Escolar Documentos
Profissional Documentos
Cultura Documentos
NATAL
2015
DANILO GONÇALVES CAVALCANTE
NATAL
2015
UFRN / Biblioteca Central Zila Mamede.
Catalogação da Publicação na Fonte.
The ability to compete in global markets is a present qualifying in the current organizations.
The management of productive spending (costs and investments) has a direct influence on the
business decisions of term short and long. In this sense, the search for optimization of the
resources, through reductions in the fixed capital, is a competitive factor sought by various
companies. The inventory management involves conflicts of interests that can lead the manager
to inconsistent decisions: stocks can absorb large amounts of resources or represent massive
production losses (profit loss). Among the various types of stocks, immobilization of spare
items applied to maintenance stands out for have some important features: the demand is
irregular (lumpy), the investment for the acquisition of spare parts is high and the delivery time
is long. This work aims to apply a method for spare inventory management based on industrial
reliability with use of covariates. The model applies techniques related to probabilistic
modeling and renewal process, in order to quantify the spare items. The analysis makes use of
computer programs to manipulate of the reliability parameters (Weibull® and BlockSim®
software - ReliaSoft) and R® software, necessary to define the covariates. The dimensioning of
the spares is consolidated through the program developed in c ++ language, which aims to
analyze the failures overlapping over time. The study is applied to the sizing of centrifugal
pumps (BCS) used in the production of oil in offshore units. The tool search to structure the
process of allocation of spare parts to be fixed in the oil sector, aiding decision making.
LISTA DE FIGURAS
Figura 32– Proporcionalidade dos riscos: covariável fator humano ...................................... 100
Figura 36– Proporcionalidade dos riscos: covariável fator humano ...................................... 105
13
SUMÁRIO
1. INTRODUÇÃO .....................................................................................................16
1.1 OBJETIVO GERAL ......................................................................................... 19
1.2 OBJETIVOS ESPECÍFICOS........................................................................... 19
1.3 HIPÓTESES DE PESQUISA ........................................................................... 19
1.4 MOTIVAÇÃO E JUSTIFICATIVA................................................................ 20
2. REFERENCIAL TEÓRICO ................................................................................23
2.1 ESTOQUE DE MATERIAIS ........................................................................... 23
2.2 ESTOQUE DE MATERIAIS SOBRESSALENTES ..................................... 25
2.3 MANUTENÇÃO ................................................................................................ 29
2.3.1 Sistemas reparáveis......................................................................................... 32
2.4 ENGENHARIA DE CONFIABILIDADE ...................................................... 33
2.4.1 Função Confiabilidade R(t) ............................................................................ 33
2.4.2 Função de risco h(t) ........................................................................................ 35
2.4.3 Função de distribuição acumulada F(t) .......................................................... 37
2.4.4 Função densidade de Probabilidade f(t) ......................................................... 38
2.4.5 Distribuições de probabilidade ....................................................................... 39
2.4.6 Estimação de Parâmetros ................................................................................ 44
2.4.7 Confiabilidade de sistemas ............................................................................. 45
2.5 CLASSIFICAÇÃO DOS ITENS SOBRESSALENTES ................................ 48
2.6 FERRAMENTAS PARA DIMENSIONAMENTO DE SOBRESSALENTES
49
2.7 MODELOS PROBABILÍSTICOS PARA GESTÃO DE
SOBRESSALENTES ................................................................................................... 57
2.7.1 Processos Estocásticos .................................................................................... 59
2.7.2 Processo de Renovação .................................................................................. 60
2.7.3 Modelo de Regressão com covariáveis .......................................................... 63
2.7.4 Modelo de Regressão com covariáveis: tempo de vida acelerado ................. 64
2.7.5 Modelo de Regressão com covariáveis: Riscos proporcionais ....................... 65
3. CARACTERIZAÇÃO DO PROBLEMA ...........................................................69
3.1 LOCALIZAÇÃO ............................................................................................... 73
3.2 CARACTERÍSTICAS DO ESTOQUE DE MATERIAIS ............................ 74
4. MATERIAIS E MÉTODOS .................................................................................76
4.1 CARACTERIZAÇÃO DO ESTUDO .............................................................. 76
4.2 DELINEAMENTO DA PESQUISA ................................................................ 76
4.3 MODELO CONCEITUAL ............................................................................... 79
4.4 PLANOS DE COLETA E ANÁLISE DOS DADOS ...................................... 83
5. APLICAÇÃO DO MODELO ...............................................................................85
14
5.1 ETAPA 1 – IDENTIFICAÇÃO DAS COVARIÁVEIS E COLETA DOS
DADOS .......................................................................................................................... 85
5.2 ETAPA 02 – ANÁLISE DOS DADOS............................................................. 86
5.2.1 Etapa 2: análise dos dados - Componente bomba .......................................... 87
5.2.2 Etapa 2: análise dos dados: componente motor .............................................. 94
5.2.3 Etapa 2: análise dos dados: componente cabo elétrico ................................. 101
5.2.4 Etapa 2: análise dos dados: confiabilidade do sistema BCS ........................ 106
5.3 ETAPA 3: ESCOLHA DO MODELO PARA PREVISÃO DO NÚMERO
DE FALHAS ............................................................................................................... 109
5.4 ETAPA 04: ESTIMAÇÃO DO NÚMERO DE FALHAS E VALIDAÇÃO
DA FERRAMENTA ................................................................................................... 114
6. CONCLUSÃO......................................................................................................120
6.1 AVALIAÇÃO DAS HIPÓTESES .................................................................. 120
6.2 CONSIDERAÇÕES FINAIS .......................................................................... 120
APÊNDICE A ..............................................................................................................124
APÊNDICE B...............................................................................................................126
APÊNDICE C ..............................................................................................................128
APÊNDICE D ..............................................................................................................130
APÊNDICE E...............................................................................................................135
7. REFERENCIAS ..................................................................................................138
15
1. INTRODUÇÃO
16
questões que influenciam o tempo de entrega (JAARSVELD; DEKKER, 2011). Assim,
baixos níveis de estoque podem conduzir à perda de economia de escala e altos custos de
falta dos produtos, em contrapartida, o excesso destes itens representa custos operacionais
e de capital imobilizado (HIGGINS; MOBLEY, 2002).
Conforme Wang (2011), as necessidades de peças sobressalentes e o planejamento
de manutenção são atividades relacionadas, que devem ser tratadas em conjunto visando
a eficiência global em custos. Estudo em companhias de negócios aéreos dos EUA
relatam que os estoques sobressalentes representam valores acima de US$ 50 Bilhões
(KILPI; VEPSÄLÄINEN, 2004). Segundo Mehrotra et al. (2001), o investimento em
peças de reposição pode variar de 5% a 15% dos gastos totais de funcionamento,
representando um custo de oportunidade anual que oscila entre 20 a 40% do valor em
estoque (SANDVIG; ALLAIRE, 1998). Outrossim, os sobressalentes representam cerca
de 1/3 dos ativos em uma empresa típica (DÍAZ; FU, 1997). No Brasil, segundo dados da
Associação Brasileira de Manutenção (ABRAMAN), em seu relatório nacional de 2013,
o valor do estoque sobressalente perfaz 13,4% dos custos de manutenção, com
rotatividade de 5 meses.
Em processos que envolvem segurança operacional, risco ao meio ambiente e
lucro cessante, a continuidade das operações está relacionada ao sobredimensionamento
do estoque sobressalente (SARKER; HAQUE, 2000), refletindo no aumento do capital
imobilizado e dos custos para manutenção dos inventários (KENNEDY et al., 2002).
Conforme Gajpal et al. (1994), uma abordagem cientifica sistematizada conduz a
minimização do número de peças sobressalentes e o tempo de indisponibilidade dos
equipamentos (downtime).
A indústria do petróleo possui uma diversidade significativa de equipamentos
necessários ao desenvolvimento de seus processos, sendo a quantidade dos itens
imobilizados um reflexo dessa variedade. O aumento no volume de inventários é uma
realidade em processos de alta complexidade, característicos da indústria petrolífera.
Nesse caso, o excesso de itens em estoque está diretamente ligado ao risco da falta do
material, ou seja, o estoque é usado para absorver as incertezas relacionadas às demandas
das ações de manutenção. Dado a complexidade do dimensionamento de estoques
sobressalentes, o equilíbrio entre o custo da falta do material e o capital imobilizado fica
comprometido, seja pelo excesso ou necessidade do item.
Em adição, as condições ambientais são importantes fatores que atuam sobre a
confiabilidade do item, refletindo no número de sobressalentes necessários. Tais
17
condições podem ser representadas por aspectos inerentes ao ambiente (temperatura,
pressão, umidade, salinidade), pelas condições de instalação e uso dos equipamentos,
dentre outras formas. Esses fatores são denominados de covariáveis ou variáveis
explanatórias e afetam diretamente a taxa de falha dos equipamentos. Segundo os estudos
de Ghodrati e Kumar (2005), ignorar as condições operacionais pode conduzir a uma
diferença de 20% na expectativa de sobressalentes. A consideração das covariáveis torna
o modelo de previsão mais assertivo e minimiza os riscos de falta do item no estoque.
Diante do exposto surge a seguinte questão de pesquisa: como dimensionar o
estoque de material sobressalente em uma empresa do ramo petrolífero, de forma a
minimizar os gastos organizacionais (investimentos, custos e lucros cessantes), a partir
de um modelo baseado em confiabilidade industrial com uso de covariáveis? O estudo foi
aplicado ao dimensionamento do estoque para motobombas centrifugas submersas
(BCS), usadas na produção de petróleo em plataforma marítima. A análise é baseada no
estudo probabilístico das falhas (confiabilidade industrial) e no processo de contagem
representado pela teoria da renovação.
Esta dissertação está organizada da seguinte forma: o Capítulo 1 introduz o
problema a ser estudado, apresentando as justificativas e os objetivos do estudo. O
Capítulo 2 apresenta os conceitos teóricos necessários a compreensão do modelo. O
Capítulo 3 mostra a descrição do problema. O Capítulo 4 aborda o método científico
adotado na realização da pesquisa. O Capítulo 5 aplica e valida do modelo. As conclusões
finais são relatadas no Capítulo 6.
18
1.1 OBJETIVO GERAL
Baseado nas definições dos objetivos deste estudo, duas hipóteses serão analisadas:
19
1.4 MOTIVAÇÃO E JUSTIFICATIVA
20
Dentre os diversos equipamentos utilizados na indústria do petróleo, o item a ser
estudado nesta dissertação foi selecionado considerando dois critérios básicos, conforme
Chitale e Gupta (2011): custo de aquisição e criticidade. O custo de aquisição representa
o valor investido na compra do item. Já a criticidade consiste no impacto da falta do item
para o processo produtivo. Neste caso, optou-se por aplicar o estudo ao dimensionamento
de estoque envolvendo Bombas Centrifugas Submersas (BCS). Estes equipamentos são
utilizados diretamente na produção de petróleo, destacando-se pelo seu alto valor de
aquisição e lucro cessante envolvido. Outrossim, desde que dados de falha estejam
disponíveis, este modelo poderá ser aplicado a outros equipamentos.
Para materiais sobressalentes é fácil identificar uma relação entre o número de
itens imobilizados e o índice de falha do respectivo equipamento, representado pela taxa
de falha. Esta relação pode ser explicada da seguinte forma: se um equipamento falha
com maior frequência, o estoque deve possuir quantidades que atendam esta necessidade,
ou seja, será preciso um maior número de itens para atender esta demanda. Conforme
explicado por Moubray (1996), o estudo dos equipamentos com relação a confiabilidade
industrial fornece parâmetros objetivos para determinação do estoque sobressalente a ser
imobilizado, tornando a demanda dos itens mais previsível.
A literatura especializada trata as questões relativas à previsão de estoque
sobressalente considerando as seguintes abordagens: programação matemática, processo
estocásticos, modelos probabilísticos, simulação e modelos multicritérios. Uma parcela
significativa dos trabalhos analisados considera que os equipamentos são não reparáveis
e as falhas seguem um processo de Poisson. Em alguns casos, dado a simplicidade
matemática desta consideração, este modelo tem sido aplicado incorretamente resultando
em erros de estimação. Nesta dissertação, a ferramenta selecionada e aplicada foi baseada
em duas características fundamentais do item: reparabilidade do equipamento e a eficácia
do reparo executado.
Desta forma, o Bombeio Centrifugo Submerso (BCS) é item um reparável cuja
ação de reparo restaura o equipamento a uma condição de “tão bom quanto novo”. Assim,
foi utilizado o processo de renovação para quantificar o número de falhas no tempo. Da
mesma forma, considerando que os fatores ambientais influenciam a taxa de falha do
item, covariáveis foram inseridas no modelo. Ou seja, para equipamentos aplicados em
condições severas (salinidade, poeira, umidade, temperatura), bem como sujeitos a
operações inadequadas (fatores humanos), a taxa de falha é maior quando comparado a
21
equipamentos livres de tais condições. Identificar e determinar esses fatores torna o
modelo mais assertivo, reduzindo a possibilidade de escassez do estoque.
Por fim, outro fator importante que motivou o estudo diz respeito à atual
conjuntura econômica vivenciada pela indústria do petróleo, representado pelo preço
comercializado deste commodity. Comparativamente, o barril de petróleo apresentou uma
redução de aproximadamente 60% considerando o período de junho 2014 e agosto 2015.
Este aspecto reforça as diretrizes relativas à eficiência e competitividade operacional.
Assim, os estudos que envolvem a análise de sobressalente podem contribuir ao resultado
financeiro da empresa, visando a eficiência em custo e a melhoria na competividade
organizacional.
22
2. REFERENCIAL TEÓRICO
23
ESTOQUE EM PROCESSO
ESTOQUE DE PRODUTOS
MATÉRIA PRIMA
OPERAÇÃO EM PROCESSO ACABADOS
ESTOQUE DE ESTOQUE
CONSUMÍVEIS SOBRESSALENTE
Segundo Axsäter (2006), o controle inadequado dos estoques pode resultar tanto
em estocagem insuficiente quanto em estocagem excessiva. A estocagem insuficiente
resulta em vendas perdidas, lucros cessantes, clientes insatisfeitos e gargalos na produção.
A estocagem excessiva absorve, desnecessariamente, recursos que poderiam ser mais
produtivos em outras áreas. Dessa forma, a gestão dos estoques dentro das empresas
adquire grande importância tendo como preocupação a busca constante pela minimização
dos valores monetários imobilizados, dentro dos níveis de segurança para atender o
cliente.
24
2.2 ESTOQUE DE MATERIAIS SOBRESSALENTES
25
a tomada de decisão (GHODRATI; KUMAR, 2005). Na sequência, serão detalhadas as
especificidades que envolvem a gestão de itens sobressalentes:
b) Alto Valor de aquisição - As peças sobressalentes são itens de baixa demanda e com
aplicação específica. Em alguns casos, o fornecimento requer alteração do processo
produtivo e produção em lote unitário. Estes fatores implicam em maiores custos de
fabricação para os componentes, refletindo no preço de venda;
26
de aumento do número de elementos em estoque (MOBLEY et al., 2008; SCALA et al.,
2014).
Segundo Almeida et al. (2001), o dimensionamento de sobressalente apresenta
uma relação de dependência com as falhas ocorridas nos equipamentos e o tipo de
manutenção adotada. Portanto, a fim de reduzir o tempo de ociosidade dos sistemas, a
abordagem para gestão de inventário deve ser integrada com as ações de manutenção e
confiabilidade do item (HORENBEEK et al., 2013).
As ações de manutenção têm por objetivo manter e ou restaurar a função dos
ativos, a partir de intervenções que podem ser programadas ou não. Conforme Kennedy
et al. (2002), nas manutenções preventivas ou programadas a necessidade de itens
sobressalentes é previsível, dado que as trocas de componentes são definidas com base
no tempo. Para as manutenções corretivas ou não programadas, as intervenções ocorrem
condicionadas ao processo de falha dos equipamentos, estando associadas a lucro
cessante (HIGGINS; MOBLEY, 2002).
Outro fator que impacta na gestão dos estoques sobressalentes é a reparabilidade
dos equipamentos. Os itens sobressalentes podem ser classificados genericamente como
reparáveis e não reparáveis. As Figuras 3 e 4 ilustram esta classificação.
Para itens reparáveis, a função do componente pode ser restaurada após ação de
reparo. Neste caso, sempre que um componente falha ou é preventivamente removido de
operação, a peça sobressalente é instalada. O item substituído é enviado para manutenção
e retorna ao estoque após reparo. A possibilidade de recuperação de um item acarreta
implicações na gestão de estoques, dado que as quantidades em processo de
recondicionamento devem ser deduzidas das quantidades a serem ressupridas no futuro
(DEKKER et al., 1998; SHERBROOKE, 1968). Diferentemente, os itens não reparáveis
27
são descartados após substituição. Isso ocorre quando a tarefa de reparo é extremamente
difícil ou quando os custos de reparo excedem os custos de aquisição do componente
(LOUIT et al., 2011).
Assim, a gestão dos estoques sobressalentes deve ser conduzida visando atender
a requisitos da função produção e manutenção, com foco nos objetivos do negócio. A
Figura 5 resume o mapa relacional para gestão de inventários, enfatizando a importância
do gerenciamento integrado.
Segundo Moubray (1996), de acordo com certas premissas adotadas para gestão
de estoques, as organizações podem ser classificadas em reativas e proativas. As
organizações reativas normalmente possuem uma grande quantidade de inventários, visto
sua incapacidade de prever quando as peças serão necessárias. As organizações que
adotam uma postura proativa buscam conhecer seus equipamentos, mediante uso de
ferramentas para tornar mais previsível a necessidade de sobressalentes.
Higgins (2002) elenca alguns fatores contribuintes para o aumento dos itens
imobilizados em estoque:
28
2) Ganho de escala na aquisição de itens: a possibilidade de ganho de escala em
transações motiva a compra de um maior número de sobressalentes, gerando uma
maior quantidade de elementos em estoque;
2.3 MANUTENÇÃO
29
funcionamento todo e qualquer equipamento, ferramenta ou dispositivo. Kardec e Nascif
(2009) dividem o processo evolutivo da manutenção em quatro gerações. O Quadro 1
resume o desenvolvimento da manutenção.
30
A ação de manutenção pode ser caracterizada conforme o tipo de intervenção a
ser realizada no equipamento. A literatura especializada apresenta diversas visões para
categorizar a manutenção. Dhillow (2006), divide a manutenção em três níveis:
31
2.3.1 Sistemas reparáveis
32
Chukova et al. (2004), apresentam outras classificações para as ações de reparo,
como o reparo melhorado e o reparo pior. O reparo melhorado conduz o equipamento a
um desempenho melhor quando comparado ao seu estado inicial de operação. Em
contraste, o reparo pior reduz o desempenho do sistema sob reparo, sendo gerado muitas
vezes por erros humanos.
33
aleatória contínua que expressa o tempo de falha do item (T ≥ 0), a função confiabilidade
R(t) pode ser descrita conforme a equação 1.
= ≥ ; ≥0 (1)
34
2.4.2 Função de risco h(t)
≤ ≤ +∆ / ≥ = =
∆ ∆
(2)
35
A curva banheira representa as características típicas das fases da vida de um
produto, equipamento ou sistema, descrevendo a taxa de falha (número de falhas por
unidade de tempo) em função do intervalo de vida do item (horas, ciclos, km, etc.). Esta
curva apresenta três regiões distintas: mortalidade infantil (taxa de falha decrescente),
região de vida em serviço (taxa de falha constante) e envelhecimento ou degradação (taxa
de falha crescente), conforme apresentado a seguir:
36
c) Região de envelhecimento ou degradação: A região de envelhecimento é definida
pelo término da vida útil do equipamento, onde a taxa de falha cresce
continuamente proporcional ao tempo. O aumento da taxa de falha normalmente
indica necessidade de substituição de componentes no equipamento, característica
da fase de envelhecimento (PYZDEK, 2003). Segundo Fogliatto e Ribeiro (2009),
as alternativas para amenizar a intensidade do envelhecimento incluem a
manutenção preventiva, manutenção corretiva planejada e controle dos fatores
ambientais de estresse que possam intensificar a taxa de falha do produto. Nesta
fase, as distribuições que melhor modelam os dados é a Weibull, e a normal.
37
2.4.4 Função densidade de Probabilidade f(t)
f ≥0 (3)
= ! " #"
$
%
(4)
38
= $
! " #" (5)
a) Distribuição Exponencial
39
Segundo Nelson (1990), somente 10% dos produtos industriais têm tempos de vida com
distribuição exponencial. A Figura 11 mostra o perfil das funções que caracterizam a
distribuição exponencial.
! = &' (
(6)
= '( (7)
ℎ =& (8)
b) Distribuição Lognormal
(9)
Função confiabilidade:
= ᶲ9 :
5 34
-
(10)
Função de risco:
ℎ =
∅< 5 34 /-=/-
ᶲ< 5 34 /-=
(11)
Onde:
Ф(x) é o valor da função distribuição normal padronizada avaliada em x;
Ø(x) é o valor da função densidade normal padronizada avaliada em x;
µ é a média da distribuição lognormal;
σ é o desvio padrão da distribuição lognormal;
41
A Figura 12 mostra o comportamento da função densidade de probabilidade para
alguns valores de desvio padrão e uma média fixa de 0,8.
c) Distribuição de Weibull
42
com o parâmetro de localização suprimido. Isso significa que no tempo zero, a
probabilidade de ocorrência de falha é nula. O parâmetro de escala (η), também conhecido
como vida característica, representa o tempo no qual 63% das unidades já falharam.
Matematicamente, a distribuição de Weibull é expressa pelas equações:
γ $ @ γ
! = 9 : '
γ 2 9 : 6
A
? ?
(12)
Função confiabilidade:
@ γ
= '
9 :
A (13)
Função de risco:
γ $
ℎ = 9 :
γ
? ?
(14)
43
2.4.6 Estimação de Parâmetros
B C = ∏4FG$ ! E; C (15)
44
Para amostras censuradas, a contribuição relacionada às suspensões devem ser
integradas à função L(θ). Assim, além da função densidade falha, adiciona-se a L(θ) um
componente relacionado à função de sobrevivência R(t) das censuras. As observações
são, então, divididas em dois conjuntos: “r” observações não censuradas (1,2,3,......, r) e
“n-r” observações censuradas. Conforme o tipo de censura, a função de máxima
verossimilhança poderá ser:
B C = ∏4FG$ ! E; C ∏4EGH E; C
4!
4 H ! $ (17)
4!
4 H !
Como o termo é uma constante, este pode ser desprezado por não envolver
45
a) Sistema série
KL = ∏NMGO KM (19)
Onde “Ri” representa a confiabilidade do item “i” e “n” o número de itens associados. O
valor de “Rs” corresponde à confiabilidade do sistema.
46
b) Sistema paralelo
Para os sistemas paralelo, todos os itens devem falhar para que o sistema falhe.
Segundo Fogliatto e Ribeiro (2009), a confiabilidade dos sistemas em paralelo é
determinada pela sua não confiabilidade, ou seja, pela probabilidade complementar:
KL = O − ∏NMGO O − KM (20)
Onde “Ri” representa a confiabilidade do item “i” e “n” o número de itens associados. O
valor de “Rs” corresponde à confiabilidade do sistema.
Conforme observado na Figura 15, a falha do sistema ocorre quando todos os itens
que formam o equipamento falham. Neste caso, a confiabilidade resultante é maior que a
confiabilidade do melhor componente.
c) Sistema misto
47
Figura 16– Exemplo sistema misto
Fonte: Desenvolvido pelo autor
48
A literatura prevê diversos métodos para classificação e controle dos itens em
estoque. A Tabela 2 esboça as ferramentas mais usuais.
Conforme Gajpal et al. (1994), as análises ABC e FSN são procedimentos simples
que buscam especificar as políticas de controle de estoque, a partir da fixação de períodos
para revisão do inventário. A aplicação do método VED é mais indicada para
componentes do setor industrial, enquanto a análise ABC é mais usual em produtos de
consumo (CHITALE E GUPTA, 2011). Scala, Rajgopal e Needy (2014), desenvolveram
uma modelo para análise de criticidade baseado no método AHP (Analytic Hierarchy
Process). Da mesma forma, Botter e Fortuin (2000), aplicaram o método AHP para
categorização de sobressalentes usados na prestação de serviços. Deeker et al. (1998),
propuseram uma ferramenta para controle de sobressalentes baseado na criticidade da
demanda.
49
estratégica resulta em investimentos desnecessários e altos custos para manutenção dos
inventários. A decisão que envolvem dimensionamento de sobressalentes é um assunto
importante com impacto substancial no custo do ciclo de vida do sistema (KUMAR;
CROCKER, KNEZEVIC, HARAM, 2000).
A literatura apresenta algumas ferramentas que tratam do processo decisório para
dimensionamento de estoque sobressalente. Segundo Louit et al. (2011), a determinação
do número sobressalentes tem como premissa a definição dos seguintes critérios de
otimização: confiabilidade instantânea do estoque, intervalo de confiabilidade do estoque,
custo e disponibilidade. Para Horenbeek et al. (2013), a otimização de sobressalentes
pode ser concentrada em custos, tempo de inatividade, níveis de serviço, impacto
ambiental, segurança, dentre outros.
Os modelos para gestão de estoque sobressalente que aplicam confiabilidade
industrial são diferenciados conforme duas características importantes: condição de
mantenabilidade e taxa de falha do componente. Com relação à primeira, o item pode ser
reparável ou não reparável. Esta característica tem influência na definição das
quantidades a serem solicitadas, dado o ciclo de falha e reparo. Para a taxa de falha, a
escolha do modelo probabilístico varia conforme o comportamento desta variável ao
longo do tempo. Segundo Kumar et. al (2000), técnicas quantitativas baseadas na teoria
da confiabilidade podem ser usadas na provisão de sobressalentes mesmo quando a taxa
de taxa não é constante.
Para equipamentos cuja taxa de falha é constante ao longo do tempo (distribuição
exponencial), o comportamento das falhas segue um processo estocástico sendo o número
de sobressalentes determinado a partir das seguintes técnicas: teoria das filas, cadeia de
Markov, simulação, modelos multicritérios, processos de Poisson. Almeida et al. (2001),
apresentam quatro abordagens para problemas envolvendo peças sobressalentes.
50
simplicidade matemática. Almeida et al. (2001), destaca algumas hipóteses que devem
ser assumidas quando as falhas seguem um processo de Poisson:
PQ = ∑[
(S T U VWX Y
ZG% Z!
(21)
Onde:
MS: Margem de segurança;
λs: Taxa de falha do sistema;
n: número de itens;
λ: Taxa de falhas;
N: Número de sobressalentes
51
T: Intervalo de tempo adotado (válido para equipamento não reparável) - Para sistemas
reparáveis, conforme Almeida (2001), o tempo "T" assume o valor do tempo médio para
reparo.
Esta perspectiva trata o custo de forma direta, não sendo apenas uma consequência
do resultado obtido. O critério custo é adotado como restrição ao modelo de
dimensionamento, pois conforme um determinado limite orçamentário, procura-se
minimizar o risco de quebra do estoque. O processo de cálculo consiste em obter um
quantitativo "N" de forma que a restrição de custo seja atendida, ou seja:
^ =_×^ (23)
Onde:
Ct - Custo Total;
N - Número de sobressalente;
C - Custo unitário
52
O custo total está sujeito a seguinte restrição:
^ ≤ ^% (24)
Onde: C0 - Orçamento disponível;
53
Quadro 2- Abordagens para dimensionamento de sobressalentes
Fonte: Elaborado pelo autor
54
Tabela 3- Abordagens para dimensionamento de sobressalentes
Característica do Abordagem
Autores Descrição
Equipamento
Estimação do número de
Ghodrati et al. Processo de sobressalente (processo de
Não Reparável
(2007) Renovação renovação) e o risco associado
(árvore de falhas).
Determinação de procedimento
heurístico para apoio a decisão na
Gomes e Wanke
Não Reparável Cadeia de Markov escolha dos parâmetros de
(2008)
ressuprimento do estoque
sobressalente.
55
Característica do Abordagem
Autores Descrição
Equipamento
Apresenta um modelo baseado na
otimização do risco e custo para
componentes reparáveis e não
reparáveis. Os critérios de
Cadeia de Markov, otimização utilizados foram:
Reparável e não
Louit et al. (2011) Teorema de Palm's e confiabilidade instantânea do
reparável
processo de Poisson estoque, intervalo de confiabilidade
do estoque, custo e disponibilidade
do equipamento. Autor assume que
o processo de demanda segue uma
distribuição de Poisson.
Determinar o número de pastilhas
de freio a serem mantidas em
Ghodrati (2012) Não Reparável Processo de Poisson
estoque em uma empresa de
mineração do Irã.
Dimensionamento de estoque
Processo de Poisson
considerando modelo multicritério
Almeida (2001) Reparável e Teoria da utilidade
(MAUT) para as variáveis custos e
multiatributo
risco.
56
A Tabela 3 apresenta uma amostra com 16 trabalhos organizados segundo
abordagem utilizada. Os estudos foram aplicados a equipamentos reparáveis e não
reparáveis. Do total apresentado, 9 trabalhos consideram que as falhas ocorrem segundo
uma distribuição exponencial. Para esta distribuição, a ocorrência de eventos futuros só
depende do estado atual do sistema, ou seja, independe do passado. Esta característica é
denominada falta de memória ou memoryless. Na prática, a propriedade de falta de
memória da distribuição exponencial implica que o equipamento não se desgasta,
restringindo esta abordagem a equipamentos eletrônicos.
Em contrapartida, os modelos envolvendo processo de renovação possibilitam
analisar equipamentos que apresentam mortalidade infantil, falhas aleatórias e desgastes.
Adicionalmente, permitem integrar os efeitos das covariáveis ao seu modelo de previsão
de falhas, tornando-o mais assertivo. No entanto, dado seu desenvolvimento matemático,
este modelo pode apresentar soluções analíticas complexas. Neste caso, soluções
numéricas têm apresentado resultados consistentes para problemas envolvendo processo
de renovação, conforme Xie (1989).
57
Baseado nas definições teóricas observadas, é apresentado uma sequência de
quatro passos para o dimensionamento dos sobressalentes:
58
c) Identificação da distribuição de probabilidade dos dados de falhas
considerando os efeitos das covariáveis – Esta etapa compreende todo
procedimento estatístico para análise do tempo de vida do equipamento,
podendo ser aplicado modelos paramétricos e não paramétricos. A definição
das covariáveis é baseada em estudos que envolvem modelos de riscos
proporcionais ou tempo de vida acelerado.
variáveis aleatórias indexadas no tempo, isto é, para cada t ϵ T, X(t) é uma variável
aleatória. O índice t é interpretado como o tempo e X(t) é o estado de um processo no
tempo t (GNEDENKO; USHAKOV, 1995). Os processos estocásticos são divididos em
duas categorias: processo discreto e contínuo.
Segundo Ross (2010), quando T é um conjunto contável o processo estocástico é
dito ser discreto. Caso T seja um intervalo real, o processo estocástico é contínuo no
tempo. Isto é, para um instante {Xn, n=0,1,.....} é um processo estocástico de tempo
59
discreto indexado por um inteiro não negativo, enquanto {X(t), t ≥0} é um processo
estocástico de tempo continuo indexado por número real não negativo. O conjunto
formado por todos os possíveis valores que a variável aleatória X(t) pode assumir é
denominado espaço de estados. Da mesma forma, o conjunto formado pelos elementos
de T é chamado espaço de parâmetros. Os processos estocásticos mais comuns são:
processo estacionários, independentes, Markovianos, nascimento e morte, semi-
markovianos, renovação, contagem, Poisson.
Dentre os processos discretos, os processos pontuais são amplamente usados em
teoria da confiabilidade para descrever a ocorrência de eventos no tempo (falhas, reparos
e demandas). Um conhecido processo pontual é denominado processo de renovação.
Segundo Gnedenko e Ushakov (1995), em teoria da confiabilidade este tipo de modelo
matemático é usado na descrição do fluxo de falhas no tempo.
_ = max{d/ e ≤ } (25)
60
Normalmente, o interesse recai em determinar o valor esperado de N(t), E [N(t)],
que informa o número esperado de renovações no intervalo (0,t] (ROSS, 2010). Dado que
Tk é resultante da soma de “n” variáveis aleatórias i.i.d., a função densidade de
probabilidade para Tk é obtida pela n-upla convolução de f(t) (GNEDENKO;
USHAKOV, 1995). A distribuição de N(t) pode ser dada pela equação (26)
<_ = ]= = 4
− 4 $
(26)
4
= %
4 $
−. # . (27)
g<_ = = ∑4G$ 4
(28)
g<_ h =
=
=
ij<[
i
(29)
Note que a função de renovação representada pela equação 28 é dada pelo valor
esperado do número de renovação até a n-ésima falha. Segundo Fogliatto e Ribeiro
(2009), considerando que as variáveis aleatórias relacionadas a manutenção podem
assumir diferentes distribuições de probabilidade, a resolução da equação 28 pode não ser
trivial. A complexidade é crescente com o aumento dos parâmetros da distribuição de
probabilidade, sendo o número de renovações obtido por aproximação a partir de
integração numérica ou técnicas de simulação, conforme XIE (1989).
Gnedenko et al. (1969), propuseram uma expressão simplificada para a função de
renovação, considerando as seguintes restrições: caso o tempo de operação “t” seja longo
61
e diversas renovações sejam realizadas durante este período, o número médio de
renovações g<_ = pode ser expresso por:
+
g<_ = = k+ l9 : − 1m
$ -
+ k
(30)
Onde:
t – Tempo projetado para análise de renovação;
k – Tempo médio entre Falhas;
σ(T) – Desvio padrão do tempo médio entre falhas;
+
g<_ = = k+ l9 : − 1m + nk Ф /
$ - - $
+ k k
(31)
Onde:
Ф $
/ – Parâmetro tabelado que reflete a probabilidade de escassez do estoque.
Conforme Sheikh, Callom e Mustafa (1991), a Tabela 4 apresenta os valores desse
parâmetro.
p x 100 Ф-1 (p) p x 100 Ф-1 (p) p x 100 Ф-1 (p) p x 100 Ф-1 (p)
50.00 0.00 75.00 0.67 80.00 0.84 84.13 1.00
85.00 1.04 89.44 1.25 90.00 1.28 93.32 1.50
94.00 1.56 94.52 1.60 95.00 1.65 96.00 1.75
97.00 1.88 97.72 2.00 98.00 2.05 98.61 2.20
99.00 2.33 99.18 2.40 99.38 2.50 99.50 2.57
99.60 2.65 99.70 2.75 99.80 2.88 99.86 3.00
99.90 3.09 99.93 3.20 99.99 4.00
62
Em algumas situações práticas que envolvem a quantificação das falhas em
equipamentos, o processo de renovação torna-se mais assertivo caso as variáveis
ambientais sejam contempladas no modelo. Tais condições operacionais podem ser
representadas por propriedades físico-químicas do ambiente (temperatura, pressão,
umidade, salinidade), pelas condições de instalação e uso dos equipamentos, dentre outras
formas. Esses fatores são denominados de covariáveis ou variáveis explanatórias.
Segundo os estudos de Ghodrati e Kumar (2005), ignorar as condições operacionais pode
conduzir a uma diferença de 20% na expectativa de sobressalentes. Esse estudo foi
desenvolvido em uma mina na Suécia, para o dimensionamento de macacos hidráulicos.
Pr ≤ :. = :. = (32)
63
vida acelerado) são mais eficientes, porém menos flexíveis que os modelos semi-
paramétrico. A segunda categoria de modelos, também denominado de modelo de
regressão de Cox ou riscos proporcionais, é bastante flexível e permite incorporar
covariáveis dependentes do tempo.
Segundo Lawless (2002), a escolha do modelo apropriado resulta da observação
gráfica do logaritmo acumulado da taxa de falha versus o tempo para falha da unidade,
considerando cada covariável. Caso o modelo de taxas proporcionais seja mais adequado,
espera-se que ao traçar o gráfico para cada covariáveis, se obtenha, aproximadamente,
linhas paralelas deslocadas ao longo do eixo das ordenadas. Se o modelo de vida
acelerado for mais adequado, o que se espera encontrar são, aproximadamente, linhas
paralelas transladadas ao longo do eixo das abscissas (ACCIOLY, et al., 1995).
s = t% + t$ . + u (33)
Onde: o termo “Y” representa a variável resposta, “x” é a covariável, “β0” e “β1” são os
parâmetros a serem estimados e “ԑ” refere-se ao erro aleatório com distribuição normal.
64
para transformação logarítmica da resposta deverá ser aplicado. As equações em
sequência apresentam as funções de confiabilidade para a regressão exponencial e
Weibull respectivamente.
Exponencial:
s = xyz = t% + t$ . + { (35)
/. = './{− }
U|}{~• ~€ |}
(36)
Weibull:
/. = exp{− $/-
…†‡{| ˆ ~}
} (38)
65
Onde “x” é um vetor linha que representa as covariáveis e “β” é um vetor coluna
consistindo dos parâmetros de regressão. Diferentes distribuições podem ser
utilizadas para representar a função g(x β). Segundo Ghodrati e Kumar (2005), a forma
exponencial é a mais utilizada devido sua generalidade e simplicidade. Assim, a equação
39 pode ser reescrita como:
= = exp .E β − .‹ β
(E /|• (• U|} |• •
(‹ /|Ž (• U|} |Ž •
(41)
A Figura 17 mostra as curvas das taxas de falha acumulada para dois grupos na
escala logarítmica. O grupo 2 apresenta um risco acumulado maior no início do
acompanhamento. Esta taxa permanece, contudo, menor do que a taxa acumulada do
66
grupo 1 no restante do tempo (a partir de t = 14 unidades de tempo). Neste caso, as taxas
de falha não são proporcionais e, portanto, violam a suposição básica do modelo. As
curvas seriam proporcionais se mantivessem uma diferença constante ao longo do período
de acompanhamento em uma escala logarítmica.
Conforme Colosimo e Giolo (2006), para análise da proporcionalidade dos riscos
acumulados é satisfatório considerar o não cruzamento das curvas para aplicação do
modelo. A Figura 18 apresenta dois exemplos nos quais o modelo de riscos proporcionais
pode ser utilizado.
–E
B t = ∏eEG$ ∏4EG$ ” •
U|}{|• •} U|}{|• •}
∑ U|}•|Ž •‘ ∑ U|}•|Ž •‘
= (42)
Ž’“ @• Ž’“ @•
67
Onde:
δi é o indicador de falha. Os valores de β que maximizam a função de verossimilhança
parcial, L(β), são obtidos resolvendo-se o sistema de equação definido por U(β)=0, sendo
U(β) o vetor referente a derivada primeira da expressão L(β), ou seja:
∑Ž’“ @• |Ž U|}•|Ž •‘
— t = ∑4EG$ ˜™ l.™ − ∑Ž’“ @• U|}•|Ž •‘
m =0 (43)
68
3. CARACTERIZAÇÃO DO PROBLEMA
69
O problema a ser estudado nesta dissertação corresponde ao dimensionamento de
itens sobressalentes utilizados no contexto da elevação do petróleo. De forma mais
específica, o modelo será aplicado para definir a quantidade de elementos sobressalentes
para poços que utilizam bombeio centrífugos submersos (BCS), analisando o conjunto
submerso. Porém, o mesmo modelo pode ser aplicado a outros sistemas desde que os
dados de falha estejam disponíveis.
O conjunto motobomba para bombeio centrifugo submerso foi escolhido tendo
em vista o conflito de interesse que envolve sua aquisição. Considerando unidades com
potência mecânica de 48 HP, seu valor de aquisição pode representar um investimento
aproximado de $145.000,00, baseado em cotação realizada em 03.08.2015. Em
contrapartida, a falta deste item pode envolver lucros cessantes expressivos. Dessa forma,
estudos que tratam recursos dessa ordem requerem uma ferramenta estruturada para
subsidiar a tomada de decisão.
O bombeio centrifugo submerso é um método artificial de elevação no qual o
conjunto motobomba é instalado na subsuperfície (profundidade variável conforme
reservatório), alimentado em alta tensão mediante cabo elétrico. O comando liga / desliga
do conjunto BCS é realizado a partir de um painel instalado na superfície. Este sistema
apresenta cinco componentes principais: painel elétrico, cabo elétrico de superfície, cabo
elétrico de subsuperfície, bomba e motor elétrico. O estudo foi aplicado aos componentes
de subsuperfície (cabo, bomba e motor elétrico).
Os equipamentos instalados na superfície são mantidos por rotinas preditivas. Para
os componentes instalados na subsuperfície, dado as restrições técnicas e econômicas, a
manutenção preventiva destes equipamentos torna-se inviável. Neste caso, os
equipamentos instalados na subsuperfície operam até a falha, sendo todo o conjunto
substituído durante a intervenção. O conjunto em pane é enviado para reparo e retorna ao
estoque na condição de "tão bom quanto novo". A Figura 19 mostra o diagrama
esquemático de um poço que utiliza BCS.
70
Figura 19- Diagrama esquemático poço BCS
Fonte: Elaborado pelo autor
71
1’’
Figura 20- Sistema BCS
Fonte: Elaborado pelo autor
72
3.1 LOCALIZAÇÃO
73
Figura 22- Plataforma de Produção
Fonte: Elaborado pelo autor
74
Figura 23– Localização dos estoques
Fonte: Elaborado pelo autor
Conforme observado na Figura 23, as plataformas do Ceará são atendidas por três
almoxarifados do usuário e um almoxarifado central, localizado na cidade de Mossoró -
RN. Além do armazenamento os itens estratégicos para a unidade de negócio, os
almoxarifados centrais são responsáveis pelo abastecimento dos estoques locais. Devido
à natureza estratégica do item estudado, este material é gerenciado pelos almoxarifados
centrais.
75
4. MATERIAIS E MÉTODOS
Uma pesquisa pode ser classificada de quatro diferentes formas, de acordo com a
sua natureza, objetivo, procedimentos técnicos e abordagem do problema. Quanto à
natureza, a pesquisa é classificada como aplicada. Segundo Gil (1999), a pesquisa
aplicada visa à geração de conhecimento para aplicação direcionada à solução de
problemas específicos. Com relação aos objetivos, a pesquisa é categorizada como
descritiva. Conforme Gil (2002), a pesquisa descritiva objetiva a descrição das
características de um dado fenômeno, de forma a estabelecer relações entre variáveis.
Segundo Engel (2009) este tipo de pesquisa visa a descrição de fatos e fenômenos de
determinada realidade.
Quanto à estratégia de pesquisa utilizada, o estudo classifica-se como modelagem
e simulação. A modelagem e simulação busca descrever comportamento de sistemas
físicos, mediante análise matemática e computacional. A pesquisa tem uma abordagem
quantitativa, dado a verificação analítica dos resultados de pesquisa. Segundo Gressler
(2004), a abordagem quantitativa tem, em princípio, a intenção de garantir a precisão dos
resultados, evitar distorções de análise e interpretações, estabelecendo hipóteses que
exprimam uma relação de causa e efeito.
Segundo Tozoni-Reis (2007), toda pesquisa deve ser operacionalizada visando a
produção de diretrizes e orientações, para fazer do caminho da investigação algo
significativo na busca dos conhecimentos necessários para a produção científica. A
constituição da pesquisa é composta por algumas etapas, iniciando com a formulação do
problema e finalizando com as conclusões, onde os resultados da pesquisa são expostos.
76
Como forma de sistematizar a pesquisa, o estudo foi categorizado em etapas conforme
ilustrado na Figura 24.
77
2) Para processos críticos, onde a parada de equipamentos representa elevados lucros
cessantes, a responsividade do estoque é fundamental para minimização da
indisponibilidade dos sistemas.
78
4.3 MODELO CONCEITUAL
O reparo é
SIM considerado “tão NÃO
, bom quanto novo”?
Cálculo do número de
Expectativa de falhas para o período Ciclo de reparo
manutenção preventiva projetado
5
Previsão do número de
Validação
Sobressalentes
4
79
Conforme observado no Quadro 3, o procedimento para alocação de sobressalentes
envolve 5 etapas básicas, explicado a seguir:
a) Etapa 1
Mecanismo
Equipamento Função Modo de Falha Covariável
da falha
Converter energia
Baixa resistência Umidade Nível de
Motor Elétrico elétrica em
de isolação elevada umidade
mecânica
Bomba Baixa eficiência Desgaste do Salinidade
Transferir fluído
Centrífuga da bomba rotor do fluído
Queima da Variação da Nível de
Lâmpada Fornecer Luz
lâmpada tensão elétrica Tensão
Transformar tensão Queima do
Fonte de Temperatura Nível de
alternada em circuito de
alimentação elevada temperatura
contínua retificação
Fonte: Elaborado pelo autor
b) Etapa 2
80
problema. Ghodrati e Kumar (2005) e Barabadi et al. (2014), consideram que as
covariáveis possuem um efeito importante ao estudo caso sua significância (valor p) seja
menor ou igual a 10%, a partir do teste da razão da máxima verossimilhança (TRV) e
considerando o método Stepwise.
O método Stepwise envolve a aplicação de dois passos: o passo 1 compara os
valores do logaritmo da função verossimilhança maximizada considerando o modelo nulo
(sem covariável) e cada covariável. A estatística de teste é dada por:
81
aos dados de falhas. Conforme associação dos itens (série, paralelo ou misto) e os valores
das covariáveis, os parâmetros sistêmicos da distribuição de probabilidade são definidos.
c) Etapa 03
d) Etapa 04
+
g<_ = = k+ l9 : − 1m
$ -
+ k
(45)
Onde:
“t” representa a projeção do tempo para contagem do número de falhas;
“T” representa o tempo médio entre falhas;
“σ(T)” desvio padrão do tempo médio entre falhas.
82
O valor representado por E[N(t)] corresponde ao número de renovações para o
período “t” considerado. Para equipamentos não reparáveis, este resultado é equivalente
ao número de sobressalentes necessários. Caso o equipamento seja reparável, o ciclo
referente a mantenabilidade deve ser considerado, ou seja, o tempo de reparo do item.
e) Etapa 5
83
falhas dos equipamentos foram obtidos mediante relatórios de análise de falha,
totalizando 54 documentos entre janeiro de 2006 a maio 2015. Visando assegurar a
conformidade da coleta, os dados foram “cruzados” entre os diversos sistemas
informatizados.
Segundo Weiga (2010), a coleta documental consiste em um instrumento de
pesquisa para obtenção de dados a partir de fontes primárias, ou seja, documentos que
servirão para posterior elaboração de informações. Para Vieira (2010), a pesquisa
documental consiste em extrair informações de documentos impressos ou eletrônicos e
trabalha-las, com o objetivo de enriquecer a argumentação no trabalho.
84
5. APLICAÇÃO DO MODELO
85
Conforme mostrado na Tabela 6, para cada componente que forma o sistema BCS,
existe um conjunto de covariáveis que “acelera” o processo de falha. Considerando o item
motor elétrico, um modo de falha característico é a baixa resistência de isolação. Esta
anormalidade conduz a queima do motor (consequência), sendo a contaminação do óleo
isolante uma provável causa. A covariável que representa este modo de falha pode ser
traduzida pelo erro de montagem durante a instalação do conjunto motobomba, ou seja,
fator humano. A Figura 25 mostra uma imagem do óleo contaminado com fluído do poço.
Procedimento semelhante foi adotado para os demais componentes.
86
5.2.1 Etapa 2: análise dos dados - Componente bomba
A análise dos dados de falhas teve como fase precedente a coleta dos eventos. A
Tabela 7 mostra o histórico dos tempos entre falhas e as covariáveis dicotomizadas para
o componente bomba.
87
(1) RGO: A razão gás óleo mensura a relação entre a vazão de gás e a vazão de
óleo. Poços com elevada RGO podem favorecer o efeito da cavitação1 na
bomba e reduzir a eficiência do conjunto. Essa covariável também é útil para
avaliar o desempenho do separador de gás. Para poços cuja RGO é menor que
30 m³/m³, foi considerado como indicador numérico o valor 0. Nos demais
casos essa variável recebeu o valor 1.
(4) Vazão Bruta: A vazão bruta é um indicativo da produção do poço. Poços com
baixa vazão favorecem o aquecimento do conjunto e a cavitação da bomba.
Aos poços com produção bruta maior que 30 m³/dia foi atribuído valor 0. Nos
demais casos essa variável recebeu o valor 1;
1
Cavitação em bombas centrífugas é a formação de bolhas de vapor e posterior colapso das mesmas no
interior da bomba. Este fenómeno ocorre quando a pressão estática do fluido bombeado, a uma determinada
temperatura, atinge valor igual ou inferior à pressão de vaporização do líquido. A implosão das bolhas
ocorrerá quando a pressão absoluta for novamente superior a pressão de vapor do líquido. Este fato pode
provocar erosão dos internos e diminuir a eficiência da bomba (MATTOS E FALCO, 1989).
88
Em sequência, os dados de falhas foram analisados objetivando identificar a
distribuição de probabilidade mais aderente aos eventos. O ajustamento aos modelos
probabilísticos considerou as distribuições: exponencial, lognormal e Weibull. Conforme
indicado por Pallerosi (2006), para a estimação dos parâmetros da distribuição, o método
da máxima verossimilhança é preferível para pequenas amostras em detrimento ao
método dos mínimos quadrados. A Figura 26 mostra os papéis de probabilidade para as
distribuições testadas. A análise dos eventos de falhas foi realizada mediante o programa
computacional Weibull ++® da Reliasoft.
89
Tabela 8 - Teste de aderência: bomba
Distribuição Teste KS
Exponencial 0,5043
Lognormal 0,5337
Weibull 0,3727
Fonte: Elaborado pelo autor
O valor do parâmetro de forma (γ) mostrado na Tabela 9 indica que o item opera
na região de desgaste da curva da banheira, caracterizado pelo aumento gradativo da taxa
de falha. O valor do parâmetro de escala (297 dias) indica o tempo no qual 63% das
unidades já falharam. A Figura 27 apresenta os gráficos para a taxa de falha e a
confiabilidade do item.
90
Figura 27– Papéis de probabilidade: bomba
Elaborado pelo autor
Estatística de
Passos Modelo -2logL(Ѳ) Valor p
Teste (TRV)
Nulo 55,799
V1 55,793 0,006 0,938257876
V2 55,457 0,342 0,558677053
Passo 1
V3 55,794 0,005 0,943628022
V4 48,369 7,43 0,006414534
V5 55,744 0,055 0,814580697
V1+V2+V3+V4+V5 46,252
V1+V2+V3+V4 46,727 0,475 0,490695883
V1+V2+V3 55,375 8,648 0,003274206
Passo 2
V1+V2 55,437 0,062 0,803362335
V1 55,793 0,356 0,550736169
Nulo 55,798 0,005 0,943628022
91
Conforme observado na Tabela 10, a covariável V4 (vazão bruta) apresentou
resultado significativo ao estudo, confirmado pelo valor “p”. Analisando esta covariável
sob o ponto de vista operacional, a vazão bruta de petróleo depende das características do
reservatório. A Tabela 11 apresenta a estimativa para a covariável vazão baseada no
método da máxima verossimilhança parcial
Conforme observado na Tabela 11, a taxa de risco para poços com baixa vazão
(<30m³) é 6,93 vezes a taxa de risco dos poços com vazão bruta acima de 30m³. Como
esperado, poços com baixa vazão apresentam maior possibilidade de falha quando
comparado aos poços de maior vazão, dado a tendência de operarem fora da curva de
eficiência da bomba, aumentando o aquecimento do conjunto e a possibilidade de
cavitação. A equação 46 mostra a taxa de falha para o item bomba considerando o modelo
de risco proporcionais com distribuição Weibull.
4 4
γ ¥ $
& , . = &% ∗ './ ¡¢ t‹ .£ = ” • ∗ './ ¡¢ t .£
¤ ¤
‹G$ ‹G$
%,¦§§
& ,. = 9+¨©: ∗ './ 1,94 .
$,¦§§
+¨©
(46)
Onde: “x” representa os possíveis valores que a covariável vazão pode assumir: 1 (um)
para poços com vazão < 30m³ e 0 (zero) para poços com vazão >30m³. Importante notar
(equação 46) que a taxa de falha é multiplicada por um fator correspondente à covariável.
Este termo pode assumir valor 1 (condição em que o termo “x” assume zero) ou um
número positivo. Neste caso, a covariável acelera a falha do equipamento.
Visando analisar a suposição de proporcionalidade das taxas de falha, Colosimo e
Giolo (2006) apresentam duas técnicas: método gráfico descritivo e método com
92
coeficiente dependente do tempo. O método gráfico descritivo analisa o logaritmo da taxa
de falha acumulada em função do tempo. Conforme indicado pelo autor, a suposição de
riscos proporcionais é válida quando as curvas não apresentam cruzamento ao longo do
tempo.
O método com coeficiente dependente do tempo é baseado na análise dos resíduos
de Schoenfeld. Essa técnica pode ser aplicada usando análise gráfica do resíduo (análise
descritiva) ou a partir do coeficiente de Pearson (ρ) entre os resíduos padronizados de
Schoenfeld (análise quantitativa). As Figuras 28 e 29 apresentam a análise descritiva para
teste da suposição de riscos proporcionais. A Tabela 12 mostra a análise quantitativa.
93
Tabela 12– Coeficiente de Pearson: bomba
Conforme indicado pela Figura 28, o gráfico representado pelo logaritmo da taxa
de falha acumulada ao longo do tempo, confirma a suposição de proporcionalidade. Este
fato é observado pelo não cruzamento das curvas. O gráfico do resíduo padronizado de
Schoenfeld (Figura 29) mostra que não existe tendência expressa pela covariável,
evidenciado pela ausência de inclinação ao longo do tempo. Este fato confirma a
suposição de proporcionalidade.
Por fim, a Tabela 12 apresenta o coeficiente de Pearson para a covariável em
estudo. Conforme indicado por Colosimo e Giolo (2006), valores de “ρ” próximos de
zero mostram não haver evidencias para rejeição da hipótese de riscos proporcionais. Os
testes realizados validam o uso da covariável vazão no modelo de riscos proporcionais.
Importante ressaltar que a covariável vazão será incluída ao modelo para os poços que
apresentam vazão inferior a 30m³/dia.
94
Tabela 13– Dados de falha: Motor
Tempo Status BSW Vazão Fator Profundidade Potência
Evento
operação Censura (%) bruta (m³) Humano (m) (HP)
1 277 1 1 0 0 0 0
2 265 1 0 1 1 1 1
3 282 1 1 0 0 0 0
4 1185 1 0 1 0 0 1
5 629 1 0 0 0 0 1
6 390 1 1 1 1 1 0
7 472 1 1 0 0 0 1
8 205 1 0 1 0 1 0
9 1224 1 1 0 0 0 0
10 672 1 0 0 0 1 1
11 280 1 1 0 1 0 0
12 213 1 1 0 1 0 0
13 469 1 1 0 1 0 0
14 1039 1 0 0 0 1 1
15 212 1 0 0 1 1 0
16 62 1 1 1 1 1 0
17 626 1 0 0 0 0 0
18 715 1 0 0 0 1 0
19 1953 1 0 0 0 1 1
20 828 1 1 0 0 0 0
21 567 1 0 1 0 0 0
Fonte: Elaborado pelo autor
(1) BSW - Poços cujo o BSW apresentou valor menor que 40%, foi atribuído o
valor 0. Nos demais casos essa variável recebeu o valor 1;
(2) Vazão Bruta - Poços com produção bruta de petróleo maior que 30 m³/dia foi
atribuído valor 0. Nos demais casos essa variável recebeu o valor 1;
95
(3) Fator Humano: Corresponde a covariável que agrega os aspectos humanos
relacionados a instalação do motor. Os erros mais comuns observados foram:
torque inadequado na conexão do cabo ao motor (pot head), nível de óleo
isolante menor que o necessário e ausência de óleo isolante. Para os poços
cujas falhas ocorreram devido ao fator humano, o valor atribuído foi 1;
(5) Potência do motor elétrico: a potência do motor elétrico apresenta uma relação
direta com a energia térmicas dissipada. Aos poços que apresentaram potência
igual ou inferior a 72 HP, atribui-se valor igual a 0. Nos demais casos, essa
variável recebeu o valor 1;
96
Figura 30 Papéis de probabilidade: motor elétrico
Elaborado pelo autor
97
Tabela 15 - Parâmetros da Distribuição Weibull: motor elétrico
Para a seleção das covariáveis, aplicou-se o método Stepwise cujo resultado foi
consolidado na Tabela 16. Conforme observado, a covariável fator humano (V3)
apresentou resultado estatisticamente significativo nos dois passos executados para
seleção. A covariável potência do motor (V5) mostrou-se significativa no primeiro passo,
porém, no segundo seu valor “p” foi 15,54%. Dessa forma, somente a covariável V3
(Fator Humano) foi selecionada.
98
Tabela 16– Seleção de covariável: motor
Estatística de
Passos Modelo -2logL(Ѳ) Valor p
Teste (TRV)
Nulo 90,76
V1 89,443 1,317 0,251131167
V2 89,479 1,281 0,257713185
Passo 1
V3 79,917 10,843 0,000991699
V4 90,757 0,003 0,956319904
V5 87,576 3,184 0,074362484
V1+V2+V3+V4+V5 77,422
V1+V2+V3+V4 79,44 2,018 0,155443763
V1+V2+V3 79,507 0,067 0,79575593
Passo 2
V1+V2 87,154 7,647 0,005686681
V1 89,442 2,288 0,130377829
Nulo 90,76 1,318 0,250951304
%,¬-$¨
& ,. = 9 : ∗ './ 2,2139 .
$,¬-$¨
¦¦§,©© ¦¦§,©©
(47)
99
experiente) e um (profissional não experiente). Em sequência, a Figura 34 apresenta o
gráfico do resíduo padronizados de Schoenfeld e a Tabela 18 o coeficiente de Pearson.
100
o modelo que representa o processo de falha para o componente motor elétrico deve ser
expresso com a inclusão da covariável fator humano.
Tempo
Evento Status Censura RGO (m³/m³) Fator Humano Potência (HP)
operação
1 514 1 1 0 0
2 548 1 1 0 0
3 23 1 0 1 0
4 723 1 1 0 0
5 688 1 1 0 0
6 899 1 0 0 0
7 211 1 1 1 0
8 160 1 0 0 0
9 427 1 1 1 0
10 294 1 1 0 1
11 746 1 0 1 0
12 220 1 0 1 0
13 715 1 1 0 0
14 69 1 0 1 0
15 194 1 1 1 0
16 269 1 1 1 0
17 661 1 0 0 0
18 953 1 1 0 0
Fonte: Elaborado pelo autor
101
(1) RGO: poços com elevada RGO podem favorecer a degradação do isolamento
do cabo, promovendo o descolamento da isolação. Para poços cujo RGO é
menor que 30 m³/m³, considerou-se como indicador numérico o valor 0. Nos
demais casos essa variável recebeu o valor 1;
(3) Potência: a potência elétrica tem relação direta com a corrente circulante no
cabo. Essa covariável procura avaliar a eficiência das emendas no tocante a
pontos de má conexão elétrica. Para poços cuja potência do conjunto BCS é
menor ou igual a 72 HP, foi atribuído valor 0. Nos demais casos, valor 1.
102
Figura 34– Papéis de probabilidade: cabo elétrico
Elaborado pelo autor
103
A Tabela 21 indica que os parâmetros de forma e escala apresentaram valores de
1,55 e 509 dias, respectivamente. A Figura 35 mostra o comportamento da taxa de falha
e da confiabilidade em função do tempo.
Estatística de
Passos Modelo -2logL(Ѳ) Valor p
Teste (TRV)
Nulo 72,79
V1 72,653 0,137 0,711281823
Passo 1
V2 68,554 4,236 0,039575303
V3 72,494 0,296 0,586400997
V1+V2+V3 67,524
V1+V2 68,418 0,894 0,344395643
Passo 2
V1 72,653 4,235 0,039598624
Nulo 72,79 0,137 0,711281823
%,--
& ,. = 9 : ∗ './ 1,0912 .
$,--
-%¨,-§ -%¨,-§
(48)
Visando validar o uso da covariável fator humano, as Figuras 36 e 37, bem como
a Tabela 24 mostram, respectivamente, o logaritmo da taxa de falha acumulada, o resíduo
de Schoenfeld e coeficiente de Pearson.
105
Figura 37–Resíduo de Schoenfeld: Cabo
Fonte: Elaborado pelo autor
Conforme mostrado na Figura 36, não foi observado situação extrema de violação
da suposição de proporcionalidade, caracterizado por curvas que se cruzam. Para a Figura
37 e Tabela 24, a análise foi baseada a partir da comparação com casos práticos abordados
no livro de Colosimo e Giolo (2006). Segundo esses autores, variações que não
representam tendência acentuada ao longo do tempo são um indicativo de
proporcionalidade das taxas de falhas. Em adição, o valor de -0,357 para o coeficiente de
Pearson (ρ) é representativo quando comparado aos estudos abordados em Colosimo e
Giolo (2006).
106
€
¤ = ¤% ¯
9 :
° (49)
Onde:
c = expŠ∑4‹G$ ²‹ ³‹ Œ
Conforme observado na Tabela 25, o bloco RBD1 indica que a ocorrência das
falhas no sistema BCS não possuem relação com as covariáveis, representando um valor
de 61% dos eventos. Da mesma forma, o bloco RBD3 indica que as falhas foram
influenciadas somente pela covariável fator humano no item motor elétrico, perfazendo
13% dos eventos ocorridas. A análise dos cenários é necessária porque cada covariável
107
exerce impacto no tempo médio e mediano do item. Isso reflete no número de
sobressalentes necessários ao estoque. Conforme indicado pela equação 48, os parâmetros
de escala foram corrigidos conforme o efeito da covariável sobre o item. Para cada
cenário, a Tabela 26 consolida os novos valores.
108
Para efeito de comparação, tomando o tempo mediano (tempo no qual 50% das
unidades já falharam), o Cenário 01 apresenta um valor de 165 dias. Da mesma forma, o
Cenário 02 resulta em 67 dias. A diferença de valores representa a influência da
covariável vazão sobre a taxa de falha do sistema. Porém, conforme representado pela
Tabela 25, apenas 11% das falhas compõem o Cenário 02. A Tabela 27 mostra algumas
medidas de tendência central e variabilidade do sistema BCS.
Conforme observado na Tabela 27, o desvio padrão para cada cenário apresentou
valor considerável quando comparado ao tempo médio. Este fato deve-se a aleatoriedade
dos dados e a necessidade de considerar todos os eventos para identificação das
covariáveis. Neste caso, a amplitude do tempo de operação para cada componente
apresentou valores expressivos, refletindo no desvio padrão.
109
Figura 40– Visão geral da oficina
110
Figura 42– Desgaste rotor bomba centrífuga
111
Figura 44– Presença de incrustação na sucção da Bomba
Para os componentes elétricos, cabo e motor, são aplicados testes elétricos visando
identificar baixa isolação e desequilíbrio na resistência ôhmica. Por fim, o conjunto
motobomba é testado a fim de comparar os parâmetros de vazão, pressão e corrente
elétrica com os valores nominais do conjunto. Após o reparo no equipamento, o conjunto
motobomba é mantido em estoque para uso posterior.
Além das questões relativas à manutenção, a escolha do modelo para previsão das
falhas é baseada na análise da suposição i.i.d dos dados (dados independente e
identicamente distribuídos). Em probabilidade e estatística, a suposição i.i.d corresponde
a uma sequência de eventos aleatórios que possuem a mesma distribuição de
probabilidade e são independentes entre si (KUMAR et. al, 2000). O conceito de variáveis
aleatórias independentes significa que a ocorrência de um evento X1 no tempo T1 (tempo
ao longo do calendário) não afeta outro evento X2 em T2. Em manutenção, essa relação
entre evento pode indicar uma política de reparo imperfeito e ou reparo mínimo.
Diversas ferramentas são disponíveis para análise da suposição i.i.d dos dados de
falhas. Cho e White (2011), apresentam algumas ferramentas para testes de hipóteses i.i.d,
baseado na análise de correlação e tendência dos dados. Uma discursão sobre o uso
abusivo da suposição i.i.d foi apresentado por Ascher e Feingold (1984). Kumar et. al
(1989) e Ghodrati e Kumar (2005), testaram a suposição i.i.d mediante análise descritiva
dos dados.
112
Baseado em Kumar et. al (1989), os dados de falhas para cada componente que
formam o sistema BCS foi analisado. Visando assegurar a identidade dos dados, o tempo
acumulado das falhas contra o número de falhas foi traçado. A inexistência de tendência
ou estrutura foi observado pela linearidade do conjunto de dados. A independência dos
tempos entre falhas foi analisada pelo teste de correlação serial, onde o (i-1)th tempo entre
falhas foi plotado contra o ith tempo entre falhas. Os gráficos apresentados nas Figuras
45, 46 e 47 mostram os testes aplicados para análise da suposição i.i.d para cada
componente.
113
Figura 47 - Teste da suposição i.i.d: Motor
Fonte: Elaborado pelo autor
Conforme observado nas Figuras 45, 46 e 47, não foram observados indícios que
violem a suposição dos dados serem independentes e identicamente distribuídos (i.i.d).
Considerando tais circunstancias, o equipamento foi analisado mediante o processo de
renovação.
+
g<_ = = k+ l9 : − 1m
$ -
+ k
(30)
114
Tabela 28 apresenta os resultados encontrados usando a equação 30 e o algoritmo de Xie
(1989), considerando a previsão para 365 dias e um equipamento.
115
Em contrapartida, considerando a reparabilidade do item, o ciclo referente à
mantenabilidade deve ser integrado ao estudo. Ou seja, para equipamentos reparáveis, o
número de falhas observado na Tabela 29 não corresponde ao número de sobressalentes
necessários. Isso ocorre porque após a falha do equipamento e transcorrido o tempo
relativo ao reparo, o item retorna ao estoque na condição de novo. Nesse caso, a seguinte
situação deve ser analisada: durante a ocorrência do evento de falha existe item reparado
em estoque?
Para o problema analisado, foi desenvolvido um programa em C++ que gera
eventos aleatórios (ao longo do calendário) baseados nos parâmetros da distribuição
Weibull. Considerando um tempo de reparo determinístico de 15 dias (conforme
Apêndice E), a lógica do programa consiste em comparar os seguintes vetores: tempo no
qual a falha irá ocorrer e a existência de item reparado em estoque. A Figura 48 apresenta
um diagrama de blocos que explica o programa desenvolvido.
116
Figura 48– Diagrama de blocos: programa desenvolvido
Fonte: Elaborado pelo autor
117
Tabela 30– Número de Sobressalentes
Total das Número de Nível de Confiança
Potência Mecânica Número de poços
Falhas no Sobressalentes final do estoque
do BCS Instalados
período
48 HP 6 Unidades 14 Falhas 4 93,79%
62 HP 13 Unidades 29 Falhas 7 97,10%
72 HP 8 Unidades 18 Falhas 5 96,39%
Fonte: Elaborado pelo autor
Conforme observado na Tabela 30, para BCS cuja potência é 48HP, será
necessário que a organização disponha de quatro unidades sobressalentes a fim de atender
14 ocorrências de falhas em um ano. Neste caso, o estoque irá atender as demandas do
processo de manutenção considerando um nível de confiança de 94%. Nas demais
situações, serão necessárias 7 unidades para os poços cuja potência é 62HP e 5 unidades
de 72HP.
O termo nível de confiança do estoque corresponde à taxa de atendimento da
demanda ou fill rate. Um fill rate de 90% indica, por exemplo, que 90% das demandas
serão atendidas sem que haja a quebra do estoque (falta do item) ou stockout. Segundo
Kumar et. al (2000), diversas companhias aéreas preferem utilizar uma taxa de
atendimento de 85%, ao passo que as indústrias (em geral) optam por 70% . A definição
do nível de confiança depende do item e do contexto relacionado a sua aplicação
118
Conforme dados da Figura 49, imobilizando 3 unidades sobressalentes em
estoque, o nível de atendimento à demanda será 68%, requerendo um investimento de R$
1.470.000,00. Na situação atual, a empresa imobiliza 6 unidades deste item em estoque,
perfazendo um custo de aquisição equivalente a R$ 2.940,000,00. Neste montante será
acrescido o valor correspondente à manutenção do estoque, risco de obsolescência e o
custo de oportunidade do capital. Este último pode atingir somas que perfazem 20 a 40%
do valor em estoque (SANDVIG; ALLAIRE, 1998).
119
6. CONCLUSÃO
120
comportamento das falhas ao longo do tempo, mediante quantificação dos parâmetros de
confiabilidade, representa um fator competitivo importante para a organização.
O estudo difere das demais abordagens apresentadas pela literatura principalmente
pelo uso de equipamentos reparáveis integrados ao processo de renovação. Diversos
modelos existentes consideram que os equipamentos são consumíveis e seguem uma
distribuição exponencial, podendo ser analisado mediante processo de contagem
envolvendo Poisson. Essa forma de análise é bastante restrita e mais aplicável a
equipamentos que possuem modo de falha aleatório.
Na abordagem apresentada, a gestão de itens sobressalentes reparáveis foi baseada
em confiabilidade industrial, com o uso de covariáveis. A ideia geral do modelo é
fundamentada na seguinte premissa: o número de sobressalentes necessários depende da
quantificação das falhas ao longo do tempo e do ciclo definido pelo processo de reparo.
A numeração das falhas ao longo do tempo foi definida pelo processo de renovação, dado
a condição de “tão bom quanto novo” das unidades reparadas. O ciclo referente à
mantenabilidade foi simulado e validado mediante um algoritmo desenvolvido em
linguagem C++.
O diagrama de blocos de confiabilidade para o sistema em estudo, também
conhecido como RBD (Reliability Block Diagram), considerou os três componentes
principais que representam o sistema BCS: cabo elétrico, bomba e motor. Cada item foi
analisado separadamente e os efeitos das covariáveis integrados ao modelo.
Posteriormente, quatro cenários representativos para os eventos de falha foram definidos
conforme a influência das covariáveis. Isso porque nem toda falha teve relação direta com
as variáveis explanatórias.
Baseado nos cenários definidos, o processo de renovação foi aplicado para
projeção do número de falha no tempo. A aplicação do processo de renovação,
considerando uma distribuição Weibull, não possui uma solução definida. O cálculo foi
conduzido mediante equação definida por Gnedenko et al. (1969), sendo os resultados
validados a partir do algoritmo recursivo desenvolvido por Xie (1989). Neste caso, o
algoritmo foi adaptado visando considerar uma distribuição Weibull com dois
parâmetros.
O estudo destaca-se pela identificação e mensuração das covariáveis no
desenvolvimento do modelo envolvendo confiabilidade. As variáveis explanatórias
tornam o processo de predição das falhas mais assertivo, esclarecendo as relações entre
os eventos e o ambiente externo. Em adição, o estudo mostrou que as covariáveis fator
121
humano e vazão foram representativas, ou seja, influenciam a taxa de falha do
equipamento. Além da aplicação no modelo de confiabilidade, a determinação das
covariáveis pode resultar em outras ações de suporte à gestão, tais como:
122
concretas e fundamentadas no estudo analítico, visando a objetividade na tomada de
decisão.
123
APÊNDICE A – Influência das covariáveis sobre o parâmetro de escala:
distribuição de Weibull
¥ $
& = 9 : expŠ∑4‹G$ t‹ .‹ Œ
¥
? ?
(1)
¥ $
c = expŠ∑4‹G$ t‹ .‹ Œ & = ? 9? : ∗¯
¥
(2) (3)
¥ $ € ¥ $
& = ? 9? : ∗¯ = ”¯ ´V€ ?•
¥ ¥
?
(4)
Dado que:
€
d = ¯ ´V€ (5)
Logo:
¥ $
& = ?9?:
¥ e
(6)
124
¥ $ ¥
= exp 9− & # : = exp ”− 9 : # • = exp 2− 9 : 6
¥ e $ e
% % ?• ?• e 4•
(7)
¥
O »¼ ¥ »¼ ¼ ¥
µ ¶ = ·¸¹ º− ” • ¾ = ¿ÀÁ Â− O Å µ ¶ = ¿ÀÁ ”− •
» N½ » Ã¥
Ä Ä
½
$à Œ $
¤= = ¤% d Š
» ¥
O
» ô Ľ
(8)
€ €V´ €́
¤ = ¤% ¯ = ¤% ¯
9 :∗9 : 9 :
´V€ ´ (9)
γ = γ% (Parâmetro de forma)
€
9 :
¤ = ¤% ¯ ´ (Parâmetro de escala)
125
APÊNDICE B – Algoritmo recursivo para cálculo do número de falhas considerando
processo de renovação: adaptado de Xie (1989)
#include <stdio.h>
#include <stdlib.h>
#include <math.h>
main()
{
double m[100000], f[100000], a, b, t, n, f0;
int i,j,y;
float x;
printf ("Digite o valor do parametro de escala:\n");
scanf("%lf", &a);
printf ("Digite o valor do parametro de Forma:\n");
scanf("%lf", &b);
printf ("Digite o valor da Projecao do tempo:\n");
scanf("%lf", &t);
n=t*100;
f0=1-exp(-pow((0.5*t/n/a),b));
for (i=1; i<=n; ++i){
f[i]=1-exp(-pow(((i+0.5)*t/n/a),b));
m[i]=1-exp(-pow((i*t/n/a),b));
}
for (i=1; i<=n+1; ++i){
for (j=1; j<=i-1; ++j){
m[i]=m[i]+f[i-j]*(m[j]-m[j-1]);
}
m[i]=(m[i]-f0*m[i-1])/(1-f0);
}
printf ("Valor t e m(t):\n");
for (i=1; i<=20; ++i){
x=i*t/20;
y=i*n/20;
printf("o valor de %f: %f\n", x, m[y]);
126
}
printf ("Valor i: %d\n", i);
system("PAUSE");
}
127
APÊNDICE C - Comandos do Software R: identificação das covariáveis.
a) Modelo nulo:
>Motor<read.table("c:/users/danilo/desktop/PESQUISA_GERAL/DADOS/TRATAME
NTO/Motor/Dados_motor.txt", h=T)
> attach(Motor)
>require(survival)
> fit<-coxph(Surv(Tempo,CENS)~0,data=Motor,x = T,method="breslow")
> summary(fit)
>Motor<read.table("c:/users/danilo/desktop/PESQUISA_GERAL/DADOS/TRATAME
NTO/Motor/Dados_motor.txt", h=T)
> attach(Motor)
>require(survival)
> fit<-coxph(Surv(Tempo,CENS)~V3,data=Motor,x = T,method="breslow")
> summary(fit)
> -2*fit$loglik[2]
>Motor<read.table("c:/users/danilo/desktop/PESQUISA_GERAL/DADOS/TRATAME
NTO/Motor/Dados_motor.txt", h=T)
> attach(Motor)
>require(survival)
>par(mfrow=c(2,2))
>fit1<-coxph(Surv(Tempo[V3==0],CENS[V3==0])~1,data=Motor,x=T,method=
"breslow")
> ss<-survfit(fit1)
128
> s0<-round(ss$surv, digits=5)
> H0<--log(s0)
> plot(ss$time,log(H0),xlim=range(c(0,2000)),xlab="Tempos",
+ ylim=range(c(-3,2)),ylab=expression(log(Lambda[0]*(t))), bty="n",type="s")
>fit2<-coxph(Surv(Tempo[V3==1],CENS[V3==1])~1,data=Motor,x=
T,method="breslow")
> ss<-survfit(fit2)
> s0<-round(ss$surv, digits=5)
> H0<--log(s0)
> lines(ss$time,log(H0),type="s",lty=2)
> legend(1000,-1,lty=c(2,1),c("V3=1","V3=0"),lwd=1,bty="n",cex=1)
>resid(fit,type="scaledsch")
>cox.zph(fit, transform="identity")
>par(mfrow=c(2,2))
> plot(cox.zph(fit))
129
APÊNDICE D – Programa para estimação do número de sobressalentes
#include <stdio.h>
#include <stdlib.h>
#include <math.h>
#include <time.h>
main()
{
float alfa1, beta1,alfa2, beta2, alfa3, beta3, alfa4, beta4, sem, TPF[100], aux,
TPR[100], soma[10000], media, geral , valor1, valor2, valor3 , valor4, conf,
resposta, count;
double u;
int c, d, g, compra,x, quant,ciclo, inicio, fim;
printf ("Digite o valor do parametro de escala (Cenario 1):\n");
scanf("%f", &alfa1);
printf ("Digite o valor do parametro de Forma (Cenario 1):\n
scanf("%f", &beta1);
printf ("Digite o valor do parametro de escala (Cenario 2):\n");
scanf("%f", &alfa2);
printf ("Digite o valor do parametro de Forma (Cenario 2):\n");
scanf("%f", &beta2);
printf ("Digite o valor do parametro de escala (Cenario 3):\n");
scanf("%f", &alfa3);
printf ("Digite o valor do parametro de Forma (Cenario 3):\n");
scanf("%f", &beta3);
printf ("Digite o valor do parametro de escala (Cenario 4):\n");
scanf("%f", &alfa4);
printf ("Digite o valor do parametro de Forma (Cenario 4):\n");
scanf("%f", &beta4);
printf ("Qual a confiança do estoque?\n"); // Valor a ser usado: 0,90
scanf("%f", &conf);
130
printf ("Digite o número de BCS’s instalados:\n");
scanf("%d", &quant);
printf ("Digite a semente:\n"); // Número para iniciar a geração aleatória dos dados
(usar números primos).
scanf("%f", &sem);
srand(sem); // Semente para geração dos números pseudoaleatórios.
valor1=round(quant*0.61*1.662);// Percentual que o cenário 01 representa para
projeção do número de falhas ;
valor2=round(quant*0.11*4.534);// Percentual que o cenário 02 representa para
projeção do número de falhas;
valor3=round(quant*0.13*3.329);// Percentual que o cenário 03 representa para
projeção do número de falhas;
valor4=round(quant*0.15*2.233);// Percentual que o cenário 04 representa para
projeção do número de falhas;
ciclo=valor1+valor2+valor3+valor4;
for (x=1; x<=10000; ++x){ //Geração dos tempos para falha ao longo do
calendário (VALIDAÇÃO - 10.000 EVENTOS ALEATÓRIOS)
inicio=c;
fim=c+valor2;
for (c=inicio; c<fim; ++c){
u=(rand() % 1000)+1;
u=u/1000;
TPF[c]=weibull(alfa2,beta2,u);
}
inicio=c;
131
fim=c+valor3;
for (c=inicio; c<fim; ++c){
u=(rand() % 1000)+1;
u=u/1000;
TPF[c]=weibull(alfa3,beta3,u);
}
inicio=c;
fim=fim+valor4;
for (c=inicio; c<fim; ++c){
u=(rand() % 1000)+1;
u=u/1000;
TPF[c]=weibull(alfa4,beta4,u);
}
for (g=1; g<=ciclo; ++g){ // Adição do vetor tempo pós reparo - Tempo
deterministico: 20dias com relação ao Tempo Para Falha
TPR[g]=TPF[g]+15;
}
132
do{
c=c+1;
if (TPR[d]>TPF[c]){
compra=compra+1;
}
}
while (TPR[d]>TPF[c] && c<=ciclo); // Condição para saída do
laço
}
soma[x]=compra; //O vetor soma recebe o resultado da variável compra a
cada iteração.
}
133
media =media+1;
count=0;
for (x=1; x<=10000; ++x){
if (soma[x]>media){
count=count+1;
}
}
resposta=1-(count/10000);
}
}
while (resposta<conf);
134
APÊNDICE E – Tratamento dos dados de reparo: Bombeio Centrifugo Submerso - BCS
135
A disposição dos dados observada na Figura 48 mostra o ajustamento dos eventos
a distribuição Lognormal. Como esperado, a distribuição lognormal apresentou a melhor
aderência aos dados, evidenciada também pela análise quantitativa (Tabela 31) utilizando
o teste Qui-quadrado. O teste Qui-quadrado, para amostras grandes (acima de 30 dados),
é preferível quando comparado ao teste KS.
136
Distribuição Teste Qui-quadrado
Exponencial 0,820448
Lognormal 0,999947
Weibull 0,999430
A Tabela 32 mostra que a média para a ação de reparo é 11,89 dias, com desvio
padrão de 2 dias. Para o modelo de dimensionamento de sobressalente, foi considerado
um tempo determinístico de 15 dias.
137
7. REFERENCIAS
BEN-DAYA, M.; DUFFUAA, S.O. Maintenance and quality: the missing link. Journal
of Quality in Maintenance Engineering, [s.l.], v. 1, n. 1, p. 20-26, 1995.
BOTTER, R.; FORTUIN, L. Stocking strategy for service parts: a case study.
International Journal of Operations & Production Management, Bingley, UK, v. 20, n. 6,
p. 656-674, 2000.
CHITALE, A. K.; GUPTA, R. C. Materials management: text and cases. Second edition.
New Delhi: PHI, 2011.
CHO, Jin; WHITE, Halbert. Generalized runs tests for the IID hypothesis. Journal of
Econometrics 2011; 162: 326–344.
138
DEKKER, ROMERT; PINÇE, ÇERAG; ZUIDWIJK, ROB; JALIL, MUHAMMAD
NAIMAN. On the use of installed base information for spare parts logistics: A review of
ideas and industry practice. International Journal of Production Economics 2013; 143:
536–545.
DEKKER, R.; KLEIJN, M. J.; ROOIJ, P. J. A spare parts stocking policy based on
equipment criticality. International Journal of Production Economics 1998; 56-57: 69-77.
DÍAZ, A.; FU, M. Models for multi-echelon repairable item inventory systems with
limited repair capacity. European Journal of Operational Research 1997; 97(3):480–
92.
DHILLON, B.S. Maintainability, Maintenance, and Reliability for Engineers. New York:
Taylor & Francis Group, 2006.
GAJPAL, P.; GANESH, L.; RAJENDRAN, C. Criticality analysis of spare parts using
the analytic hierarchy process. International Journal of Production Economics 1994; 34:
293–298.
GODOY, DAVID R.; PASCUAL, RODRIGO; KNIGHTS, PETER. Critical spare parts
ordering decisions using conditional reliability and stochastic lead time. Reliability
Engineering and System Safety 2013; 119: 199–206.
139
HORENBEEK, ADRIAAN VAN; BURÉ, JASMINE; CATTRYSSE, DIRK;
PINTELON, LILIANE; VANSTEENWEGEN, PIETER. Joint maintenance and
inventory optimization systems: A review. Int. J. Production Economics 2013; 143: 499–
508.
JAARSVELD, WILLEM VAN; DEKKER, ROMMERT. Spare parts stock control for
redundant systems using reliability centered maintenance data. Reliability Engineering
and System Safety 2011; 96: 1576–1586.
KAPUR, KAILASH C.; PECHT, MICHAEL. Reliability Engineering. New Jersey: John
Wiley & Sons, 2014.
LAWLESS, J. F. Statistical Models and Methods for Lifetime Data. Second Edition, New
Jersey, USA: John Wiley & Son, 2002.
LOUIT, D.; PASCUAL, R.; BANJEVIC D. Optimization models for critical spare parts
inventories - a reliability approach. Journal of the Operational Research Society 2011; 62:
992-1004.
140
MOBLEY, KEITH; HIGGINS, LINDLEY R.; WIKOFF, DARRIN J. Maintenance
Engineering Handbook. 7. Ed. New York: McGraw-Hill, 2008.
NELSON, W. Accelerated Life Testing: Statistical Models, Data Analysis and Test Plans.
New York: John Wiley and Sons, 1990.
PYZDEK, THOMAS. Quality Engineering Handbook. 2 ed. New York: Marcel Dekker,
2003.
SHARMA, A.; YADAVA, G.S.; DESHMUKH, S.G. Reviews and Case Sudies: a
literature review and future perspectives on maintenance optimization. Journal of
Quality in Maintenance Engineering. [s.l.], v. 17, n. 1, p. 5-25, 2011.
141
TAVARES, LOURIVAL. Administração moderna da manutenção. Rio de Janeiro:
Novo Polo, 1999.
WANG, WENBIN. A joint spare part and maintenance inspection optimisation model
using the Delay-Time concept. Reliability Engineering and System Safety 2011; 96:
1535–1541.
142