueles derivados da matriz de correlação ρ. Além
disto, num conjunto de componentes principais, os componentes não são em função
simplesmente um do outro. Isto sugere que a padronização ou auto-escalonamento não é
incoerente. As variáveis devem ser padronizadas, se elas estão em escalas de medidas
diferentes ou se as unidades de medidas não são a mesma (LOPES, 2001).
Sob este critério, deve-se manter no sistema um número de componentes “k” que
conjuntamente representem um percentual γ da variância total que poderá ser pré-determinado
pelo pesquisador. Portanto, na prática, busca-se o valor “k” tal que:
k ^
Σ λi (36)
i =1
=γ
p ^
Σ λj
j =1
Não há um limite definido para o valor γ e sua escolha deverá ser feita de acordo com a
natureza do fenômeno investigado. Em algumas situações, é possível obter-se um percentual
de explicação de variância total acima de 90% ou 95% com 1 ou 2 componentes, enquanto que
em outras, é necessário um número muito maior.
A utilidade prática das componentes decresce com o crescimento do número de
componentes necessárias para se chegar ao valor escolhido γ, uma vez que quanto maior o
número de componentes, maior será a dificuldade de interpretação das mesmas. Assim sendo,
em alguns casos torna-se necessário trabalhar com percentuais de explicação abaixo de 90%.
Em geral, quando as componentes principais são extraídas da matriz de correlação,
necessita-se de um número maior de componentes para se alcançar o valor de γ, em
comparação com o número requerido quando as componentes são extraídas da matriz de
covariâncias (MINGOTI, 2005).
No mesmo raciocínio, quando a matriz de correlação é utilizada para a extração das
componentes principais, a variância total é igual ao número de variáveis originais “p”. Assim,
um critério que é utilizado para a escolha das “k” componentes é o de manter no sistema
^
apenas as componentes relacionadas àqueles autovalores λ i ≥ 1 , ou seja, mantêm-se as
combinações lineares que conseguem explicar pelo menos a quantidade de variância de uma
variável padronizada. Este procedimento é conhecido como critério de Kaiser (1958).
Similarmente, quando a análise é feita com a matriz de covariâncias, podem-se manter no
^
sistema as componentes relacionadas aos autovalores que são maiores ou iguais a λm ,
definido por:
46
n ^
^ Σ λj
j =1
λm = (37)
n
E que representa a variância média das variáveis originais X i , i=1,2,...,n.
Johnson e Wichern (1992) também recomenda, como regra geral, reter aqueles
componentes principais com variância maior que a unidade ou equivalentemente somente
componentes que individualmente expliquem no mínimo a proporção 1/k da variância total,
sendo “k” o número de componentes principais.
Cattel (1966 apud TINN, 2002) sugere um gráfico denominado scree-plot (Figura 4)
que compara os autovalores estimados com os componentes principais. Basta apenas observar
^
no gráfico o ponto em que os valores de λ tendem a se estabilizar, pois esse é ponto a partir
i
do qual os autovalores λ se aproximam de zero. Segundo o mesmo autor o ideal é que sejam
i
12
Autovalores Estimados
10
0
1 2 3 4 5 6 7 8 9 10
Número de Autovalores
k ^ ^ ^
(38)
Σ pxp ≈ Σ λ i e i e i '
i =1
k ^ ^ ^
r pxp ≈ Σ λ i e i e i ' (39)
i =1
^ ^
rpxp.
Assim, o valor “k” poderia ser escolhido de modo a se ter uma aproximação razoável
para as matrizes Σpxp e rpxp. As parcelas que mais contribuem para a aproximação dessas
matrizes são as correspondentes aos autovalores significativamente maiores que zero. Logo, as
componentes associadas a autovalores pequenos ou próximos a zero poderiam ser eliminadas.
É preciso ser cauteloso na análise da qualidade da aproximação, uma vez que um grau de
exigência elevado está geralmente relacionado com um valor elevado de “k”, o que não é o
desejado.
Para que as componentes possam ser utilizadas adequadamente o mais indicado é que
sejam passíveis de interpretação. A escolha do valor “k” pode ser pautada pela natureza
prática das componentes encontradas. A situação ideal é aquela em que as componentes
principais de maior interesse do pesquisador são as de maior explicação relativa à da variância
total e levam a um valor pequeno de “k”, mas isto nem sempre ocorre, obrigando ao
pesquisador a eleger uma componente de autovalor de menor peso ou equivalentemente à
variância de menor valor (MINGOTI, 2005).
4.1 INTRODUÇÃO
Segundo Lafraia (2001 apud HAVIARAS, 2005, p.23) para uma adequada análise de
confiabilidade devem ser considerados os seguintes aspectos:
a) definição das funções para os quais o produto foi projetado;
b) definição do que se entende por desempenho satisfatório (especificação de
desempenho, definição de falha, etc.,);
c) definição das condições de operação (temperatura, vibração, etc,);
d) definição do período de tempo durante o qual o produto ou equipamento deve
funcionar bem (isto é, número de horas, ciclos, etc.).
Região II: representa o tempo de vida útil do componente. Neste período, as falhas
ocorrem de forma aleatória. A taxa de falha constante é uma característica de componentes
eletrônicos;
Segundo Lafraia (2001 apud HAVIARAS, 2005, p.29), a Tabela 2 mostra as principais
causas de falhas conforme as etapas da Curva da Banheira.
53
Um critério de classificação dos tipos de falhas proposto por Blashe (1994 apud
VOLLERTT, 1996, p.9) é mostrado na Figura 6.
Ambas as falhas completa e parcial ainda podem ser classificadas de acordo com a
rapidez com que acontece a falha:
Falha Súbita: falhas que não poderiam ser prevenidas através de testes e inspeção.
Falha Gradual: falha que poderia ser prevista através de teste e inspeção.
As falhas ainda podem ser combinadas conforme a seguinte classificação:
Falhas Catastróficas: falhas que são ambas Súbita e Completa.
Falha de Degradação: falhas que são ambas Parcial e Gradual
4.3.1 Análise do Modo e Efeito da Falha – FMEA (Failure Mode and Effects Analysis)
Esta análise começou a ser utilizada no final dos anos 50 e tem como finalidade a
análise crítica de projetos de produtos e processo. O objetivo de um FMEA é identificar todos
os modos de falha em potencial dentro de um projeto (de produto ou processo), todas as
probabilidades de falhas catastróficas e críticas de tal maneira que elas possam ser eliminadas
ou minimizadas através da correção do projeto, o mais cedo possível (FREITAS; COLOSIMO,
1997, p.32).
A FMEA tem as seguintes características gerais:
a) Pode ser implementada tanto para o projeto de um produto como de um processo;
b) Tem como ponto de partida a definição precisa da função do componente ou da
etapa do processo;
c) Relaciona os tipos (modos) de falha com os efeitos, as causas do tipo de falha, os
rsicos de ocorrerem falhas e os mecanismos atuais para prevenção da ocorrência;
56
d) Na análise de cada tipo (modo) de falha em potencial no tempo, assume-se que todas
as demais características estão conforme especificado no projeto. Consequentemente, a FMEA
é restrita à consideração de falhas simultâneas no produto (ou processo), não fornecendo
elementos para a quantificação da confiabilidade do produto ou processo.
Uma forma utilizada para obter dados de falha em condições mais severas e extrapolá-
la para as condições de uso nominal é o que se denomina testes de vida acelerados. Em
termos práticos, isto significa que as informações referentes à confiabilidade dos produtos
necessitam ser obtidas em um curto período de tempo para que possam ser utilizadas em novos
projetos e na melhoria dos já existentes. Em geral, as informações obtidas sob altos níveis de
estresse (ex: taxa de uso, temperatura, voltagem) é extrapolada através de um modelo
estatístico-físico razoável para se conseguir estimativas, por exemplo, do tempo médio ou
mediano de vida nas condições de uso.
A Tabela 3 fornece resumidamente uma visão geral das técnicas clássicas descritas
anteriormente.
F (t ) = P(T ≤ t + ∆t ) (42)
Definindo a função de confiabilidade R(t), como a probabilidade que o sistema não
venha a falhar num instante inferior a t, denotada por:
t
R(t ) = 1 − ∫ f (t )dt (44)
0
F ( t ) = 1 − R( t ) (45)
d d (46)
f (t ) = − R( t ) = Q ( t )
dt dt
f (t )
λ (t ) = (47)
R( t )
63
∞
MTBF = ∫ R( t ).dt (48)
0
a) Tempo até falha (ou recolocação), sem suspensão (censura): todos os itens
completam o ensaio;
b) Tempo até falha (ou recolocação), com suspensão (censura à direita): nem todos os
itens completam o ensaio;
c) Tempo até falha (ou recolocação), com intervalos (intervalo e censura à esquerda):
os itens são inspecionados em dados intervalos, com itens falhos (ou recolocados) após a
última inspeção;
d) Tempo até falha (ou recolocação), com intervalos e suspensões (intervalo, censura à
esquerda ou à direita): os itens são inspecionados em dados intervalos, com itens falhos (ou
recolocados) após a última inspeção, com ocorrência também de itens com ou sem suspensões,
e censura múltipla.
Borges (1979 apud LOPES, 2001), classifica os mecanismos de censura em três tipos:
a) Censura Tipo I: é aquela cujo teste será terminado após um tempo pré-estabelecido;
b) Censura Tipo II: é aquela cujo teste será terminado quando certo número de
produtos pré-estabelecidos falharem;
c) Censura Tipo Aleatória: é a que ocorre quando, por força maior, tira-se um produto
do teste sem ter ocorrido uma falha. Geralmente esse tipo de censura está associada a outro
tipo de falha qualquer, fora daquelas que estavam sendo analisadas.
Na prática, o tratamento estatístico usado para os três tipos de censura é o mesmo, mas
existem algumas vantagens em usar um determinado tipo de censura, principalmente quando
tivermos informações históricas sobre o produto em estudo.
Outra forma de realizar um teste é utilizar uma amostra completa, ou seja, dados sem
censura, supondo que todos os elementos amostrais tenham falhado.
Para analisar o tempo de falha num conjunto de dados sem censura, em primeiro lugar
deve-se distribuir o tempo de falha em intervalos contínuos e, logo em seguida distribuir o
número de equipamento que falharam dentro de cada intervalo; assim teremos uma
distribuição do tempo de falha. Uma forma de representar um conjunto de dados sem censura é
através de um histograma ou um gráfico de barra, em que fica fácil visualizar os intervalos
com as suas respectivas falhas.
65
Quando ocorre censura, não se aconselha construir um histograma, pois não se sabe a
freqüência exata associada ao intervalo. Por esse motivo, é que existem técnicas paramétricas e
não-paramétricas para analisar dados de tempo de falha na presença de censuras (LEITCH,
1995 apud LOPES, 2001).
Em resumo, os tipos de dados de vida podem ser classificados como completos ou
censurados e os censurados podem ser censurados à direita, censurados em intervalos e
censurados à esquerda (BARROS FILHO, 2003).
Independente de qual método de análise for eleito, o estudo deve ser realizado a partir
da coleta experimental do fenômeno estudado. Caso se prossiga com a análise utilizando
métodos estatísticos que permitam ajustar a distribuição que melhor representa a função de
densidade de probabilidade dos tempos de falha f(t), e respectivas funções de confiabilidade
tanto é necessária a execução do ensaio até o instante em que ocorram as falhas em todas as
unidades empregadas no experimento. As análises não-paramétricas podem ser realizadas
considerando-se duas formas de coleta de dados: agrupada ou não-agrupada. Considerou-se na
análise corrente, testes completos de confiabilidade onde todos os componentes analisados
falharam.
Dodson (1994 apud BARROS FILHO, 2003, p.54) classifica os dados das amostras em
três tipos, conforme o arranjo dos itens a serem avaliados ou testados:
a) Não-agrupados (itens testados ou avaliados individualmente);
b) Agrupados (itens testados ou avaliados em grupos selecionados);
c) Na forma livre (dados admitidos).
Tabelas de Vida
Estimador Kaplan-Meier
A tabela de vida ou método atuarial é uma das mais antigas técnicas estatísticas
utilizadas para estimar características associadas à distribuição dos tempos de falha. A sua
construção é simples e consiste em incorporar censuras no cálculo da função confiabilidade.
67
A construção de uma tabela de vida considera que existam “n” equipamentos (ou
componentes) sob teste e “k” falhas distintas nos pontos de corte t1 < t2 < ... < tk, para k < n,
dividido em k+1 intervalos e t0 = 0. Para cada um dos intervalos, estima-se a seguinte
probabilidade:
qi = P (T ∈ [t i −1 , t i ) / T ≥ t i −1 ) (49)
não falhou até t i − 1 . A partir destes valores obtêm-se a função confiabilidade. Desta forma,
Pode-se observar que, dado que o item não falhou até t i − 1 , a sua probabilidade de
função de confiabilidade é a probabilidade de um item não falhar até o tempo t i , i=1,...,k. Isto
R( t i ) = (1 − q1 )...(1 − qi ) (51)
Uma estimativa gráfica para a função de confiabilidade é uma escada, com valor
constante para cada intervalo de tempo. A função de confiabilidade estimada no primeiro
intervalo, [0, t1 ) , é naturalmente a unidade. A função de confiabilidade estimada no último
intervalo, [tk , ∞ ), é zero se o maior tempo observado for uma falha, e não atingirá o zero se
n − d n − d 2 nt o − d t o
R( t i ) = 1 1 . 2 .... (52)
n1 n2 nt o
A principal diferença entre os dois métodos está no número de intervalos usados para o
cálculo de cada um deles. O estimador de Kaplan-Meier é sempre baseado em um número de
intervalos igual ao número de tempos de falha distintos enquanto na tabela de vida os tempos
de falha são agrupados em intervalos de forma arbitrária. Isto faz com que a estimativa obtida
pelo estimador de Kaplan-Meier seja baseada frequentemente em um número de intervalos
maior que a obtida através da tabela de vida. O uso do estimador da tabela de vida não é
recomendável em conjunto de dados com poucas observações. Por outro lado, ajusta-se bem às
situações em que os tempos de falha exatos são desconhecidos, mas sabe-se que ocorreram em
certo intervalo de tempo.
Deste modo, o estimador de Kaplan-Meier torna-se mais eficiente, por ser um
estimador não-viciado para a função de confiabilidade, tanto para grandes como para pequenas
amostras (KAPLAN; MEIER, 1958 apud LOPES, 2001).
69
Pallerosi (2000 apud BARROS FILHO, 2003, p.46), menciona os cinco tipos principais
de distribuições estatísticas utilizadas no estudo da confiabilidade, sendo as mesmas:
t 1 1T − µ
2
T
f (T ) = ∫ exp − dT − ∞ < T < +∞ (53)
−∞ 2 ∏σ T 2
σ T
4
d.p.=0,8
Des
d.p.=0,5
d.p.=0,2
0
1 2 3 3 4
Figura 10 – Função densidade de probabilidade Normal para valores de desvio padrão 0,2; 0,5 e 0,8
72
[ln(T ) − µ ]2
− (54)
1 2σ 2
f (T ) = e
Tσ 2π
sendo,
µ : a média do logaritmo do tempo de falha,
σ : o desvio-padrão no domínio logaritmo.
seguindo as mesmas condições de uma distribuição Normal. Os dados provenientes de uma
distribuição Log-normal podem ser analisados segundo uma distribuição Normal, trabalhando-
se com o logaritmo dos dados ao invés dos valores originais.
A distribuição Log-normal é a que melhor descreve os tempos de vida de componentes
semicondutores cujos mecanismos de falha envolvem interações químicas, como as
encontradas em processos de corrosão, acúmulo superficial de cargas elétricas e degradação de
contatos, sendo “a que melhor descreve dos mecanismos de falha por fadiga em materiais”
(HAVIARAS, 2005).
As principais aplicações da distribuição Log-normal correspondem a falhas em
rolamentos, motores e geradores, fadiga em metais, componentes do estado sólido
(semicondutores, diodos e outros), isolantes elétricos e resistências elétricas (LIPSON;
SHETH, 1973 apud BARROS FILHO, 2003). Esta distribuição possui as seguintes
características:
a) É assimétrica;
b) É bi-paramétrica, onde o valor médio (µ) corresponde ao parâmetro de escala e o
desvio-padrão (σ) ao parâmetro de forma.
[ln(T )− µ ]2
−
∞ 1 2σ 2
R(T ) = ∫ e dT (55)
ln(T ) Tσ 2π
73
sendo Φ (. ) , a função acumulada de uma distribuição Normal padrão, ou seja, de uma Normal
com média igual a zero e desvio-padrão igual a um.
[ln(T ) − µ ]2
−
1 2σ 2
e
λ (T ) = Tσ 2π
[ln(T ) − µ ]2 (57)
−
∞ 1 2σ 2
∫ e dT
ln(T ) Tσ 2π
[ln(T ) − µ ]2
− (58)
∞ 1 2
MTBF = ∫ e 2σ dT
0 Tσ 2π
β
T − γ
β (T − γ ) β − 1
f (T ) = exp − ,T ≥ γ (59)
ηβ η
sendo;
γ (gama): parâmetro de localização ou vida mínima 0 < γ < ∞
η (eta): parâmetro de escala ou vida característica 0 < η < ∞
β (beta): parâmetro de forma 0 < β < ∞
a) Permite uma aplicação à maioria dos casos práticos, com boa precisão, motivo de
seu largo emprego;
75
É uma distribuição de probabilidade que se caracteriza por ter uma função de taxa de
falha constante. A forma geral da função de densidade para um tempo de falha T com dois
parâmetros é dada por:
f (T ) = λ e − λ (T − γ ) , f (T ) ≥ 0, λ > 0, T ≥ γ (60)
onde,
1
λ=
µ
sendo,
λ : taxa de falhas e, µ a média entre ou até a falha
γ : parâmetro de localização ou vida mínima
Quando γ é igual a zero, a distribuição torna-se monoparamétrica e toma a seguinte
forma:
f (T ) = λ e − λ (T ) , f (T ) ≥ 0, λ > 0 (61)
Por ser a função taxa de falha constante, uma unidade de amostra mais antiga que ainda
não falhou possui a mesma probabilidade de falhar em um intervalo futuro que uma unidade
amostral nova (HAVIARAS, 2005).
A função Gamma é uma distribuição muito usada para descrever variáveis aleatórias
limitadas à esquerda. Um sistema apresentará essa distribuição se a falha do mesmo associar-
se a ocorrência de “n” sub-falhas a uma taxa exponencial constante λ. A função de densidade
de probabilidade da distribuição Gamma é dada por:
t
t δ −1 − (62)
f (t ) = e α ,t ≥ 0 ,α e δ > 0
α δ Γ(δ )
n
L(θ / t1 , t 2 ,..., t n ) = L(θ ) = Π f (t i ;θ ) (63)
i =1
Para a função acima, tem-se a seguinte pergunta: “Qual o melhor valor θ que maximiza
a função L(θ)?” Busca-se, então, “quais são os parâmetros da distribuição que melhor
explicam a amostra em questão?” (HARTER; MOORE, 1969 apud LOPES, 2001, p. 20).
80
r n
L(θ ) = Π f (t i ;θ ) Π R(t i ;θ ) (64)
i =1 i = r +1
n r
L(θ ) = Π R(t i ;θ ) Π Z (t i ;θ ) (65)
i =1 i =1
As expressões acima são equivalentes, ressaltando que esta última se aplica a casos de
amostras censuradas.
É sempre conveniente trabalhar com o logaritmo da função de verossimilhança, em que
os estimadores de θ que maximizam L(θ) são equivalentes aos que maximizam log [L(θ)].
Os estimadores de máxima verossimilhança são encontrados, resolvendo-se o sistema
de equações a seguir:
∂ log[L(θ )]
U (θ ) = =0 (66)
∂θ
Os testes de adequação de ajuste que serão explorados neste estudo são os seguintes:
Este teste foi idealizado por Karl Person (1857) que o interpretava como um teste de
significância estatística. O método de qui-quadrado baseia-se na comparação das freqüências
observadas e esperadas (ou cálculos usando a distribuição do ajuste).
Para isso é necessário agrupar as observações em intervalos, obtendo-se xii e xis como
limite inferior e superior do intervalo “i”. Para cada intervalo, determina-se:
83
k (fo i − fe i ) 2
χ c2 = Σ (67)
i =1 fe i
cujo foi vem a ser a freqüência observada no intervalo “i” e fei a freqüência esperada no
mesmo intervalo “i” e k é o número de intervalos. O valor fei é determinado através da função
de probabilidade acumulada, obtida da seguinte forma:
2
O qui-quadrado calculado é comparado com o qui-quadrado tabelado ou crítico χ crit e,
Para extrair este valor das tabelas estatísticas é necessário conhecer previamente o nível
de significância adotado e o número de graus de liberdade. Este último é dado pelo número de
classes observadas subtraído do número de parâmetros populacionais que devem ser estimados
do modelo de confiabilidade (VIRGILLITO, 2004).
A prova do χ 2 deve ser usada quando o número de observações for grande, acima de
30 observações. É comum usá-la em amostras pequenas, porém aconselha-se muita cautela ao
fazê-lo (LOPES, 2001).
Quando se obtém um valor de χ 2 significativo, mas nota-se que a amostra é pequena
e/ou que a freqüência esperada em uma das classes é pequena (tipicamente, quando for menor
que 5) a fórmula de obtenção de χ 2 poderá produzir um valor maior que o real. Segundo Viali
k (fo i − fe i − 0,5) 2
χ c2 = Σ (69)
i =1 fe i
Evidentemente, não é preciso usar a correção de Yates se o valor de χ 2 for menor que
2 , pois o novo valor será menor que o primeiro, continuando a não ser significativo. De
χ tab
modo geral, usa-se a correção de Yates quando:
A estatística teste K-S avalia se duas ou mais amostras foram extraídas da mesma
população (ou de populações com a mesma distribuição).
O método Kolmogorov-Smirnov consiste na comparação das freqüências acumuladas
observadas com as estimativas para a distribuição do ajuste diferentemente do método de qui-
quadrado que utiliza freqüências agrupadas.
Se as amostras foram extraídas da mesma população, então é de esperar que as
distribuições acumuladas das amostras sejam muito próximas uma da outra, acusando apenas
desvios causais em relação à distribuição da população. Se as distribuições acumuladas são
“diferentes” ou “distantes” uma da outra em qualquer ponto, então as amostras provêem de
populações também distintas.
a freqüência acumulada observada para o valor ordenado xi, a qual é dada por
i
S n ( xi ) = 100 ;
n
a freqüência acumulada teórica, usando a F( xi ) da distribuição teórica;
DM = Max{Sn ( x i ) − F( x i )} (70)
n
A2 = − n − (1 / n) Σ ( 2i − 1)[ln( w i ) + ln(1 − w n − i + 1 )] (71)
i =1
No caso de amostras pequenas, a expressão acima precisa ser corrigida pela seguinte
expressão:
2 0.75 2.25
Am = A2 1 + + 2 (72)
n n
Os valores calculados devem ser comparados com o valor crítico apropriado dado em
função do nível de significância α; 0.1, 0.05, 0.025 e 0.01 mostrados na Tabela 5 abaixo:
86
Os valores calculados devem ser comparados com o valor crítico apropriado dado em
função do nível de significância α 0.1, 0.05, 0.025 e 0.01 mostrados na Tabela 6 abaixo:
Tabela 6 – Valores críticos da estatística teste A2 para as funções Weibull, Gamma e Gumbel
2 0.3
Am = A2 1 + (75)
n
E os valores críticos a serem comparados com os valores calculados são dados
conforme a Tabela 7 a seguir:
crit
1.062 1.321 1.591 1.959
Fonte: D’agostinho e Stephens (1986 apud CALZADA, 2006).
CAPÍTULO 5 - PESQUISAS DESENVOLVIDAS
• um estudo sobre o sono dos mamíferos em que foi utilizada uma análise fatorial com
o objetivo de verificar se a variação do sono de uma espécie para outra pode
depender das características particulares de cada espécie. Na seleção do número de
componentes principais, utilizando o método de Kaiser foram identificados dois
fatores de 9 variáveis originais;
Em Melià e Sesé 1999 (apud SCREMIN, 2003, p. 41) relata-se um estudo sobre uma
aplicação das propriedades psicométricas e estrutura fatorial de um questionário orientando a
medida do clima organizacional para a segurança trabalhista. Utilizando o método de Kaiser
foram retidas as três primeiras componentes, as quais explicaram 58,9% da variância total dos
dados. Na interpretação dos fatores, foram consideradas as componentes que possuíam cargas
fatoriais iguais ou superiores a 0,4. Assim foram identificados os fatores “estrutura e segurança
da empresa”, “política de segurança da empresa” e “ações de intervenção em segurança da
empresa”.
Em um estudo de caso, Pereira 1999 (apud SCREMIN, 2003, p. 41) realizou uma
análise fatorial dos impactos de projetos de pesquisa financiada pela Fapesp (Fundação de
Amparo a Pesquisa do Estado de São Paulo). Na seleção dos fatores foi utilizado o método de
Kaiser, este, permitiu extrair dois fatores que juntos explicam 64,9% da variância total.
Utilizando uma carga fatorial superiores a 0,5 foram identificados os fatores “impactos
políticos e sociais” e “impactos acadêmicos”.
Uma aplicação em psiquiatria encontra-se em Artes 1998 (apud SCREMIN, 2003,
p.43), que trata da análise fatorial de escalas de avaliação em itens da forma traço do
Inventário de Ansiedade Traço-Estado aplicado a uma amostra de universitários. Extrai-se os 4
primeiros fatores, de 20 variáveis originais, que explicam juntos 54% da variabilidade total dos
dados e na análise das correlações dos fatores com as variáveis originais considera as variáveis
com cargas fatoriais superiores a 0,4.
Em Souza Neto et al 1995 (apud SCREMIN, 2003, p.42) foi realizada uma análise
socioeconômica da exploração de caprinos e ovinos, do estado do Piauí. Nela, foram
caracterizados os sistemas de produção e identificados os fatores responsáveis pela adoção ou
não de tecnologias, estimando os principais fatores pelo aumento da produção desses animais.
A Análise Fatorial foi utilizada para reduzir a dimensionalidade e identificar as relações
92
equipamentos de alta criticidade monitorados via análise espectral do sinal de vibração. Isto
equivale a 1.100 pontos monitorados. Nos sistemas off line, aplicados a equipamentos
considerados normais, há cerca de 1.900 equipamentos ou aproximadamente 10.000 pontos de
controle que alimentam o SISMANA manualmente. A Figura 17 mostra o fluxo de análise de
vibrações na empresa estudada.
Tabela 10 – Resumo das atuais técnicas de análise de controle de vida (controle sistemático)
Técnicas de Análises de Controle Qde de equiptos Qde de pontos Frequência de Percentual de Falha
de Vida (controle sistemático) monitorados monitorados Inspeção Anual Detectada (%)
Análise de Ferrografia 1.911 2 13,5
1.300
Óleo Físico-química 3.470 3 16,25
Análise de Monitoramento Off-line 1.900 10.000 - 14,57
Vibrações Monitoramento On-line 204 1.100 - nd
96
ALTO
SILOS DE
FORNO 1
MINÉRIOS
SISTEMA DE
LIMPEZA
TRT
REGENERADORES
PCI
FERRO
GUSA CRAAF
As unidades a montante consistem dos Silos de Minérios que abastecem o Alto Forno
com carga metálica em ligas de ferro e carbono, como exemplos, pelotas de minério de ferro,
coque mineral ou vegetal e sinter; Regeneradores que fornecem oxigênio aquecido e sob alta
pressão e, de uma unidade de fornecimento de carvão pulverizado – Pulverized Coal Injection
(PCI) que juntamente com o coque adicionado na parte superior do Alto Forno promovem a
combustão (redução) do elemento ferro da carga metálica. A jusante está a unidade de limpeza
99
de gases; uma turbina geradora de energia acionada por esses mesmos gases e uma unidade de
tratamento de água – Centro de Recirculação de Água do Alto Forno (CRAAF) responsável
pela recirculação de água e pelo tratamento dos subprodutos gerados no processo de produção
de ferro gusa.
O processo de produção do ferro gusa ou, em linguagem técnica, o processo de
elaboração do ferro gusa é descrito a seguir: o oxigênio a alta temperatura e carvão
pulverizado são injetados sob alta pressão no interior do Alto Forno através do conjunto de
insuflação de ar, especificamente através das ventaneiras. A reação de redução promovida pelo
oxigênio a alta temperatura com a carga metálica adicionada na parte superior do Alto Forno
gera o ferro gusa. Este processo se dá continuamente com a extração do ferro gusa produzido
em certos intervalos de tempo que são determinados conforme o rendimento de transformação
da carga metálica e perfil térmico do Alto Forno, dentre outras variáveis.
As ventaneiras quando em operação estão sujeitas aos diversos tipos de falha, sejam
ligadas a fatores externos ou internos ao funcionamento do Alto Forno. Tais falhas, além de
comprometer a sua vida útil, conduzem instabilidade ao processo produtivo afetando
103
diretamente todo ciclo produtivo do aço, haja vista que, o ferro-gusa é origem de todo o
processo de fabricação do aço.
Em função desta instabilidade é necessário manter-se estoques de segurança caso haja
falhas no conjunto de insuflação de ar decorrente de falhas relacionadas a si mesmo, ou
motivados por outros problemas operacionais. Dentre os itens estocados do conjunto de
insuflação de ar, o de ventaneiras se sobressai, pois é o subconjunto de maior desgaste.
Conforme o padrão técnico de produção (PT-PRO-AF01-01-0028, 2006), o número
total de ventaneiras montadas no Alto Forno 1 é 38, com vida útil prevista de 270 dias. De
acordo com os procedimentos operacionais descritos no padrão, deve-se manter em estoque
uma quantidade correspondente a uma vez e meia do total de um conjunto montado, ou seja,
cinqüenta e sete peças além de oito disponibilizadas estrategicamente na área operacional
como reserva emergencial.
Este procedimento demanda um planejamento de fabricação que deve levar em
consideração também as trocas de ventaneiras efetuadas nas paradas programadas para
manutenção preventiva do Alto Forno 1.
Conforme o plano de manutenção do Alto Forno 1 no Sistema de Gestão de Ativos
(SISMANA), há quatro paradas do Alto Forno 1 previstas por ano. Nestas paradas são
trocadas, em média, catorze ventaneiras ou cinqüenta e seis ventaneiras por ano, que é
confirmado pelas inspeções “in loco” realizadas pelas equipes de manutenção e operação, a
avaliação do perfil térmico do Alto Forno 1 e outras variáveis operacionais.
A Tabela 12 mostra a quantidade de ventaneiras fabricadas nas Oficinas da empresa
entre 2001 e 2005.
CRAAF, sistema elétrico/controle e áreas auxiliares. Estas áreas possuem um total de 311
equipamentos, sendo 117 de baixa criticidade, 91 de média criticidade e 103 de alta criticidade.
O conjunto de insuflação de ar, o qual as ventaneiras (componente crítico) estão atreladas está
contido na área operacional Forno Próprio. A Tabela 13 mostra as 10 áreas operacionais que
compõem o Alto Forno 1 com detalhamento do grau de criticidade dos respectivos
equipamentos.
CRITICIDADE
ÁREA OPERACIONAL
BAIXA MÉDIA ALTA TOTAL
Carregamento 66 35 14 115
Topo do Forno 7 4 14 25
Forno Próprio 2 2 7 11
Casa de Corrida 13 5 19 37
Regeneradores 4 11 7 22
Limpeza de Gás 3 3 5 11
Granulador de Escória 9 12 12 33
CRAAF 4 12 15 31
Sist. Elétrico/Controle 0 4 9 13
Áreas Auxiliares 9 3 1 13
TOTAL 117 91 103 311
Fonte: Banco de Dados da Manutenção DW (Data Warehouse) (2007).
1. AMOSTRA
Dados Não
Dados Agrupados Agrupados Forma Livre
2. DADOS
Unicensurados Intervalos
Censura à Esquerda
Censura Múltipla Censura à Esquerda
Censura à Direita
3. DISTRIBUIÇÃO
4. REGRESSÃO LINEAR
CATEGORIA MEDIANA
Regressão em Y MÁXIMA VEROSSIMILHANÇA
Regressão em X Todos (Intervalos e Suspensões)
Especial (Intervalos e Suspensões)
5. PARÂMETROS
6. PRECISÃO
INTERVALO DE CONFIANÇA
COEFICIENTE DE CORRELAÇÃO
Unilateral (inferior e superior)
Bilateral
7. COMPARAÇÃO
Outras Pior?
distribuições?
Melhor?
8. SELEÇÃO,
Nesta fase foi efetuado o tratamento dos dados, ordenamento, estudo da relação entre
eles através da aplicação de técnicas preparatórias (média, desvio-padrão, mediana, análise de
correlação, variância e covariância, etc.) e exclusão de dados discrepantes ou não significativos
através de métodos estatísticos apropriados. Na análise exploratória foi necessário remover
outliers do conjunto de dados. Para a realização de um teste estatístico o conjunto inicial de
dados foi padronizado. Os dados foram avaliados segundo sua função dentro do conjunto, sua
109
Discussões
FASES Coleta e Tratamento de Dados Análise Estatística Análise de Confiabilidade
Finais/Conclusão
Quantidade de
Organização dos Definição da técnica Obtenção dos dados Estimativa da Obtenção dos dados
RESULTA registros mínima de Obtençaõ da função
dados de vida das estatística estatísticos das função de de confiabilidade das
DOS 380 (tamanho da de confiabilidade
ventaneiras multivariada ventaneiras confiabilidade ventaneiras
amostra)
Utilizar técnicas
clássicas de Metodologia para
estatística descritiva Conclusão da análise de
Obtenção de modelo confiabilidade do cj
para analisar a Análise Estatístitica não paramétrico de insuflação de ar
variabilidade dos Multivariada
dados (ventaneiras) do Alto
Forno 1
Visita a área operacional para conhecer o equipamento sobre o qual as ventaneiras são
montadas bem como o funcionamento do conjunto de insuflação de ar do qual fazem
parte;
Entrevistas com o pessoal dos setores operacional e de manutenção;
Identificação das fontes de pesquisa para extração dos dados de vida, seja através da
pesquisa de campo (pesquisa documental) ou digital (SISMANA, SISCORP e DW);
Coleta física de dados;
Identificação de datas de trocas e medições do tempo de vida útil das ventaneiras;
Triagem para expurgo de causas não relacionadas às efetivamente relacionadas a
atividade operacional em si das ventaneiras.
Verificação de metodologia similar com reprodução de todos os dados de uma tese de
doutorado (LOPES, 2001).
Dentre estas ações, a que demandou maior disponibilidade de tempo foi a que
envolveu a consulta e identificação das datas de trocas e realização de medições em cada uma
das 38 ventaneiras que foi retirada de operação, o que obrigou a execução de
aproximadamente 760 intervenções entre 1994 e 2003. Estas informações foram “cruzadas”
com as informações disponíveis nos bancos de dados digitais a fim de garantir a precisão na
extração dos dados e a aquisição de dados não tendenciosos. A pesquisa foi finalizada no dia
2 de março de 2007.
Os conjuntos de alta criticidade foram organizados e ordenados conforme
identificação e estrutura de codificação corporativa dos equipamentos de toda a unidade
produtiva. As ventaneiras, parte deste conjunto e objeto de avaliação neste estudo passarão a
denominar-se daqui por diante, simplesmente componentes críticos para simplificação de
análise e direcionamento ao objetivo principal do trabalho.
A Tabela 15 mostra a quantidade de falhas em cada uma dos 38 componentes críticos
ao longo de 10 anos de operação, iniciando em 1994 e terminando em 2003.
113
VA1
VA37
VA6
VA26
VA7
VA38
VA10
VA17
VA32
VA34
VA35
VA15
VA18
VA12
VA27
VA19
VA23
VA20
VA3
VA11
VA24
VA16
VA21
VA22
VA25
VA28
VA30
VA31
VA2
VA4
VA8
VA33
VA36
VA13
VA29
VA5
VA9
VA14
0 20 40 60 80 100
(Dlink/Dmax)*100
1994
2000
2003
1997
2001
2002
1995
1996
1998
1999
10 20 30 40 50 60 70 80 90 100
(Dlink/Dmax)*100
Figura 30 – Dendograma dos anos (período do tempo de amostragem) dos os tempos de vida dos 38
componentes críticos
Tabela 16 – Medidas descritivas para o tempo de vida (dias) dos 38 componentes críticos
Observa-se que o tempo médio de operação dos 38 componentes críticos foi de 222
dias (d.p. 23 dias), e o coeficiente de variação C.V. = 10,36%, ou seja, após a triagem para
expurgo das causas não relacionadas à operação dos componentes críticos ter-se-á um grupo
um pouco mais homogêneo comparado com os coeficientes de variação do banco de dados
inicial (11,16%).
118
Outra observação é referente aos tempos de falha. O menor foi de 35 dias e o maior de
500 dias. Uma variação tão representativa considerando inclusive tempos próximos ou
superiores a 400 dias ocorreu em cerca de 9 dos 38, ou aproximadamente 24% dos
componentes, não revelando ainda muita coisa a respeito do comportamento e distribuição de
falhas dos componentes ora em análise.
Nas Tabelas 17 e 18 foram inseridas a matriz de correlação e a matriz de variâncias e
covariâncias respectivamente dos 38 componentes críticos.
119
VA1 VA2 VA3 VA4 VA5 VA6 VA7 VA8 VA9 VA10 VA11 VA12 VA13 VA14 VA15 VA16 VA17 VA18 VA19
VA1 1,000
VA2 0,482 1,000
VA3 -0,026 -0,165 1,000
VA4 -0,128 0,376 0,343 1,000
VA5 -0,081 0,028 0,187 0,540 1,000
VA6 0,818 0,236 0,017 -0,282 0,067 1,000
VA7 0,158 0,447 -0,463 -0,361 -0,479 0,294 1,000
VA8 -0,269 0,586 -0,168 0,477 0,333 -0,119 0,460 1,000
VA9 -0,387 0,307 -0,006 0,665 0,755 -0,310 -0,073 0,758 1,000
VA10 0,470 0,497 0,258 0,237 0,143 0,395 -0,042 0,108 -0,019 1,000
VA11 0,037 0,110 0,574 0,386 0,635 0,191 -0,434 0,177 0,372 0,641 1,000
VA12 0,511 -0,052 -0,032 -0,286 -0,168 0,336 -0,127 -0,625 -0,393 0,255 0,074 1,000
VA13 -0,220 -0,037 0,836 0,642 0,449 -0,169 -0,580 0,149 0,315 0,249 0,707 -0,308 1,000
VA14 -0,286 0,334 0,312 0,771 0,652 -0,112 -0,109 0,754 0,779 0,391 0,665 -0,453 0,641 1,000
VA15 0,758 0,432 -0,008 0,273 0,380 0,706 -0,129 -0,021 0,011 0,628 0,444 0,420 0,088 0,226 1,000
VA16 0,348 -0,077 0,480 0,261 0,712 0,543 -0,499 -0,114 0,179 0,493 0,801 0,244 0,503 0,408 0,687 1,000
VA17 0,307 0,611 0,033 0,564 0,477 0,325 0,039 0,503 0,462 0,776 0,631 0,116 0,250 0,719 0,732 0,522 1,000
VA18 0,477 0,321 0,050 0,294 0,686 0,597 -0,170 0,189 0,330 0,681 0,689 0,250 0,173 0,491 0,850 0,831 0,823 1,000
VA19 0,523 0,254 0,386 0,244 -0,168 0,230 -0,330 -0,384 -0,398 0,740 0,364 0,510 0,298 0,011 0,564 0,335 0,431 0,319 1,000
VA20 0,654 0,260 -0,016 0,089 0,278 0,474 -0,353 -0,320 -0,121 0,637 0,482 0,695 0,023 -0,004 0,852 0,613 0,573 0,730 0,680
VA21 0,051 -0,298 0,433 0,039 0,606 0,150 -0,622 -0,211 0,117 0,004 0,447 -0,215 0,465 0,094 0,108 0,606 -0,141 0,297 -0,089
VA22 0,306 -0,139 0,392 0,050 0,322 0,192 -0,656 -0,523 -0,111 0,465 0,654 0,701 0,325 -0,013 0,493 0,674 0,285 0,501 0,608
VA23 0,668 0,260 0,339 -0,162 -0,126 0,531 -0,109 -0,389 -0,442 0,814 0,482 0,611 0,103 -0,118 0,556 0,461 0,386 0,468 0,806
VA24 0,337 0,080 0,537 0,165 0,379 0,402 -0,362 -0,166 0,041 0,724 0,865 0,534 0,456 0,333 0,586 0,798 0,593 0,694 0,610
VA25 0,245 0,151 0,691 0,530 0,462 0,234 -0,474 -0,036 0,226 0,486 0,802 0,346 0,726 0,487 0,551 0,738 0,547 0,536 0,563
VA26 0,149 0,287 0,198 -0,089 0,140 0,415 0,174 0,343 0,026 0,451 0,608 -0,211 0,359 0,378 0,296 0,371 0,377 0,381 0,099
VA27 0,592 0,204 -0,073 -0,220 -0,146 0,396 -0,091 -0,444 -0,383 0,632 0,287 0,866 -0,222 -0,257 0,591 0,307 0,398 0,453 0,711
VA28 0,069 -0,200 0,559 0,375 0,595 0,176 -0,611 -0,185 0,252 0,250 0,751 0,419 0,600 0,381 0,464 0,805 0,392 0,539 0,336
VA29 -0,742 -0,269 0,152 0,482 0,409 -0,511 -0,278 0,389 0,563 0,045 0,422 -0,266 0,431 0,697 -0,174 0,155 0,339 0,125 -0,120
VA30 0,311 0,111 0,384 0,324 0,515 0,229 -0,383 -0,155 0,310 0,347 0,580 0,647 0,271 0,227 0,492 0,646 0,453 0,571 0,358
VA31 0,221 0,273 0,266 0,487 0,584 0,320 -0,179 0,235 0,454 0,587 0,747 0,397 0,353 0,621 0,665 0,715 0,839 0,796 0,378
VA32 0,401 0,535 0,121 0,222 0,479 0,380 -0,061 0,249 0,361 0,689 0,760 0,385 0,218 0,430 0,643 0,590 0,754 0,768 0,361
VA33 -0,121 0,158 0,195 0,199 0,051 -0,208 -0,021 0,103 0,215 0,588 0,360 0,294 0,051 0,307 -0,014 0,085 0,447 0,240 0,363
VA34 0,552 0,446 -0,275 0,254 -0,008 0,294 -0,106 -0,076 -0,142 0,331 0,072 0,369 -0,036 -0,004 0,745 0,168 0,467 0,375 0,561
VA35 0,603 0,379 -0,031 0,130 0,321 0,552 -0,109 -0,052 0,070 0,445 0,495 0,614 0,066 0,132 0,834 0,580 0,606 0,693 0,435
VA36 0,172 0,637 -0,085 0,031 -0,444 0,006 0,410 0,299 -0,133 0,564 0,158 0,094 -0,002 0,151 0,147 -0,271 0,421 0,010 0,468
VA37 0,565 0,051 -0,347 -0,336 -0,224 0,647 0,423 -0,190 -0,403 0,201 -0,358 0,276 -0,605 -0,322 0,377 0,073 0,125 0,279 0,115
VA38 0,221 -0,205 -0,145 0,152 0,256 0,377 -0,038 -0,112 0,059 -0,311 -0,162 0,242 -0,125 -0,014 0,416 0,311 0,101 0,258 -0,117
120
VA20 VA21 VA22 VA23 VA24 VA25 VA26 VA27 VA28 VA29 VA30 VA31 VA32 VA33 VA34 VA35 VA36 VA37 VA38
VA20 1,000
VA21 0,133 1,000
VA22 0,804 0,356 1,000
VA23 0,720 0,090 0,682 1,000
VA24 0,708 0,247 0,846 0,765 1,000
VA25 0,552 0,241 0,717 0,485 0,841 1,000
VA26 0,194 0,224 0,140 0,364 0,429 0,322 1,000
VA27 0,858 -0,193 0,731 0,832 0,658 0,364 0,117 1,000
VA28 0,531 0,346 0,781 0,303 0,796 0,897 0,174 0,319 1,000
VA29 -0,166 -0,109 0,042 -0,336 0,182 0,244 0,027 -0,231 0,379 1,000
VA30 0,616 0,172 0,759 0,435 0,765 0,778 -0,075 0,513 0,814 0,108 1,000
VA31 0,609 -0,025 0,573 0,389 0,806 0,793 0,251 0,458 0,778 0,429 0,800 1,000
VA32 0,716 0,125 0,621 0,595 0,785 0,647 0,536 0,604 0,539 0,060 0,683 0,781 1,000
VA33 0,182 -0,272 0,301 0,407 0,473 0,223 -0,139 0,408 0,154 0,403 0,423 0,466 0,379 1,000
VA34 0,712 -0,227 0,317 0,313 0,200 0,316 0,148 0,533 0,194 -0,194 0,160 0,311 0,363 -0,236 1,000
VA35 0,855 0,005 0,652 0,519 0,665 0,652 0,375 0,690 0,618 -0,123 0,656 0,716 0,798 -0,022 0,724 1,000
VA36 0,213 -0,556 0,016 0,452 0,206 0,115 0,483 0,434 -0,205 -0,024 -0,122 0,141 0,406 0,323 0,396 0,260 1,000
VA37 0,173 -0,232 -0,189 0,230 -0,068 -0,317 -0,220 0,260 -0,289 -0,388 -0,088 0,003 -0,146 0,040 0,098 0,033 -0,135 1,000
VA38 0,158 -0,085 -0,001 -0,280 -0,026 0,177 -0,304 -0,051 0,369 0,041 0,269 0,314 -0,128 -0,386 0,310 0,343 -0,520 0,409 1,000
121
Tabela 18 - Matriz de variâncias e covariâncias dos 38 componentes críticos
VA1 VA2 VA3 VA4 VA5 VA6 VA7 VA8 VA9 VA10 VA11 VA12 VA13 VA14 VA15 VA16 VA17 VA18 VA19
VA1 9025,88
VA2 1288,83 792,056
VA3 -228,19 -424,944 8391,57
VA4 -399,63 347,722 1032,12 1081,567
VA5 -522,22 52,889 1159,89 1201,667 4580,22
VA6 4066,70 347,833 80,01 -485,544 238,89 2736,01
VA7 720,77 602,611 -2034,86 -568,522 -1553,78 736,48 2297,43
VA8 -1254,42 808,222 -752,62 769,378 1105,22 -306,07 1081,02 2404,62
VA9 -3020,18 710,333 -41,80 1798,422 4201,00 -1333,02 -288,73 3055,47 6760,93
VA10 2331,44 730,444 1231,56 407,444 506,33 1077,44 -106,11 276,00 -81,11 2722,89
VA11 249,60 218,556 3715,98 895,533 3036,67 705,31 -1470,07 612,91 2160,82 2360,00 4985,82
VA12 3783,41 -114,389 -230,57 -733,233 -888,22 1371,99 -475,59 -2389,04 -2520,98 1037,67 409,13 6077,79
VA13 -1070,14 -53,056 3923,10 1080,878 1554,67 -451,57 -1423,03 373,73 1326,69 665,78 2556,24 -1229,43 2622,01
VA14 -2405,02 833,889 2535,18 2247,178 3910,33 -519,38 -464,91 3274,49 5679,64 1807,78 4162,87 -3127,18 2909,82 7853,29
VA15 6142,90 1036,278 -65,92 766,411 2193,11 3150,63 -526,66 -89,47 78,73 2795,78 2673,40 2790,59 382,26 1704,24 7271,878
VA16 2392,03 -156,167 3180,23 621,456 3486,11 2052,68 -1727,63 -402,84 1064,42 1861,67 4088,20 1372,88 1863,32 2615,07 4238,300 5227,79
VA17 1575,78 929,778 162,78 1003,333 1744,78 919,00 101,00 1334,33 2055,00 2190,11 2409,22 486,89 692,00 3445,00 3376,444 2040,56 2922,667
VA18 4145,59 826,611 417,68 882,900 4241,11 2853,57 -745,30 848,82 2478,76 3247,67 4446,20 1779,77 809,77 3974,07 6627,967 5492,34 4066,333 8354,678
VA19 2281,70 327,389 1623,23 368,456 -523,00 552,68 -725,30 -864,29 -1499,91 1770,67 1178,76 1823,10 699,43 44,07 2206,856 1111,68 1068,111 1339,233 2105,34
VA20 5893,63 694,944 -140,12 278,767 1783,33 2350,21 -1605,59 -1488,82 -941,87 3151,22 3230,69 5140,57 111,12 -31,84 6894,144 4200,99 2936,000 6326,767 2960,77
VA21 399,24 -689,444 3259,93 105,600 3369,22 642,49 -2448,31 -850,60 789,58 16,22 2592,91 -1378,38 1956,73 683,04 757,533 3596,60 -626,222 2233,156 -335,29
VA22 2491,12 -335,722 3076,97 141,633 1867,33 863,63 -2697,54 -2199,58 -780,71 2080,67 3962,73 4690,70 1426,14 -95,98 3609,878 4178,30 1322,444 3926,411 2393,97
VA23 4815,47 555,333 2355,93 -404,067 -648,44 2109,82 -397,76 -1447,60 -2761,20 3223,89 2583,36 3613,73 401,40 -790,62 3600,422 2530,60 1583,667 3248,933 2806,93
VA24 2478,48 175,167 3802,23 419,789 1984,89 1626,79 -1342,52 -629,96 260,87 2920,33 4721,42 3217,10 1804,21 2282,40 3861,967 4464,46 2478,333 4908,122 2164,01
VA25 1816,59 330,944 4933,23 1357,456 2437,22 952,34 -1772,19 -135,84 1450,53 1974,89 4412,64 2101,88 2896,54 3365,07 3659,300 4159,68 2305,111 3817,567 2012,68
VA26 622,12 355,500 796,63 -128,478 415,78 954,41 367,01 740,09 94,29 1034,00 1888,84 -723,52 808,48 1473,91 1109,767 1178,74 895,889 1530,078 199,74
VA27 4211,63 430,056 -500,79 -541,678 -741,89 1550,43 -324,92 -1628,16 -2354,53 2469,22 1516,24 5052,12 -850,32 -1704,84 3771,144 1663,32 1609,444 3100,100 2440,77
VA28 506,03 -433,167 3932,01 947,233 3091,56 708,57 -2249,97 -696,51 1592,31 1000,67 4071,42 2508,88 2356,66 2593,07 3035,189 4466,01 1625,222 3784,900 1183,23
VA29 -3731,19 -400,056 738,46 838,900 1465,56 -1414,99 -706,30 1010,49 2450,20 123,33 1577,76 -1099,23 1168,77 3267,40 -786,144 594,46 970,222 606,789 -290,88
VA30 2637,91 278,000 3134,38 949,822 3109,67 1069,82 -1637,64 -677,60 2274,80 1616,33 3649,24 4497,29 1239,51 1796,60 3743,644 4164,60 2185,778 4651,822 1464,16
VA31 1799,83 657,944 2085,17 1372,056 3383,89 1436,28 -734,72 988,33 3202,22 2625,11 4517,11 2651,94 1549,39 4713,56 4859,611 4429,17 3885,667 6234,611 1486,61
VA32 1792,71 709,000 522,76 342,867 1526,44 936,20 -137,84 574,80 1396,27 1693,22 2526,16 1411,24 524,80 1793,64 2579,733 2006,76 1918,556 3305,978 779,20
VA33 -574,56 223,778 895,22 328,778 173,44 -545,89 -50,00 253,89 885,44 1539,00 1275,22 1150,22 132,33 1366,78 -60,222 309,56 1212,667 1098,889 836,56
VA34 2860,87 684,667 -1374,82 456,400 -28,56 837,84 -275,91 -203,18 -636,47 941,44 277,20 1567,16 -100,51 -21,49 3466,244 663,40 1377,889 1868,733 1404,51
VA35 3590,43 668,278 -177,97 268,144 1362,22 1809,70 -326,46 -158,31 363,04 1452,89 2189,16 2997,52 212,86 733,76 4451,900 2625,37 2050,778 3967,922 1251,26
VA36 857,72 942,722 -411,17 52,944 -1579,56 17,50 1032,72 770,78 -574,00 1548,89 587,89 387,39 -6,61 705,67 659,500 -1029,61 1197,000 46,833 1130,72
VA37 3466,34 93,167 -2053,59 -712,700 -976,89 2184,30 1310,68 -602,36 -2141,04 677,89 -1631,60 1391,37 -1999,97 -1844,53 2076,767 339,97 437,444 1645,411 341,30
VA38 2262,67 -620,889 -1431,44 539,778 1866,44 2125,33 -195,33 -591,89 520,11 -1747,44 -1232,56 2035,78 -690,89 -130,33 3823,000 2422,89 591,111 2536,556 -579,67
122
Tabela 18 - Matriz de variâncias e covariâncias dos 38 componentes críticos (continuação)
VA20 VA21 VA22 VA23 VA24 VA25 VA26 VA27 VA28 VA29 VA30 VA31 VA32 VA33 VA34 VA35 VA36 VA37 VA38
8996,68
1036,73 6745,07
6543,26 2505,31 7359,21
5183,51 563,51 4443,09 5761,29
5191,88 1567,93 5610,97 4493,04 5980,68
4082,32 1544,49 4794,08 2867,71 5066,34 6073,34
807,48 809,98 528,88 1213,42 1458,08 1104,52 1932,99
6093,90 -1183,71 4691,26 4728,29 3807,66 2125,66 383,70 5603,12
3867,10 2181,93 5141,97 1766,71 4724,12 5367,79 585,63 1835,99 5893,57
-831,68 -473,40 191,74 -1349,07 745,57 1008,12 63,63 -914,01 1539,34 2799,79
5208,73 1261,18 5808,53 2947,07 5275,16 5405,16 -294,36 3425,29 5574,38 508,82 7952,62
4950,83 -174,67 4210,61 2532,22 5341,39 5294,39 947,28 2936,83 5120,72 1943,83 6112,78 7342,722
3196,13 483,91 2506,96 2127,36 2857,98 2374,09 1108,62 2126,47 1948,42 148,20 2864,91 3150,889 2215,156
864,00 -1122,44 1294,22 1549,11 1836,11 873,11 -307,67 1531,56 592,56 1069,33 1893,78 2005,333 895,111 2518,22
3684,93 -1016,62 1481,36 1294,71 843,18 1341,73 355,24 2178,16 811,29 -559,38 780,38 1453,667 931,533 -647,11 2975,29
5076,19 24,91 3505,01 2468,36 3220,59 3183,92 1031,57 3233,86 2973,48 -407,74 3666,47 3844,500 2353,600 -69,56 2473,42 3922,544
1062,17 -2404,00 74,17 1804,56 836,83 471,17 1116,61 1710,06 -827,94 -68,17 -574,56 636,278 1004,444 854,00 1137,11 856,722 2767,61
1056,59 -1228,91 -1048,90 1125,09 -342,03 -1595,70 -625,34 1258,59 -1430,37 -1327,14 -504,36 17,833 -442,378 128,56 345,58 132,456 -460,06 4169,21
1609,56 -756,33 -11,22 -2289,78 -217,11 1482,56 -1438,33 -415,33 3051,00 230,89 2586,22 2899,556 -649,444 -2087,89 1821,67 2314,000 -2946,00 2846,44 11607,78
123
r
t = n−2 (9.1)
1− r
df 2
Tabela 19 – Coeficiente de correlação de Person e a estatística teste “t” para os 703 pares de 38 componentes críticos
Como a estatística calculada tdf não ultrapassou o valor crítico tabelado de 1,9633 em
79,08% das correlações entre os 703 pares de componentes críticos, haverá evidências para
não se rejeitar a hipótese nula H0 ou equivalentemente aceitar a hipótese alternativa H1 (ρ ≠ 0,
há correlação entre 2 populações amostrais). Os resultados do teste de hipóteses, mesmo com
os dados normalizados, indicam que a distribuição dos tempos de vida dos componentes pode
ser utilizada pela análise de componentes principais.
Um segundo teste foi realizado e sua conceituação já foi abordada nos capítulos
precedentes. A estatística teste para se efetuar esta avaliação foi dada seguinte expressão:
( n − 1) − ^ p − −
T= − [ΣΣ( r − r ) − γ Σ ( r − r ) ] > χ
ik
2
k
2 2
( p + 1 )( p − 2 ) / 2 (α ) (9.2)
(1 − r )
i<k k =1
2
Sendo,
−
1 p −
2
r = k Σr k = 1, 2,... p; r= ΣΣ r (9.3)
p−1 p( p − 1)
i −1 ik i<k ik
i ≠k
−
^
( p − 1 ) [1 − ( 1 − r ) ]
2 2
(9.4)
γ = −
p − ( p − 2 )( 1 − r ) 2
Sendo,
“ p”, o número de autovalores da matriz de correlação;
−
n = 380 e p = 38
−
r = 0,263161
129
ΣΣ( r − r ) = 81,78701
i<k ik
2
γ = 33,90652
p − −
Σ ( r − r ) = 0,888227
k =1
k
2
T = 36.069,1
O valor crítico χ2 da distribuição qui-quadrado com α = 0,05 e g.l.= 702 é dado por:
χ2 = 764,7485
Como a estatística T calculada atingiu um valor bem superior ao valor crítico tabelado,
podemos considerar que há evidências de se rejeitar a hipótese nula H0 (igualdade de
correlações) ou equivalentemente aceitar a hipótese alternativa H1 (diferenças de correlações)
entre os dados da matriz original dos dados de tempos de vida, sendo coerente com o teste
executado com as variáveis normalizadas do teste anterior.
Concluiu-se, portanto, pelos resultados obtidos, que os dois testes são consistentes
indicando que os dados de tempos de vida dos 38 componentes críticos podem ser utilizados
pela análise de componentes principais.
Variância % Variância
Componente Principal Autovalor % Variância
Acumulada Acumulada
CP1 77982,18 40,86445 77982,2 40,8645
CP2 36258,42 19,00024 114240,6 59,8647
CP3 21834,74 11,44191 136075,3 71,3066
CP4 18105,65 9,48778 154181,0 80,7944
CP5 12794,50 6,70461 166975,5 87,4990
CP6 8542,86 4,47665 175518,4 91,9756
CP7 6610,08 3,46383 182128,4 95,4395
CP8 4828,90 2,53045 186957,3 97,9699
CP9 3874,01 2,03007 190831,3 100,0000
90000
80000
70000
60000
Autovalores
50000
40000
20000
10000
0
0 1 2 3 4 5 6 7 8 9 10 11
Ordem dos Componentes Principais
Figura 32 – Gráfico (scree-plot) com o peso dos autovalores dos componentes principais
Componente CP1 CP2 CP3 CP4 CP5 CP6 CP7 CP8 CP9
VA1 0,176377 0,337790 0,096149 0,028808 -0,310150 -0,153931 0,000120 0,381254 0,169142
VA2 0,023749 0,014184 0,043848 0,152005 -0,035251 -0,034063 0,060846 0,204712 0,084723
VA3 0,118977 -0,204539 -0,350155 -0,194689 -0,134759 -0,483816 -0,079705 0,121152 0,126986
VA4 0,037132 -0,106130 0,050369 0,032915 0,028262 -0,082545 0,112662 0,042918 0,291603
VA5 0,125434 -0,226305 0,155902 -0,089267 -0,109851 0,265623 -0,052095 0,052373 0,092350
VA6 0,094194 0,127967 0,105668 -0,014299 -0,226605 -0,132694 -0,139124 0,046008 -0,257704
VA7 -0,066293 0,078054 0,108786 0,189747 -0,006512 -0,146536 -0,158618 0,174374 -0,290276
VA8 -0,020103 -0,147744 0,145861 0,230605 -0,034623 -0,039492 0,005738 0,145078 -0,078306
VA9 0,040490 -0,337121 0,222339 0,125276 0,102204 0,213175 -0,041812 0,339570 0,122914
VA10 0,130332 0,024903 -0,073298 0,222959 -0,086878 -0,057086 -0,099100 -0,132913 0,147060
VA11 0,198476 -0,183990 -0,117085 0,070721 -0,084505 0,031765 -0,007945 -0,099532 -0,195688
VA12 0,155110 0,253244 -0,067106 -0,116707 0,325792 0,057256 -0,118964 0,086707 -0,063131
VA13 0,068945 -0,187859 -0,121549 -0,046269 -0,083907 -0,175868 0,183923 -0,031515 0,084520
VA14 0,111117 -0,372943 0,135744 0,251350 -0,037980 -0,151416 0,024264 -0,103464 0,089900
VA15 0,251101 0,123457 0,220739 0,062621 -0,169159 -0,048777 0,164266 -0,078427 0,137204
VA16 0,220878 -0,086161 0,032109 -0,147357 -0,197426 0,011326 -0,114811 -0,158624 -0,088013
VA17 0,138122 -0,054187 0,122941 0,224316 0,008803 -0,051222 -0,013409 -0,072006 0,098773
VA18 0,275796 -0,036434 0,217580 0,114502 -0,198663 0,168669 -0,190550 -0,154921 0,001196
VA19 0,101595 0,083310 -0,118700 0,059850 0,015884 -0,150620 0,109297 -0,130800 0,286361
VA20 0,292054 0,191277 0,015365 0,037777 0,018433 0,253731 0,205306 -0,114986 0,153075
VA21 0,074658 -0,142950 -0,124345 -0,291979 -0,466558 0,322015 -0,013977 0,044134 0,041725
VA22 0,252989 0,043905 -0,227615 -0,157679 0,130708 0,223333 0,078126 -0,080796 -0,007869
VA23 0,187572 0,179526 -0,240348 0,126572 -0,104317 -0,077144 -0,125178 -0,026290 0,012853
VA24 0,255228 -0,031592 -0,154616 0,021948 0,034279 -0,053260 -0,137892 -0,076566 -0,190545
VA25 0,236545 -0,122895 -0,088598 -0,072397 0,068955 -0,251019 0,177324 0,134726 -0,019241
VA26 0,052197 -0,038260 -0,045370 0,134869 -0,182489 -0,036203 0,120436 -0,046685 -0,439846
VA27 0,179769 0,239173 -0,108234 0,108700 0,170070 0,118910 -0,023603 -0,093469 -0,025052
VA28 0,220943 -0,134869 -0,030477 -0,228035 0,147966 -0,060027 0,077409 -0,044462 -0,164978
VA29 0,015556 -0,205273 0,026252 0,045897 0,206176 -0,001078 -0,026035 -0,366432 -0,028555
VA30 0,260980 -0,048295 -0,010000 -0,149768 0,266122 0,048701 -0,207705 0,431419 0,099068
VA31 0,266251 -0,118295 0,135189 0,091793 0,201061 -0,102063 -0,133776 -0,012712 -0,088448
VA32 0,139370 -0,019296 -0,002950 0,136876 0,005847 0,113112 0,003294 0,173724 -0,154099
VA33 0,056090 -0,037677 -0,106656 0,165196 0,193942 0,014999 -0,346013 -0,055488 0,221176
VA34 0,090335 0,120224 0,112708 0,072535 0,026638 -0,013119 0,450185 -0,069395 0,133240
VA35 0,186817 0,080666 0,099328 0,026570 0,056922 0,049317 0,230219 0,141237 -0,242544
VA36 0,023076 0,059130 -0,096459 0,327416 0,068165 -0,118157 0,185313 0,019295 -0,110961
VA37 0,009403 0,210030 0,193530 0,006002 -0,119059 -0,132601 -0,414580 -0,206406 0,135374
VA38 0,080038 0,060186 0,539515 -0,436175 0,146954 -0,301969 0,047134 -0,139113 -0,058554
133
Componentes Principais
Componente
CP1 CP2 CP3 CP4 CP5 CP6 CP7 CP8 CP9
VA1 0,5184 0,6770 0,1495 0,0408 -0,3693 -0,1498 0,0001 0,2789 0,1108
VA2 0,2357 0,0960 0,2302 0,7268 -0,1417 -0,1119 0,1758 0,5055 0,1874
VA3 0,3627 -0,4252 -0,5648 -0,2860 -0,1664 -0,4882 -0,0707 0,0919 0,0863
VA4 0,3153 -0,6145 0,2263 0,1347 0,0972 -0,2320 0,2785 0,0907 0,5519
VA5 0,5175 -0,6367 0,3404 -0,1775 -0,1836 0,3628 -0,0626 0,0538 0,0849
VA6 0,5029 0,4658 0,2985 -0,0368 -0,4900 -0,2345 -0,2162 0,0611 -0,3066
VA7 -0,3862 0,3101 0,3354 0,5327 -0,0154 -0,2826 -0,2691 0,2528 -0,3769
VA8 -0,1145 -0,5737 0,4395 0,6328 -0,0799 -0,0744 0,0095 0,2056 -0,0994
VA9 0,1375 -0,7807 0,3996 0,2050 0,1406 0,2396 -0,0413 0,2870 0,0930
VA10 0,6975 0,0909 -0,2076 0,5749 -0,1883 -0,1011 -0,1544 -0,1770 0,1754
VA11 0,7849 -0,4962 -0,2450 0,1348 -0,1354 0,0416 -0,0091 -0,0980 -0,1725
VA12 0,5556 0,6185 -0,1272 -0,2014 0,4727 0,0679 -0,1241 0,0773 -0,0504
VA13 0,3760 -0,6986 -0,3508 -0,1216 -0,1854 -0,3174 0,2920 -0,0428 0,1027
VA14 0,3501 -0,8013 0,2263 0,3816 -0,0485 -0,1579 0,0223 -0,0811 0,0631
VA15 0,8223 0,2757 0,3825 0,0988 -0,2244 -0,0529 0,1566 -0,0639 0,1001
VA16 0,8531 -0,2269 0,0656 -0,2742 -0,3089 0,0145 -0,1291 -0,1525 -0,0758
VA17 0,7135 -0,1909 0,3360 0,5583 0,0184 -0,0876 -0,0202 -0,0926 0,1137
VA18 0,8426 -0,0759 0,3517 0,1686 -0,2458 0,1706 -0,1695 -0,1178 0,0008
VA19 0,6183 0,3457 -0,3823 0,1755 0,0392 -0,3034 0,1937 -0,1981 0,3884
VA20 0,8598 0,3840 0,0239 0,0536 0,0220 0,2472 0,1760 -0,0842 0,1004
VA21 0,2539 -0,3314 -0,2237 -0,4784 -0,6426 0,3624 -0,0138 0,0373 0,0316
VA22 0,8235 0,0975 -0,3921 -0,2473 0,1723 0,2406 0,0740 -0,0654 -0,0057
VA23 0,6901 0,4504 -0,4679 0,2244 -0,1555 -0,0939 -0,1341 -0,0241 0,0105
VA24 0,9216 -0,0778 -0,2954 0,0382 0,0501 -0,0637 -0,1450 -0,0688 -0,1534
VA25 0,8476 -0,3003 -0,1680 -0,1250 0,1001 -0,2977 0,1850 0,1201 -0,0154
VA26 0,3315 -0,1657 -0,1525 0,4128 -0,4695 -0,0761 0,2227 -0,0738 -0,6227
VA27 0,6707 0,6084 -0,2137 0,1954 0,2570 0,1468 -0,0256 -0,0868 -0,0208
VA28 0,8037 -0,3345 -0,0587 -0,3997 0,2180 -0,0723 0,0820 -0,0402 -0,1338
VA29 0,0821 -0,7387 0,0733 0,1167 0,4407 -0,0019 -0,0400 -0,4812 -0,0336
VA30 0,8172 -0,1031 -0,0166 -0,2260 0,3375 0,0505 -0,1894 0,3362 0,0691
VA31 0,8677 -0,2629 0,2331 0,1441 0,2654 -0,1101 -0,1269 -0,0103 -0,0642
VA32 0,8269 -0,0781 -0,0093 0,3913 0,0141 0,2221 0,0057 0,2565 -0,2038
VA33 0,3121 -0,1430 -0,3141 0,4430 0,4372 0,0276 -0,5606 -0,0768 0,2743
VA34 0,4625 0,4197 0,3053 0,1789 0,0552 -0,0222 0,6710 -0,0884 0,1520
VA35 0,8330 0,2453 0,2343 0,0571 0,1028 0,0728 0,2989 0,1567 -0,2410
VA36 0,1225 0,2140 -0,2709 0,8374 0,1466 -0,2076 0,2864 0,0255 -0,1313
VA37 0,0407 0,6194 0,4429 0,0125 -0,2086 -0,1898 -0,5220 -0,2221 0,1305
VA38 0,2075 0,1064 0,7400 -0,5447 0,1543 -0,2591 0,0356 -0,0897 -0,0338
correlacionaram com o CP1, fato este que não chegou a preocupar, por estarem em posições
distantes uma da outra e representarem apenas 5% do total. Isso reforça o princípio de que,
para analisar o tempo de vida do componente crítico, basta analisar o 1o componente principal
(CP1), pois o mesmo foi relativamente expressivo na sua absorção da variabilidade (40,86%)
com resultados relativamente satisfatórios de sua correlação com o tempo de vida dos
componentes críticos.
100
VA1
VA12
VA27
50
VA37
VA23 VA20
VA6
VA34 VA15
VA7 VA19 VA35
VA36 VA38 VA22
VA2 VA10
CP2
0 VA32 VA24
VA33
VA26 VA18
VA30
VA17
VA16
VA4 VA31
VA25
VA8 VA21 VA28
VA13 VA3 VA11
VA29
VA5
-50
VA9
VA14
-100
-50 0 50 100
CP1
500
1999
250
2002
19951996
19942000 1997
CP2
0 2003 2001
-250
1998
-500
-500 -250 0 250 500 750 1000
CP1
400
350
Tempo de Vida (dias) 300
250
200
150
100
50
0
1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004
Ano
Figura 35 – Gráfico do tempo de vida do primeiro componente principal (CP1)
Observa-se uma tendência de elevação no tempo de vida entre os anos 1994 e 1999,
aproximadamente cinco anos em marcha quase que ininterrupta que foi explicado segundo os
especialistas entrevistados pela estabilidade operacional do Alto Forno. Esta condição foi
reflexo da melhoria contínua, sustentada pela implantação de sistemas de qualidade nas outras
unidades operacionais; gestão integrada dos diversos ativos produtivos; práticas modernas de
manutenção reconhecida no planejamento estratégico de longo prazo, compartilhado e
acompanhado por todos os departamentos da empresa, entre eles, o Planejamento e Controle
de Produção e o Departamento de Manutenção.
Já a tendência de queda apresentada entre os anos de 2002 e 2003 de acordo com os
mesmos especialistas foi devido a um distúrbio interno do processo de elaboração do ferro
gusa gerando interrupções do processo produtivo e consequentemente afetando as diversas
partes e componentes do equipamento principal, dentre eles, o conjunto de insuflação de ar do
qual as ventaneiras fazem parte como principal componente crítico. Conforme visto
anteriormente na análise de agrupamento hierárquico (AAH) este desvio não comprometeu a
análise, haja vista que seus dados não prejudicaram a extração dos componentes principais.
Outra forma de verificar a eficiência do primeiro componente principal (CP1) é
comparar a variação de seus tempos de vida com os dos dois outros componentes principais
(CP2 e CP3), como mostrado na Figura 36.
138
400
350
Tempo de Vida (dias) 300
250
200
150
100
50
0
1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004
Ano
Figura 36 – Gráfico do tempo de vida do CP1, CP2 e CP3 versus o período de tempo de
amostragem
0,016
0,013
0,010
f(t)
0,006
0,003
0,000
100-125 125-150 150-175 175-200 200-225 225-250 250-275 275-300 300-325 325-350 350-375 375-400
Tempo (dias)
Parâmetros
Distribuição
Constante (λ) Média (µ) d.p.(σ) fator escala (η) fator forma (β)
Weibull --- --- --- 253,0505 3,99336
Gamma --- --- --- 12,9162 17,81490
Lognormal --- 5,4102 0,24427 --- ---
Normal --- 230,1000 61,15272 --- ---
Exponencial 0,00434825 --- --- --- ---
140
Tabela 26 – Valores da função de confiabilidade R(t) para os tempos de vida do 1o componente principal
dos modelos propostos e o estimador Kaplan-Meier
Tempo de
Exp. Weibull Gamma Lognormal Normal Kaplan Meier
Vida (dias)
164 0,4901 0,8375 0,8547 0,8980 0,8601 0,9
180 0,4572 0,7732 0,7743 0,8131 0,7937 0,8
189 0,4396 0,7316 0,7225 0,7548 0,7492 0,7
197 0,4246 0,6916 0,6737 0,6984 0,7058 0,6
204 0,4119 0,6544 0,6294 0,6469 0,6652 0,5
216 0,3909 0,5870 0,5523 0,5568 0,5912 0,4
237 0,3568 0,4623 0,4210 0,4064 0,4551 0,3
248 0,3402 0,3966 0,3576 0,3363 0,3849 0,2
305 0,2655 0,1210 0,1244 0,1021 0,1103 0,1
361 0,2081 0,0159 0,0330 0,0250 0,0162 0
Erro-padrão do Estimador
Distribuição Estimativa R(t)
Kaplan-Meier
Weibull exp -(t/253,0505)^3,99336 0,01732
Gamma exp
-(t/12,9162)^17,8149
0,01122
Lognormal 1/t·0,24427(2π)1/2* exp -1/2((log(t) - 5,4102)/0,24427)^2 0,01119
Normal 1/61,15272(2π)1/2* exp -1/2((t - 230,1)/61,15272)^2 0,01721
Exponencial (1/229,9776)*exp -t/229,9776 0,06069
141
Analisando os dados da Tabela 29 mostrada a seguir, comprova-se mais uma vez que
o modelo Lognormal foi que melhor se ajustou ao dados, sendo mais robusto dentre todos os
modelos propostos, pois o coeficiente de determinação R2 ajustado situou-se entre 80,29% e
93,18% entre os 38 componentes críticos.
142
Tabela 29 – Coeficientes de Correlação, Determinação, Teste F e Valor p dos Componentes Críticos para o
modelo de probabilidade Lognormal
Comp.
R R² R² Ajust. Teste F Valor p
Crítico
VA1 0,92002 0,84643 0,82723 44,09370 0,00016
VA2 0,91998 0,84636 0,82716 44,07037 0,00016
VA3 0,93597 0,87604 0,86055 56,53897 0,00007
VA4 0,91325 0,83402 0,81327 40,19764 0,00022
VA5 0,92207 0,85021 0,83149 45,40945 0,00015
VA6 0,92788 0,86097 0,84359 49,54109 0,00011
VA7 0,95023 0,90293 0,89079 74,41341 0,00003
VA8 0,93715 0,87824 0,86302 57,70367 0,00006
VA9 0,90964 0,82745 0,80588 38,36290 0,00026
VA10 0,92329 0,85246 0,83402 46,22340 0,00014
VA11 0,90819 0,82480 0,80290 37,66288 0,00028
VA12 0,9633 0,9279 0,9189 103,0139 0,0000
VA13 0,93957 0,88279 0,86814 60,25617 0,00005
VA14 0,9668 0,9347 0,9265 114,4300 0,0000
VA15 0,90822 0,82486 0,80297 37,67851 0,00028
VA16 0,9692 0,9394 0,9318 123,9087 0,0000
VA17 0,94780 0,89833 0,88562 70,68674 0,00003
VA18 0,92904 0,86311 0,84600 50,44059 0,00010
VA19 0,95955 0,92074 0,91083 92,93234 0,00001
VA20 0,91379 0,83501 0,81438 40,48663 0,00022
VA21 0,88997 0,79204 0,76605 30,46975 0,00056
VA22 0,92517 0,85593 0,83793 47,53026 0,00013
VA23 0,90958 0,82734 0,80576 38,33474 0,00026
VA24 0,94017 0,88393 0,86942 60,92141 0,00005
VA25 0,94111 0,88568 0,87139 61,97972 0,00005
VA26 0,94454 0,89215 0,87867 66,17523 0,00004
VA27 0,94381 0,89077 0,87712 65,24234 0,00004
VA28 0,9680 0,9371 0,9292 119,1667 0,0000
VA29 0,94480 0,89265 0,87923 66,52056 0,00004
VA30 0,92923 0,86347 0,84640 50,59360 0,00010
VA31 0,96210 0,92565 0,91635 99,59239 0,00001
VA32 0,94704 0,89688 0,88399 69,57946 0,00003
VA33 0,87780 0,77054 0,74186 26,86415 0,00084
VA34 0,9648 0,9308 0,9221 107,6027 0,0000
VA35 0,93627 0,87660 0,86118 56,83168 0,00007
VA36 0,91819 0,84307 0,82345 42,97771 0,00018
VA37 0,96019 0,92197 0,91222 94,53014 0,00001
VA38 0,94849 0,89964 0,88709 71,70916 0,00003
Tabela 30 – MTBF e Confiabilidade para os percentis 10, 50 e 90 para o CP1 do modelo Lognormal
197;0,64
0,60
204;0,55
216;0,45
0,40
237;0,36
248;0,26
0,20
305;0,16
361;0,07
0,00
0 100 200 300 400 500
Tempo, (dias)
237;0,64
0,60
216;0,55
204;0,45
0,40
197;0,36
189;0,26
0,20
180;0,16
164;0,07
0,00
0 100 200 300 400 500
Tempo, (dias)
Da do s 1
Logno rma l-2P
MLE SRM MED F M
F = 1 0/S= 0
Linha da P df
6,40E-3
4,80E-3
f(t)
3,20E-3
1,60E-3
0,00
0 140 280 420 560 700
Tempo, (dias)
Da do s 1
Lo gno rma l-2 P
MLE SRM MED F M
F = 1 0 /S= 0
Linha da Ta xa de F a lha
0,03
Taxa de Falha, f(t)/R(t)
0,02
0,02
8,00E-3
0,00
0 1200 2400 3600 4800 6000
Tempo, (dias)
avaliados. Isto foi necessário, pois variáveis pouco relacionadas com as demais tendem a
apresentar baixa proporção da variância explicada inviabilizando a utilização da ACP.
Foram obtidos um total de 9 componentes principais, dos quais 3 responderam por
mais de 70% da variabilidade dos 380 dados de tempos de vida coletados. Isto foi possível
devido a utilização do critério de corte adotado (critério de Kaiser), ou seja, apenas 3 dos
componentes principais apresentaram variância acima da variância média 21.203 do total dos
9 componentes principais.
Conforme observado na matriz de autovetores, o primeiro componente principal teve
destacada contribuição dos componentes críticos VA15, VA16, VA18, VA20, VA22, VA24,
VA25, VA28, VA30 e VA31. Isto reforça o emprego desta componente na análise geral, pois
apresentou média e desvio-padrão próximo ao verificado do conjunto de dados sendo 230 e
21 dias respectivamente. Idêntico comportamento também foi reforçado quando se observou
as comunalidades das variáveis, havendo correspondência semelhante entre as correlações e a
carga de variância entre cada variável e o primeiro componente principal.
Neste ponto cabe uma importante observação: algumas aplicações da utilização da
análise de componentes principais requerem exclusão de variáveis pouco relacionadas ou
equivalentemente com baixos valores de comunalidades. Este procedimento visa antes de
tudo garantir a geração de poucos componentes principais que é o objetivo maior da ACP. No
presente trabalho esta recomendação não poderia ser adotada haja vista que um dos objetivos
específicos foi buscar identificar e mapear todos os 38 componentes críticos visando conhecer
o comportamento de cada um em todo o sistema. Mesmo diante desta situação, a estrutura de
variância e covariância da matriz dos dados de tempo de vida forneceu apenas 9 componentes
principais evidenciando não ter havido influência significativa das variáveis pouco
relacionadas ou de baixa comunalidades.
Adotou-se apenas o primeiro componente principal na análise de confiabilidade, pois
o mesmo representou sozinho aproximadamente 40% da variância total acumulada, o mesmo
critério adotado por Lopes (2001). Para a escolha da distribuição de confiabilidade que
melhor descrevesse o comportamento dos dados do primeiro componente principal
inicialmente foi construído um gráfico de barras tomando os dados de tempo de vida com o
número de suas respectivas ocorrências.
Utilizou-se o teste não paramétrico de Kaplan-Meier na pré-seleção das distribuições
analíticas (ou paramétricas) a serem adotadas. Este procedimento é recomendado em função
de que numa avaliação preliminar não se dispõe de informações a respeito da distribuição de
dados e de ser o passo inicial recomendado em análises de confiabilidade. Ao término da pré-
147
Atualmente existem 1.300 pontos monitorados pela técnica de análise de óleos e 2.100
equipamentos monitorados pela análise de vibrações, sendo que deste último cerca de 200
apenas são considerados de alta criticidade. A nova metodologia poderá ser adotada para
equipamentos não rotativos, que é uma limitação da técnica de análise de vibrações
aumentando o universo de equipamentos monitorados.
148
3- A previsibilidade de quebra ou defeitos gerada pelo conhecimento prévio da vida útil dos
equipamentos auxilia as equipes de manutenção na decisão de antecipar ou postergar paradas
para reparo ou substituição otimizando consequentemente o tempo de uso. Isto se torna um
diferencial quando comparado a análise de óleo que requer tempos de coleta e análise,
gerando um atraso entre a identificação da falha e a ação para restabelecimento do
equipamento com defeito.
5- Os dados existentes nos bancos de dados atuais (digitais) poderão ser utilizados fazendo-se
simplesmente uma seleção dos demais equipamentos críticos a serem inseridos na
metodologia proposta de forma gradativa e sem gerar recursos adicionais tanto materiais
quanto humanos.
10- Por último, cabe ressaltar que a adoção deste novo modelo de análise não requer
investimento ou recursos informatizados para a efetiva implementação, necessitando apenas
de um sistema confiável de coleta de dados já existente.
CAPÍTULO 10 - CONCLUSÃO
O objetivo deste trabalho foi desenvolver uma metodologia alternativa para determinar
a confiabilidade de um equipamento cujo sistema de funcionamento é complexo e com
variáveis de tempos de vida correlacionados. Inicialmente foi feito uma avaliação dos
primeiros dados coletados com o auxílio de um supervisor da unidade produtiva e técnicas
estatísticas apropriadas onde foi possível descartar variáveis sem importância no processo,
principalmente aquelas que raramente falhariam e que teriam o mesmo tempo de falha que
outras dentro das mesmas condições operacionais. Com a nova metodologia, além de
determinar o grau de confiabilidade do componente crítico como, por exemplo, o tempo
médio entre falhas através do uso de modelos probabilísticos, demonstra-se o quanto é
importante o uso de técnicas multivariadas para o desenvolvimento de novas metodologias de
análise de dados.
Como o interesse foi verificar como as amostras se relacionavam, ou seja, o quanto
estas são semelhantes segundo as variáveis utilizadas no trabalho foi utilizado a análise de
componentes principais. No entanto, previamente foram realizados alguns testes estatísticos
como a Análise de Agrupamento Hierárquico que não detectou discrepâncias (outliers) entre
os dados originais confirmando não haver nenhuma restrição quanto ao emprego da Análise
de Componentes principais aos tempos de vida coletados. A utilização da análise de
componentes principais (ACP) teve por finalidade determinar novas variáveis, capazes de
medir a confiabilidade do equipamento. Esta transformação de dados em informação útil
envolveu a redução de dimensionalidade dos dados originais. A ACP permitiu fazer uma
seleção adequada do número de componentes. Mediante ferramentas estatísticas apropriadas
foi possível analisar a estrutura de covariâncias e correlações baseada nas raízes
características e nos vetores gerados a partir delas em matrizes simétricas positivas definidas.
Neste ponto cabe avaliar os resultados alcançados pela aplicação da metodologia
proposta com objetivos estabelecidos da pesquisa, a saber:
A análise de componentes principais utilizada na pesquisa como técnica
multivariada de redução de dados atendeu ao objetivo a que foi proposta, pois permitiu definir
o primeiro componente principal (CP1) como elemento que representasse a totalidade dos
dados coletados pela excelente absorção de variabilidade. É evidente que o comportamento
dos dados em sua maioria pouco relacionados contribui para o alcance do objetivo proposto.
151
AYRES Jr., Frank. Schaum’s Outline of Theory and Problems of Matrices. USA:
McGraw-Hill, Inc, 1962.
BOLDRINI, José L. et al. Álgebra linear. São Paulo: Harper & Row do Brasil, 1980.
BURGESS, J.A. Improving product reliability. Quality progress. dez. p.47-54, 1987..
CALZADA, Maria E., LOYOLA, Stephen M. S. Visual EDF (Empirical Distribution
Function) Software to Check the Normality Assumption. New Orleans: University New
Orleans.
156
CHERNICK, Michael R.; FRIIS, Robert H. Chapter 12. In:____. Introductory Biostatistics
for the Health Sciences. Wiley-Interscience, 2003, p.251.
COSTA NETO, Pedro L. de Oliveira. Estatística. São Paulo: Edgard Blücher, 1977.
DODSON, Bryan. The Weibull Analysis Handbook. 2. ed. Milwaukee: Quality Press, 2006.
HARMAN, Harry H. Modern Factor Analysis. 3. ed. Chicago and London: The University
of Chicago Press, 1976.
JOHNSON, R.A.; WICHERN, D.W. Applied Multivariate Statistical Analysis. 3. ed. New
Jersey: Prentice Hall, 1992.
KOCH, Gerda. Basic Allied Health Statistics and Analysis. Thomson Learning, 1999.
158
LEVINE, David M., BERENSON, Mark L., STEPHAN, David. Estatística: teoria e
aplicações utilizando o microsoft excel em português. rio de janeiro: ltc, 2000.
MARTINELLO, Gilmar Efrem et al. Divergência genética em acessos de quiabeiro com base
em marcadores morfológicos. Horticultura Brasileira. Brasília, v.20, n.1, 2002.
MASON, Robert L.; YOUNG, John C. Construction of Historical Data Set, chapter 4.
In:____. Multivariate Statistical Process Control with Industrial Applications.
Philadelphia: SIAM, 1946. p.53-80.
159
MOITA, Graziella Ciaramella; José Machado, MOITA NETO. Uma introdução à análise
exploratória de dados multivariados. Química Nova. Teresina, v.21, n.4, ago. 1998.
MORRISON, D.F. Multivariate statistical methods. New York: McGraw Hill, 1976.
NETER, John et al. Applied linear statistical models. 3. ed. Boston: Irwin, 1990.
PALLEROSI, C.A., Confiabilidade: conceitos básicos e método de cálculo. São Paulo: 2000.
SANDBERG, JOEL B. Reliability for profit not just regulation. Quality Progress. p.51-54,
august, 1987..
161
SIEGEL, Sidney. Nonparametric Statistics for the Behavior Sciences. Pennsylvania: The
Pennsylvania State University. Disponível em:<http://www.psych.ufl.edu/~white/K-
S_oneSample.pdf>. Acesso em: 05 mar. 2007.
SILVA, Nilza N. da. Amostragem probabilística: um curso introdutório. São Paulo: Edusp,
1998.
SOUZA NETO, J.; BAKER G.A.; SOUZA F.B. de. Análise socioeconômica da exploração de
caprinos e ovinos no estado do Piauí. Pesquisa Agropecuária Brasileira. Brasília, v.30, n.8,
p. 1017-1030, ago. 1995.
SPANÓ, CLÁUDIO CAIANI. Estudo de confiabilidade das pastilhas de freio dos veículos LS
1938. In: COLLOQUIUM INTERNACIONAL DE FREIOS DA SAE, 4, 1999, Gramado,
RS. Anais... Gramado RS, 1999.
VILLELA, José Roque Alves. Validação de processos num modelo utilizando ferramentas
de qualidade e estatísticas. Campinas: FEM/UNICAMP, 2004. (Dissertação de Mestrado).
VOLLERTT Jr., João Rosaldo. Confiabilidade e falhas de campo: um estudo de caso para
melhoria da confiabilidade de um produto e do reparo através de um procedimento
sistemático de coleta de dados. Florianópolis: UFSC, 1996. (Dissertação de Mestrado).
WERNER, Liane. Modelagem dos tempos de falhas ao longo do calendário. Porto Alegre:
UFRGS, 1996. (Dissertação de Mestrado).
164
1,0 1,0
0,9 0,9
0,8 0,8
0,7 0,7
Distribuição Gamma
Distribuição Weibull
0,6 0,6
0,5 0,5
0,4 0,4
0,3 0,3
0,2 0,2
0,1 0,1
0,0 0,0
0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
Estimador Kaplan-Meier Estimador Kaplan-Meier
1,0 1,0
0,9 0,9
0,8 0,8
0,7 0,7
Distribuição Lognormal
Distribuição Normal
0,6 0,6
0,5 0,5
0,4 0,4
0,3 0,3
0,2 0,2
0,1 0,1
0,0 0,0
0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
Estimador Kaplan-Meier Estimador Kaplan-Meier
1,0
0,9
0,8
0,7
Distribuição Exponencial
0,6
0,5
0,4
0,3
0,2
0,1
0,0
0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
Estimador Kaplan-Meier
165
Componente Crítico VA1 Componente Crítico VA2 Componente Crítico VA3 Componente Crítico VA4
Kolmogorov-Smirnov d = 0,17825, p = n.s. Kolmogorov-Smirnov d = 0,19372, p = n.s. Kolmogorov-Smirnov d = 0,15329, p = n.s. Kolmogorov-Smirnov d = 0,11939, p = n.s.
Chi-Square test = 8,68286, df = 7, p = 0,27623 Chi-Square test = 9,82075, df = 7, p = 0,19896 Chi-Square test = 6,64160, df = 7, p = 0,46712 Chi-Square test = 4,43528, df = 7, p = 0,72850
4,5 3,5 2,5
4,5
4,0
4,0 3,0
3,5 2,0
3,5
2,5
No. de Observações
No. de Observações
No. de Observações
No. de Observações
3,0 3,0
1,5
2,5 2,5 2,0
Componente Crítico VA5 Componente Crítico VA6 Componente Crítico VA7 Componente Crítico VA8
Kolmogorov-Smirnov d = 0,19608, p = n.s. Kolmogorov-Smirnov d = 0,14126, p = n.s. Kolmogorov-Smirnov d = 0,17044, p = n.s. Kolmogorov-Smirnov d = 0,15843, p = n.s.
Chi-Square test = 15,07692, df = 7, p = 0,03503 Chi-Square test = 5,17268, df = 7, p = 0,63890 Chi-Square test = 7,58891, df = 7, p = 0,37023 Chi-Square test = 8,33330, df = 7, p = 0,30412
2,5 2,5
5,5 2,5
5,0
4,5 2,0 2,0
2,0
4,0
No. de Observações
No. de Observações
No. de Observações
No. de Observações
3,5
1,5 1,5 1,5
3,0
2,5
1,0 1,0 1,0
2,0
1,5
1,0 0,5
0,5 0,5
0,5
0,0 0,0
90 120 150 180 210 240 270 300 330 360 390 0,0 0,0 114 133 152 171 190 209 228 247 266 285 304
110 132 154 176 198 220 242 264 286 308 330 72 90 108 126 144 162 180 198 216 234 252
Tempo de Vida (dias) Tempo de Vida (dias) Tempo de Vida (dias) Tempo de Vida (dias)
Componente Crítico VA9 Componente Crítico VA10 Componente Crítico VA11 Componente Crítico VA12
Kolmogorov-Smirnov d = 0,20438, p = n.s. Kolmogorov-Smirnov d = 0,14236, p = n.s. Kolmogorov-Smirnov d = 0,12908, p = n.s. Kolmogorov-Smirnov d = 0,21391, p = n.s.
Chi-Square test = 7,94740, df = 7, p = 0,33726 Chi-Square test = 5,25841, df = 7, p = 0,62846 Chi-Square test = 5,32722, df = 7, p = 0,62010 Chi-Square test = 9,88708, df = 7, p = 0,19506
4,5 2,5 2,5 3,5
4,0
3,0
3,5 2,0 2,0
2,5
No. de Observações
No. de Observações
No. de Observações
No. of observations
3,0
1,5 1,5
2,5 2,0
2,0 1,5
1,0 1,0
1,5
1,0
1,0
0,5 0,5
0,5
0,5
Componente Crítico VA13 Componente Crítico VA14 Componente Crítico VA15 Componente Crítico VA16
Kolmogorov-Smirnov d = 0,13807, p = n.s. Kolmogorov-Smirnov d = 0,28054, p = n.s. Kolmogorov-Smirnov d = 0,17610, p = n.s. Kolmogorov-Smirnov d = 0,22080, p = n.s.
Chi-Square test = 9,92659, df = 7, p = 0,19277 Chi-Square test = 11,74552, df = 7, p = 0,10924 Chi-Square test = 8,60497, df = 7, p = 0,28227 Chi-Square test = 9,58818, df = 7, p = 0,21314
3,5 4,5 3,5 4,5
4,0 4,0
3,0 3,0
3,5 3,5
2,5 2,5
No. de Observações
No. de Observações
No. de Observações
No. de Observações
3,0 3,0
1,5 1,5
1,0 1,0
1,0 1,0
0,5 0,5
0,5 0,5
No. de Observações
No. de Observações
No. de Observações
2,0 2,0 2,0 2,0
3,0 3,0
2,0 2,0
2,5 2,5
No. de Observações
No. de Observações
No. de Observações
No. de Observações
1,5 1,5
2,0 2,0
1,5 1,5
1,0 1,0
1,0 1,0
0,5 0,5
0,5 0,5
5,0
3,0 3,0 3,0
4,5
No. de Observações
No. de Observações
No. de Observações
3,5
2,0 2,0 2,0
3,0
2,5
1,5 1,5 1,5
2,0
1,0 1,5 1,0 1,0
1,0
0,5 0,5 0,5
0,5
No. de Observações
No. de Observações
No. de Observações
1,5
2,0 2,0 2,0
4,0 4,0
3,0 3,0
3,5 3,5
2,5 2,5
No. de Observações
No. de Observações
No. de Observações
No. de Observações
3,0 3,0
1,5 1,5
1,0 1,0
1,0 1,0
0,5 0,5
0,5 0,5
3,0
2,0
2,5
No. de Observações
No. de Observações
1,5
2,0
1,5
1,0
1,0
0,5
0,5
0,0 0,0
130 156 182 208 234 260 286 312 338 364 390 40 80 120 160 200 240 280 320 360 400 440
Tempo de Vida (dias) Tempo de Vida (dias)
169
0,800 0,800
0,800 0,800
Confiabilidade, R(t)=1-F(t)
Confiabilidade, R(t)=1-F(t)
Confiabilidade, R(t)=1-F(t)
Confiabilidade, R(t)=1-F(t)
0,600 0,600 0,600
0,600
0,800
0,800 0,800
0,800
Confiabilidade, R(t)=1-F(t)
Confiabilidade, R(t)=1-F(t)
Confiabilidade, R(t)=1-F(t)
0,600
Confiabilidade, R(t)=1-F(t)
0,600 0,600
0,600
0,400
0,400 0,400
0,400
0,800
0,800 0,800
0,800
Confiabilidade, R(t)=1-F(t)
Confiabilidade, R(t)=1-F(t)
Confiabilidade, R(t)=1-F(t)
0,600
Confiabilidade, R(t)=1-F(t)
0,600 0,600
0,600
0,400 0,400
0,400 0,400
Função de Confiabilidade Lognormal - Componente VA13 Função de Confiabilidade Lognormal - Componente VA15
Função de Confiabilidade Lognormal - Componente VA14 Função de Confiabilidade Lognormal - Componente VA16
1,000 1,000
1,000 1,000
0,800 0,800
0,800 0,800
Confiabilidade, R(t)=1-F(t)
Confiabilidade, R(t)=1-F(t)
Confiabilidade, R(t)=1-F(t)
Confiabilidade, R(t)=1-F(t)
0,600 0,600
0,600 0,600
0,800
0,800
0,800
0,800
Confiabilidade, R(t)=1-F(t)
Confiabilidade, R(t)=1-F(t)
0,600
Confiabilidade, R(t)=1-F(t)
0,600
Confiabilidade, R(t)=1-F(t)
0,600 0,600
0,400
0,400 0,400
0,400
0,200 0,200
0,200 0,200
0,800
0,800 0,800 0,800
Confiabilidade, R(t)=1-F(t)
Confiabilidade, R(t)=1-F(t)
0,600
Confiabilidade, R(t)=1-F(t)
Confiabilidade, R(t)=1-F(t)
0,400
0,400 0,400 0,400
0,200 0,200
0,200 0,200
Função de Confiabilidade Lognormal - Componente VA25 Função de Confiabilidade Lognormal - Componente VA26 Função de Confiabilidade Lognormal - Componente VA27 Função de Confiabilidade Lognormal - Componente VA28
1,000 1,000 1,000 1,000
Confiabilidade, R(t)=1-F(t)
Confiabilidade, R(t)=1-F(t)
Confiabilidade, R(t)=1-F(t)
Confiabilidade, R(t)=1-F(t)
Função de Confiabilidade Lognormal - Componente VA29 Função de Confiabilidade Lognormal - Componente VA30 Função de Confiabilidade Lognormal - Componente VA31 Função de Confiabilidade Lognormal - Componente VA32
1,000 1,000 1,000
1,000
Confiabilidade, R(t)=1-F(t)
Confiabilidade, R(t)=1-F(t)
Confiabilidade, R(t)=1-F(t)
0,600 0,600 0,600 0,600
0,800 0,800
0,800 0,800
Confiabilidade, R(t)=1-F(t)
Confiabilidade, R(t)=1-F(t)
Confiabilidade, R(t)=1-F(t)
Confiabilidade, R(t)=1-F(t)
0,600 0,600
0,600 0,600
Função de Confiabilidade Lognormal - Componente VA37 Função de Confiabilidade Lognormal - Componente VA38
1,000
1,000
0,800
0,800
Confiabilidade, R(t)=1-F(t)
Confiabilidade, R(t)=1-F(t)
0,600 0,600
0,400 0,400
0,200 0,200
0,000 0,000
99 181 263 344 426 508 49 242 435 627 820 1012
Tempo (dias) Tempo (dias)
172
100
VA38
50
VA9 VA15
VA18
VA37
VA8 VA5
VA14 VA31
VA7 VA6 VA17VA1
VA34 VA35
VA4
VA2 VA16 VA20
VA29
VA32
VA28VA30
CP3
0 VA26 VA12
VA10 VA25
VA36
VA33 VA19 VA27
VA11
VA13
VA21
VA24
VA23 VA22
VA3
-50
-100
-50 0 50 100
CP1
100
VA38
50
VA9 VA18 VA15
VA37
VA14 VA5 VA8
VA31
VA17 VA34
VA7VA6
VA35 VA1
VA4
VA16 VA2
VA29 VA20
VA32
VA28VA30
CP3
0 VA26
VA25 VA10 VA12
VA36
VA21 VA33 VA19
VA11
VA13 VA27
VA24
VA22 VA23
VA3
-50
-100
-100 -50 0 50 100
CP2
173
500
250 1995
1996
1998
1999
1997 2001
CP3
0 2002
2000
1994
-250
2003
-500
-500 -250 0 250 500 750 1000
CP1
500
250 1995
1996
1998
1999
1997
2001
CP3
0 2002
2000
1994
-250
2003
-500
-750 -500 -250 0 250 500
CP2
174
APÊNDICE G – Matriz de dados de tempos de vida original dos 38 componentes críticos coletados nos 10 anos (1994 a
2003) de amostragem
Componente Estatística
VA1 VA2 VA3 VA4 VA5 VA6 VA7 VA8 VA9 VA10 VA11 VA12 VA13 VA14 VA15 VA16 VA17 VA18 VA19 VA20 VA21 VA22 VA23 VA24 VA25 VA26 VA27 VA28 VA29 VA30 VA31 VA32 VA33 VA34 VA35 VA36 VA37 VA38
Crítico Geral
154 201 154 154 201 154 188 201 201 201 259 235 160 148 186 245 201 201 201 235 235 235 235 235 130 245 235 154 235 154 154 235 235 154 201 211 211 149
105 203 203 203 203 203 216 203 203 203 198 210 203 209 15 154 203 203 203 194 163 146 165 165 188 154 143 181 210 190 203 198 210 203 203 122 282 75
24 203 203 203 203 203 203 203 203 112 103 217 112 112 203 210 203 183 203 107 203 64 136 136 116 128 67 109 217 125 112 103 191 112 112 112 308 102
187 218 127 218 218 218 218 218 218 217 218 182 217 217 112 217 218 147 218 218 218 217 127 178 102 82 189 116 182 191 181 218 118 245 154 285 55 199
217 290 182 175 175 175 175 224 175 182 175 175 182 182 217 182 175 182 175 224 175 182 91 131 218 217 121 181 238 34 127 175 40 232 274 308 89 179
182 179 238 154 154 154 154 245 154 66 285 154 238 93 182 238 294 199 294 245 154 66 175 238 175 182 175 218 274 175 175 154 250 174 272 98 323 308
132 308 274 274 372 274 274 232 219 27 406 372 372 285 238 372 308 313 183 308 140 133 282 274 154 224 154 175 335 149 154 274 179 393 372 77 196 354
101 111 370 272 257 272 98 272 55 285 393 77 272 406 372 377 343 349 308 271 308 179 308 349 274 245 274 154 86 20 274 272 232 211 223 158 287 196
278 225 257 188 214 46 256 378 370 232 246 111 34 37 111 206 232 398 326 500 266 308 98 387 370 308 272 372 230 85 370 291 158 258 168 241 147 189
229 203 236 218 215 393 8 13 159 284 223 399 360 230 399 225 287 105 287 287 287 398 398 196 323 98 64 307 188 326 393 203 241 287 274 196 209 168
56 259 259 259 183 211 167 48 52 213 287 196 218 196 196 218 139 259 274 274 287 203 203 168 196 203 382 314 274 335 246 182 196 147 272 274 172 183
18 287 287 183 236 61 21 33 189 274 220 168 259 150 274 114 287 274 237 237 76 259 259 274 274 203 203 203 181 157 140 287 168 265 265 272 196 91
31 252 252 272 197 197 189 180 188 237 228 259 215 274 182 3 252 237 301 301 35 197 287 272 272 84 182 84 56 130 83 252 274 180 172 265 181
203 196 196 252 18 183 210 179 275 126 272 175 237 257 218 198 14 209 272 90 270 181 252 265 265 274 287 175 265 274 274 196 181 80 196 172 172
287 180 196 178 257 272 274 272 301 350 184 176 35 299 198 98 272 294 265 270 280 280 166 149 274 196 237 237 180 265 196 196 196
252 181 172 110 176 117 181 97 270 242 209 14 283 81 14 283 294 176 301 236 265 265 172
100 196 172 21 228 265 263 97 280 19 3 294 19 270 83 272 36 196 80 196
87 175 180 98 81 270 19 90 90 97 240 196
140 180 97 12 4 194 270 272 295 209
181 181 110 11 295
272
MÉDIA 148 219 231 211 194 187 172 183 178 196 251 220 221 183 176 217 219 197 249 251 207 211 224 237 222 182 198 202 211 179 204 215 194 209 226 199 206 183 206
DP 83 50 61 41 71 83 75 98 90 83 79 89 81 99 118 92 85 103 51 94 83 85 86 75 79 74 87 84 71 90 89 54 57 77 67 74 84 73 23
CV 56% 23% 26% 19% 36% 44% 44% 53% 51% 42% 31% 41% 37% 54% 67% 43% 39% 52% 21% 37% 40% 40% 38% 32% 36% 41% 44% 42% 34% 50% 44% 25% 29% 37% 30% 37% 41% 40% 11,16%
176