DaniloGoncalvesCavalcante DISSERT

UNIVERSIDADE FEDRAL DO RIO GRANDE DO NORTE
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO
DANILO GONÇALVES CAVALCANTE
MODELO PARA PREVISÃO DE ITENS SOBRESSALENTES BASEADO EM

CONFIABILIDADE INDUSTRIAL: ESTUDO DESENVOLVIDO EM UMA EMPRESA
DO SETOR PETROLÍFERO
NATAL
2015
DANILO GONÇALVES CAVALCANTE

CONFIABILIDADE INDUSTRIAL: ESTUDO DESENVOLVIDO EM UMA EMPRESA
DO SETOR PETROLÍFERO
Dissertação submetida ao programa de Pós-

Graduação em Engenharia de Produção da
Universidade Federal do Rio Grande do Norte
como parte dos requisitos necessários para
obtenção do grau de mestre em engenharia de
produção.
Orientador: Prof. Dr. Luciano Ferreira
NATAL
2015
UFRN / Biblioteca Central Zila Mamede.
Catalogação da Publicação na Fonte.
Cavalcante, Danilo Gonçalves

Modelo para previsão de itens sobressalentes baseado em confiabilidade industrial:
estudo desenvolvido em uma do setor petrolífero. / Danilo Gonçalves Cavalcante. – Natal,
RN, 2015.
142 f. : il.
Orientador: Prof. Dr. Luciano Ferreira
Dissertação (Mestrado) – Universidade Federal do Rio Grande do Norte. Centro de

Tecnologia. Programa de Pós-Graduação em Engenharia da Produção.
1. Confiabilidade industrial - Dissertação. 2. Covariáveis - Dissertação. 3. Estoque -

Dissertação. 4. Petróleo – Dissertação. 5. Processo de Renovação – Dissertação. 6.
Sobressalente – Dissertação. I. Ferreira, Luciano. II. Universidade Federal do Rio Grande
do Norte. III. Título.
RN/UF/BCZM CDU 658.5

RESUMO

CONFIABILIDADE INDUSTRIAL: ESTUDO DESENVOLVIDO EM UMA
EMPRESA DO SETOR PETROLÍFERO
A capacidade de competir em mercados globalizados é um qualificador presente nas

organizações atuais. A gestão dos gastos produtivos (custos e investimentos) exerce influência
direta nas decisões empresariais de curto e longo prazo. Nesse sentido, a busca pela otimização
dos recursos, mediante redução do capital imobilizado, é um fator competitivo buscado por
diversas empresas. A gestão de estoques envolve conflitos de interesses que podem conduzir o
gestor a decisões incompatíveis: os estoques podem absorver grandes somas de recursos ou
representar enormes perdas de produção (lucro cessante). Dentre os diversos tipos de estoques,
a imobilização de itens sobressalentes aplicados à manutenção destaca-se por apresentar
algumas características importantes: a demanda é irregular (lumpy), o investimento para
aquisição das partes sobressalentes é elevado e o tempo de entrega é longo. Este trabalho
objetiva aplicar um método para gestão de estoque sobressalente baseado em confiabilidade
industrial com uso de covariáveis. O modelo aplica técnicas relacionadas a modelagem
probabilística e processo de renovação, com objetivo de quantificar os itens sobressalentes. A
análise faz uso de programas computacionais para manipulação dos parâmetros de
confiabilidade (software Weibull® e BlockSim® - ReliaSoft) e do software R, necessário à
definição das covariáveis. O dimensionamento dos sobressalentes é consolidado mediante
programa desenvolvido em linguagem C++, que visa analisar as sobreposições das falhas ao
longo do tempo. O estudo é aplicado ao dimensionamento de bombas centrífugas submersas
(BCS) utilizadas na produção de petróleo em unidades marítimas. A ferramenta busca estruturar
o processo de alocação de sobressalentes a serem imobilizados no setor petrolífero, auxiliando
a tomada de decisão.
ABSTRACT
MODEL FOR PREVISION OF SPARE ITEMS BASED ON INDUSTRIAL

RELIABILITY: DEVELOPED STUDY IN A INDUSTRIAL SECTOR COMPANY
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 1 - Estoque de materiais ................................................................................................ 24
Figura 2 - Características dos itens sobressalentes ................................................................... 25
Figura 3 - Equipamentos reparáveis ......................................................................................... 27
Figura 4 - Equipamentos não reparáveis .................................................................................. 27
Figura 5 - Gerenciamento integrado: itens sobressalentes ....................................................... 28
Figura 6 - Curva de confiabilidade ........................................................................................... 34
Figura 7- Taxa de falha em função do tempo ........................................................................... 35
Figura 8 - Função acumulada de Falha ..................................................................................... 37
Figura 9 - Função densidade de falhas ..................................................................................... 38
Figura 10- Função densidade de falhas .................................................................................... 39
Figura 11 - Distribuição exponencial ....................................................................................... 40
Figura 12 - Função densidade de probabilidade: distribuição Lognormal ............................... 42
Figura 13 - Função densidade de probabilidade: distribuição Weibull .................................... 43
Figura 14 - Análise de confiabilidade: sistema série ................................................................ 46
Figura 15– Análise de confiabilidade: sistema paralelo ........................................................... 47
Figura 16– Exemplo sistema misto .......................................................................................... 48
Figura 17- Exemplo de taxas de falha não proporcionais ........................................................ 66
Figura 18- Exemplos de aplicação: riscos proporcionais ......................................................... 67
Figura 19- Diagrama esquemático poço BCS .......................................................................... 71
Figura 20- Sistema BCS ........................................................................................................... 72
Figura 21– Localização dos campos de Produção .................................................................... 73
Figura 22- Plataforma de Produção .......................................................................................... 74
Figura 23– Localização dos estoques ....................................................................................... 75
Figura 24- Procedimento de Pesquisa ...................................................................................... 77

Figura 25 - Óleo isolante contaminado .................................................................................... 86
Figura 26– Papéis de probabilidade ......................................................................................... 89
Figura 27– Papéis de probabilidade: bomba ............................................................................ 91
Figura 28– Proporcionalidade dos riscos: covariável vazão .................................................... 93
Figura 29– Resíduo de Schoenfeld: bomba .............................................................................. 93
Figura 30 Papéis de probabilidade: motor elétrico ................................................................... 97
Figura 31– Gráficos motor elétrico .......................................................................................... 98
Figura 32– Proporcionalidade dos riscos: covariável fator humano ...................................... 100
Figura 33–Resíduo de Schoenfeld: motor .............................................................................. 100
Figura 34– Papéis de probabilidade: cabo elétrico ................................................................. 103
Figura 35– Gráficos motor elétrico ........................................................................................ 104
Figura 36– Proporcionalidade dos riscos: covariável fator humano ...................................... 105
Figura 37–Resíduo de Schoenfeld: Cabo ............................................................................... 106
Figura 38– Representação em blocos: sistema BCS .............................................................. 107
Figura 39– Curvas de confiabilidade ...................................................................................... 108
Figura 40– Visão geral da oficina........................................................................................... 110
Figura 41– Trinca bucha centralizadora ................................................................................. 110
Figura 42– Desgaste rotor bomba centrífuga ......................................................................... 111
Figura 43– Eixo partido: conexão motor e bomba ................................................................. 111
Figura 44– Presença de incrustação na sucção da Bomba...................................................... 112
Figura 45– Teste da suposição i.i.d: Bomba........................................................................... 113
Figura 46 – Teste da suposição i.i.d: Motor ........................................................................... 113
Figura 47 - Teste da suposição i.i.d: Motor ............................................................................ 114
Figura 48– Diagrama de blocos: programa desenvolvido ...................................................... 117
Figura 49– Análise de Sensibilidade ...................................................................................... 118

Figura 50– Papeis de probabilidade ....................................................................................... 135
Figura 51 – Função densidade de falha: Lognormal .............................................................. 136
Figura 52– Função taxa de falha: Lognormal ......................................................................... 136

LISTA DE TABELAS
Tabela 1– Classificação dos estoques ....................................................................................... 23
Tabela 2- Ferramentas usuais para classificação e controle de estoque ................................... 49
Tabela 3- Abordagens para dimensionamento de sobressalentes ............................................. 55
Tabela 4– Parâmetro de escassez do estoque ........................................................................... 62
Tabela 5 – Modos de Falha....................................................................................................... 80
Tabela 6– Definição das Covariáveis ....................................................................................... 85
Tabela 7– Dados de falha: Bomba............................................................................................ 87
Tabela 8 - Teste de aderência: bomba ...................................................................................... 90
Tabela 9– Parâmetros da Distribuição Weibull: bomba ........................................................... 90
Tabela 10– Seleção de covariável: bomba ............................................................................... 91
Tabela 11 - Estimação covariável: bomba ................................................................................ 92
Tabela 12– Coeficiente de Pearson: bomba ............................................................................. 94
Tabela 13– Dados de falha: Motor ........................................................................................... 95
Tabela 14 Teste de aderência: motor ........................................................................................ 97
Tabela 15 - Parâmetros da Distribuição Weibull: motor elétrico ............................................. 98
Tabela 16– Seleção de covariável: motor ................................................................................. 99
Tabela 17– Estimação covariável: motor ................................................................................. 99
Tabela 18– Coeficiente de Pearson: motor ............................................................................. 100
Tabela 19– Dados de falha: Cabo ........................................................................................... 101
Tabela 20– Teste de aderência: cabo elétrico ......................................................................... 102
Tabela 21– Parâmetros da Distribuição Weibull: cabo elétrico ............................................. 103
Tabela 22– Seleção de covariável: cabo elétrico .................................................................... 104
Tabela 23– Estimação covariável: cabo ................................................................................. 105

Tabela 24 - Coeficiente de Pearson: cabo .............................................................................. 106
Tabela 25– Cenários confiabilidade Sistêmica....................................................................... 107
Tabela 26– Cenários: correção do parâmetro de escala ......................................................... 108
Tabela 27– Medidas de tendência central e variabilidade ...................................................... 109
Tabela 28– Projeção do número de falhas .............................................................................. 115
Tabela 29– Projeção do número de falhas .............................................................................. 115
Tabela 30– Número de Sobressalentes ................................................................................... 118
Tabela 31– Teste Qui-Quadrado............................................................................................. 137
Tabela 32– Parâmetros distribuição Lognormal ..................................................................... 137

LISTA DE QUADROS
Quadro 1- Evolução da manutenção ......................................................................................... 30
Quadro 2- Abordagens para dimensionamento de sobressalentes............................................ 54
Quadro 3– Modelo conceitual .................................................................................................. 79

LISTA DE SIGLAS
ABNT – Associação Brasileira de Normas Técnicas

ABRAMAN – Associação Brasileira de Manutenção
BCS – Bombeio Centrífugo Submerso
BSW – Basic Sediments Water
RGO – Razão gás óleo
TMEF – Tempo Médio Entre Falhas;
TMPF – Tempo Médio Para Falha;
TMPR – Tempo Médio Para Reparo;
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
O aumento da eficiência operacional, mediante redução dos custos, apresenta-se

como uma alternativa para melhoria na competitividade organizacional. Neste contexto,
os custos relativos à manutenção em equipamentos absorvem uma parcela significativa
dos gastos, podendo representar valores na ordem de 15-70% dos custos de produção
(LOUIT et al., 2011). As atividades de manutenção têm adquirido importância estratégica
em aspectos como: segurança operacional, capacidade produtiva, meio ambiente, custos
de produção e qualidade dos produtos. Conforme Braglia e Frosolini (2013), a melhoria
na performance da manutenção pode ser alcançada mediante a gestão dos estoques
sobressalentes.
Os estoques de materiais sobressalentes são itens utilizados nas rotinas de
manutenção cujo objetivo é reduzir o tempo de indisponibilidade dos equipamentos,
representado pelo lucro cessante. Segundo Jaarsveld e Dekker (2011), quando um
equipamento falha, o tempo de parada pode ser significativamente reduzido caso o
sobressalente esteja disponível para substituição. A literatura apresenta duas principais
categorias básicas de manutenção: corretiva e preventiva. A manutenção corretiva
consiste nas intervenções que ocorrem após a falha do equipamento, cujo objetivo é
restaurar sua funcionalidade. A manutenção preventiva compõe o conjunto de ações
periódicas que visam preservar a função do equipamento. Assim, independente do tipo
de intervenção realizada no equipamento a necessidade de materiais sobressalentes
emerge do processo de manutenção, podendo a demanda ser previsível ou aleatória.
O dimensionamento do estoque sobressalente deve considerar as particularidades
dos equipamentos e suas políticas de manutenção adotadas. Os equipamentos que
apresentam componentes mecânicos geralmente falham por desgastes, sendo as trocas
periódicas mais aplicáveis. Neste caso, o estoque sobressalente deve responder as
necessidades advindas da manutenção preventiva. Para equipamentos eletrônicos, cujo
falha é aleatória, as ações corretivas são mais adequadas. Dessa forma, o estoque deve
contemplar as solicitações relacionadas as falhas inesperadas.
De modo geral, há um consenso de que os estoques sobressalentes não podem ser
gerenciados pelos modelos tradicionais (média móvel, suavização exponencial, dentre
outros). Isso porque a demanda é irregular (lumpy), o investimento para aquisição dos
itens é elevado e o tempo de entrega é longo (BOTTER; FORTUIN, 2000; DEKKER et
al., 2013). Em adição, atrasos alfandegários e a necessidade de transporte especial são
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
O objetivo geral deste estudo é desenvolver e aplicar um modelo para

dimensionamento de sobressalentes baseado em confiabilidade industrial com uso de
covariáveis. O modelo foi aplicado ao dimensionamento de bombas centrifugas
submersas (BCS) usadas na produção de petróleo em instalações marítimas.
1.2 OBJETIVOS ESPECÍFICOS
Os objetivos específicos que delineiam o trabalho proposto são:
• Levantamento bibliográfico acerca do tema: compor a base teórica sobre

os modelos aplicáveis ao dimensionamento de sobressalentes,
promovendo uma análise dos trabalhos correlatos. Essa fase também
compreende a seleção do modelo adequado ao problema;
• Desenvolver o modelo conceitual;
• Coletar e analisar os dados relativos ao estudo: consiste na coleta e
tratamento dos dados (eventos de falhas e dados das covariáveis);
• Aplicar o modelo ao dimensionamento do estoque;
• Validar a ferramenta aplicada visando assegurar a representatividade das
informações geradas pelo modelo.
1.3 HIPÓTESES DE PESQUISA
Baseado nas definições dos objetivos deste estudo, duas hipóteses serão analisadas:
H0 - O modelo proposto não oferece possibilidade de ganhos financeiros na gestão de

estoque sobressalente, quanto à otimização dos gastos organizacionais (investimentos e
custos);
H1 - O modelo proposto oferece possibilidade de ganhos financeiros na gestão de estoque

sobressalente, quanto à otimização dos gastos organizacionais (investimentos e custos);
19
1.4 MOTIVAÇÃO E JUSTIFICATIVA
A gestão de estoques para itens sobressalentes possui particularidades específicas

que interferem ativamente nas políticas de manutenção adotadas pela empresa. Segundo
Gomes e Wanke (2008), as empresas enfrentam um problema complexo quanto à
imobilização de componentes sobressalentes: peças de reposição são caras, a demanda é
errática e difícil de prever, tempos de resposta são longos e estocásticos e a inatividade
dos equipamentos reduz o lucro organizacional.
Nesse sentido, o estoque de peças destinado à manutenção deve ter como premissa
fundamental possuir quantidades adequadas, visando minimizar o lucro cessante e os
investimentos para sua aquisição (HIGGINS, 2002). Segundo Moubray (1996), a política
de estoque para manutenção deve prever um equilíbrio entre o investimento realizado
para aquisição do item e o custo inerente à falta do componente, ou seja, lucro cessante.
A inexistência de técnica especifica para quantificação dos itens sobressalentes
em estoque, de forma a atender os requisitos financeiros e de manutenção, pode conduzir
o gestor a decisões incompatíveis com os objetivos organizacionais. Segundo Almeida et
al. (2001), no âmbito empresarial o dimensionamento de sobressalente quase sempre não
incorpora um embasamento quantitativo em sua análise, podendo resultar em diversas
consequências sobre a continuidade operacional (GODOY et al., 2013).
Para a indústria do petróleo, dado a criticidade dos processos produtivos, a falta

de sobressalentes tem implicações financeiras significativas. A utilização do senso
comum (subjetividade) ainda é prática constante no dimensionamento dos inventários que
compõem os almoxarifados. Outro problema identificado é a aplicação das técnicas
tradicionais (média móvel, suavização exponencial) para gestão de itens sobressalentes.
Os equipamentos relacionados às atividades de manutenção falham segundo
características especificas de seus itens componentes, podendo apresentar falhas
prematuras, aleatórias e por degradação funcional. Estas especificidades não são
contempladas nos modelos tradicionais para dimensionamento dos inventários,
resultando em dois erros:
a) Sobredimensionamento do item: quantidade além do consumo normal e que

onera o almoxarifado;
b) Subdimensionamento do item: quantidade inferior à demanda e que expõe a

organização a lucro cessante;
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
2.1 ESTOQUE DE MATERIAIS
As empresas mantêm estoques para garantir a independência das operações,

atender as variações na demanda do produto, permitir a flexibilidade do sistema
produtivo, suportar problemas de fornecimento ou mesmo para aproveitar lotes
econômicos de compra (WATERS, 2003). Para qualquer finalidade, o estoque
corresponde a capital imobilizado e a altos custos para a organização (AXSÄTER, 2006).
Os estoques assim gerados apresentam características e denominações diferentes,
dependendo de sua finalidade. A Tabela 1 especifica as terminologias utilizadas para
caracterização dos estoques.
Tabela 1– Classificação dos estoques

Tipo de Estoque Características
- A organização conta com um estoque adicional para compensar
um eventual atraso na produção, na entrega, ou mesmo um
Estoque de Segurança aumento inesperado na demanda;
- Leva em consideração a probabilidade das incertezas
acontecerem. Por esta razão possui natureza probabilística.
Estoque Sazonal - Atendem a períodos de sazonalidade, tanto da demanda pelo

produto acabado, como da oferta por matéria-prima.
- Existem para permitir a economia de escala na compra ou

Estoque Cíclico
produção em lotes. É preciso determinar qual quantidade permite o
melhor aproveitamento econômico;
Estoque no Canal - Estoque decorrente da logística relacionada ao transporte de

materiais;
Estoque de antecipação - Estoque formado para nivelar as flutuações previsíveis na

demanda por itens.
Fonte: Waters (2006)
Em cada fase do processo produtivo, as operações requerem diferentes tipos de

materiais cuja função é contribuir para o resultado organizacional. Segundo esta visão, os
estoques podem ser classificados conforme seu propósito geral em: estoque de matéria
prima, produto em processo, consumíveis, sobressalentes e produtos acabados
(WATERS, 2003). A Figura 1 ilustra esta classificação.
23
ESTOQUE EM PROCESSO
ESTOQUE DE PRODUTOS
MATÉRIA PRIMA
OPERAÇÃO EM PROCESSO ACABADOS
ESTOQUE DE ESTOQUE
CONSUMÍVEIS SOBRESSALENTE
Figura 1 - Estoque de materiais

Fonte: Adaptado de Walters, 2003
Conforme a Figura 1, os estoques de materiais apresentam um posicionamento

relevante à continuidade das operações. No ambiente empresarial, a gestão dos
inventários estabelece um conflito de interesse importante: baixos níveis de estoque
podem conduzir a perda de economias de escala e altos custos de falta de produtos, em
contrapartida, o excesso de estoques representa custos operacionais e de oportunidade do
capital imobilizado. Os Conflitos de interesses ou Trade-off tornam-se mais evidentes
conforme o aumento dos riscos relacionados à produção: os estoques sobressalentes, por
exemplo, podem absorver grandes somas de recursos ou representar enormes perdas de
produção.
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
O Estoque sobressalente é formado por um conjunto de itens necessários ao

processo de manutenção, cujo objetivo é reduzir o tempo de reparo dos equipamentos
(HORENBEEK et al., 2013). Neste sentido, o dimensionamento das peças de reposição
impacta diretamente a competitividade empresarial mediante as variáveis custos e
lucratividade. Segundo Louit et al. (2011), a insuficiência na previsão de demanda para
peças sobressalentes pode gerar perda na performance dos ativos, baixa disponibilidade
e riscos operacionais. De outra forma, estoque em excesso conduz ao uso ineficiente do
capital e diversas despesas.
As peças sobressalentes aplicáveis nas rotinas de manutenção estão sujeitas a um
sistema de gerenciamento que difere daquele aplicado aos materiais de produção
(ALMEIDA et al., 2001). Segundo Gomes e Wanke (2008), existe um consenso de que
os estoques de peças de reposição não podem ser gerenciados mediante modelos ou
métodos tradicionais, já que as condições para sua aplicação não são satisfeitas. Isso
porque o padrão de consumo é esporádico, os tempos do ressuprimento são longos e os
custos de aquisição são elevados. A Figura 2 ilustra as particularidades dos itens
sobressalentes.
Figura 2 - Características dos itens sobressalentes

Fonte: Desenvolvido pelo autor
Conforme observado na Figura 2, a gestão de itens sobressalentes apresenta

características específicas que são determinantes para a previsão de componentes. Tais
requisitos impossibilita a aplicação direta das técnicas tradicionais para controle de
inventários (SCALA et al., 2014). Assim, o processo de quantificação de peças
sobressalentes é um problema complexo que requer análise de todos os fatores que afetam
25
a tomada de decisão (GHODRATI; KUMAR, 2005). Na sequência, serão detalhadas as
especificidades que envolvem a gestão de itens sobressalentes:
a) Demanda Irregular e baixo giro do estoque - A demanda por unidades sobressalentes

em estoque não segue um padrão regular de consumo, sendo dependente do número de
equipamentos em operação (LOUIT et al., 2011). Como a necessidade por peças de
reposição emerge do processo de manutenção em equipamentos (MOBLEY et al., 2008),
a função que descreve a demanda será influenciada pelo mecanismo de falha do item.
Dessa forma, demanda esporádica ("lumpy" - termo língua inglesa) apresenta difícil
predição e os custos de falta (quebra do estoque) são extremamente elevados (GOMES;
WANKE, 2008). Como consequência da irregularidade na demanda, os itens
sobressalentes apresentam baixa rotatividade do estoque. Essa característica é classificada
na literatura como movimentação lenta ou "slow moving";
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;
c) Elevado tempo de fornecimento - A complexidade dos equipamentos e necessidade

(em alguns casos) de transporte especial, conduzem ao aumento no tempo de entrega do
sobressalente;
d) Risco de obsolescência - O risco de obsolescência e seus custos associados são

variáveis conforme o tipo de indústria, sendo melhor observado em setores tecnológicos.
Em geral, a obsolescência torna-se um problema para itens que são raramente
necessitados (KENNEDY et al., 2002) e que possuam funcionalidades especificas
(DEKEER et al., 2013).
Conforme Deeker et al. (2013) e Kennedy et al. (2002), os níveis de estoque de

peças de reposição devem ser determinados mediante o equilíbrio da relação entre o lucro
cessante e os custos envolvidos em manter o item em estoque. Em geral, quando os custos
associados à falha são altos e a previsão de demanda não é consistente, existe a tendência
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.
Figura 3 - Equipamentos reparáveis Figura 4 - Equipamentos não reparáveis

Fonte: Adaptado de Louit et al. (2011) Fonte: Adaptado de Louit et al. (2011)
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.
Figura 5 - Gerenciamento integrado: itens sobressalentes

Fonte: Adaptado de Horenbeek et al. (2013)
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:
1) Custo de paralisação da produção: a dificuldade de aquisição imediata de peças

sobressalentes e o elevado lucro cessante de uma eventual parada da produção
resultam em estoques sobredimensionados;
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;
3) Desconhecimento dos processos e equipamentos: a incerteza do desempenho do

equipamento requer uma maior quantidade de inventário para absorver os riscos
decorrentes da falta do item;
4) Despadronização de peças e equipamentos: a não uniformidade dos itens

componentes que constituem um processo resulta em um maior número de
equipamentos em estoque.
2.3 MANUTENÇÃO
A terminologia manutenção decorre do vocábulo militar, cujo sentido era "manter,

nas unidades de combate, o efetivo e o material em um nível constante" (TAVARES,
1999). Analisando a etimologia da palavra, manutenção deriva do latim manus teres, que
significa manter o que se tem (VIANA, 2002). O sistema de normatização brasileiro,
mediante a norma técnica NBR-5462, conceitua manutenção como sendo a combinação
de todas as ações técnicas e administrativas, destinadas a manter ou recolocar um item
em um estado no qual possa desempenhar uma função requerida.
Conforme Tavares (1999), a história da manutenção e o desenvolvimento
industrial caminham juntos. A revolução industrial no final do século XVIII é um marco
importante para evolução da sociedade humana. A existência de equipamentos mais
sofisticados e a necessidade de ampliação da capacidade produtiva (mediante aumento da
disponibilidade), fez surgir os primeiros conceitos de manutenção no início do século XX
(KARDEC; NASCIF, 2009).
Conforme Viana (2002) e Tavares (1999), neste período os operadores recebiam
treinamentos dos fabricantes e tinham a função de operar e manter o maquinário.
Alinhado com a sistematização das operações (preceitos de Taylor e Fayol) e com a
produção seriada (Henry Ford), a manutenção foi sendo instituída nos programas de
produção. Neste período, em meados de 1930, apenas serviços de limpeza, lubrificação e
corretiva não planejada eram realizados.
Segundo Viana (2002), o termo "manutenção" apareceu efetivamente nos Estados
Unidos da América em 1950, cujo significado indicava a função de manter em bom
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.
Quadro 1- Evolução da manutenção

Fonte: adaptado de Kardec e Nascif (2009)
Conforme observado a partir do Quadro 1, no início das atividades de manutenção,

quando apenas ações corretivas eram realizadas, a manutenção era considerada um mal
necessário, que não agregava valor ao processo produtivo (VIANA, 2002). Com a
inclusão de técnicas preventivas e de novos modelos de gestão, a manutenção passou a
ser vista como uma função estratégica para a organização (KARDEC; NASCIF, 2009),
ou seja, atividade que adiciona valor ao negócio (BEN-DAYA; DUFFUAA, 1995).
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:
a) Manutenção Corretiva: é a ação que objetiva corrigir ou restaurar as condições

de funcionamento de um equipamento ou sistema, podendo ser planejada ou não
planejada;
b) Manutenção preventiva: é a atuação realizada de forma a reduzir ou evitar a

falha ou queda no desempenho do equipamento, obedecendo a um plano previamente
elaborado em intervalos de tempo predefinidos;
c) Manutenção Preditiva: é a atuação realizada com base na observação dos

parâmetros de condição ou desempenho do equipamento, obedecendo a uma sistemática.
As variáveis acompanhadas (vibração, temperatura, corrente elétrica, vazão) são
adquiridas mediante sensores cujo monitoramento pode ser contínuo ou discreto.
Conforme a magnitude da variável em análise, a ação corretiva poderá ser planejada.
Conforme Dhillow (2006), o objetivo da função manutenção é contribuir para a

lucratividade de uma organização, a partir de ações que visam manter sua capacidade
produtiva (SHARMA; YADAVA, 2011). Segundo Dekker (1998), o principal aspecto
tratado na gestão da manutenção é o uso eficiente dos recursos materiais e humanos.
Nesse sentido, diversos trabalhos têm sido desenvolvidos visando otimizar as
ações de manutenção. Sharma e Yadava (2011) e Dekker (1998), relatam que os modelos
de otimização são abordagens matemáticas que objetivam quantificar o custo-benefício
das ações, mediante os critérios: custos, lucro, capacidade produtiva, desempenho e
segurança operacional. Dentre os problemas mais frequentes estudados em gestão da
manutenção, destacam-se a quantificação de estoque sobressalente, alocação de
redundância, determinação da periodicidade em planos preventivos e dimensionamento
de equipes (recurso humano).
31
2.3.1 Sistemas reparáveis
As ações de reparo podem ser classificadas conforme a eficiência e eficácia na

execução dos serviços. Os parâmetros de eficiência e eficácia são importantes devido ao
impacto que representam nos indicadores de custos, confiabilidade e disponibilidade dos
sistemas. Segundo Mobley (2008), as variáveis custos e lucro cessante apresentam uma
relação direta com a qualidade e rapidez da manutenção realizada.
A eficiência na manutenção está relacionada com o tempo de reparo do
equipamento, compreendendo todas as medidas necessárias à execução, ou seja,
existência de sobressalente, ferramental, habilidade da equipe de manutenção, aspectos
logísticos, dentre outros. Em resumo, a eficiência na manutenção é dependente da
velocidade de reparo do equipamento, caracterizado pela curva de mantenabilidade do
sistema.
Em contrapartida, a eficácia é o parâmetro que mede a qualidade do reparo, ou
seja, o efeito da manutenção sobre o sistema. A eficácia no reparo pode ter classificada
conforme o seu desempenho em restabelecer a função requerida do sistema. Neste
sentido, existem três categorias que mensuram o grau do reparo: reparo perfeito, mínimo
e imperfeito. A escolha do tipo de reparo a ser executado será dependente da criticidade
do processo e das políticas de manutenção adotadas pela empresa. Obviamente, a eficácia
do reparo irá influenciar o tempo da próxima falha do sistema. A seguir, as categorias de
eficácia da manutenção serão detalhadas.
a) Reparo perfeito: conhecido como reparo completo, esta intervenção restaura o

equipamento para um estado de "tão bom quanto novo" ou "as good as new". O reparo
perfeito é equivalente à substituição do item falho por um idêntico e novo, recebendo a
denominação de recondicionado;
b) Reparo mínimo: este tipo de reparo objetiva recuperar o desempenho do sistema

para mesma condição anterior a falha. Neste caso, para equipamentos formados por vários
itens, esta intervenção equivale somente à troca do componente falho. O reparo mínimo
conduz a um desempenho "tão ruim quanto velho" ou "as bad as old ".
c) Reparo Imperfeito: caracterizado por apresentar uma eficácia intermediária

entre o reparo perfeito e o reparo mínimo.
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.
2.4 ENGENHARIA DE CONFIABILIDADE
Com o crescente custo e complexidade dos diversos sistemas industriais, a

importância da confiabilidade como um parâmetro de eficiência tornou-se evidente
(KARDEC; NASCIF, 2009). O conhecimento formal resultante da análise das falhas
provê uma ampla variedade de contextos para aplicação da engenharia de confiabilidade.
Neste sentido, a engenharia de confiabilidade concentra-se na eliminação de falhas que
requerem manutenção (MOBLEY, 2008), mediante análise da causa raiz dos problemas
(HIGGINS, 2002).
Em seu sentido amplo, confiabilidade está associada à operação bem sucedida de
um produto ou sistema, na ausência de quebras ou falhas. Segundo Fogliatto e Ribeiro
(2009), a engenharia fornece os subsídios necessários à definição quantitativa de
confiabilidade em termos de probabilidade. Assim, a confiabilidade de um item
corresponde à sua probabilidade de desempenhar adequadamente o seu propósito
especificado, por um determinado período de tempo e sob condições ambientais
predeterminadas (LEEMIS, 1995).
O suporte estatístico tem um importante papel na projeção dos parâmetros de
confiabilidade para predição da vida do item. Para tanto, as distribuições contínuas de
probabilidade são utilizadas nas modelagens dos dados de entrada. Isso significa que a
quantificação da confiabilidade deve apresentar valor entre 0 e 1 e que os axiomas da
teoria da probabilidade devem ser seguidos (FOGLIATTO; RIBEIRO, 2009).
2.4.1 Função Confiabilidade R(t)
A função confiabilidade descreve a probabilidade de sobrevivência do item ao

longo do tempo (LEEMIS, 1995), mostrando o quão confiável o equipamento pode ser
em relação ao tempo de missão. Conforme Leemis (1995), sendo "T" uma variável
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)
Segundo Lawless (2002), a função confiabilidade R(t) possui as seguintes propriedades:
• R(t) é monotônica decrescente;

• R(0) = 1;
lim =0
→
•
A curva de confiabilidade R(t) é gerada a partir dos eventos representativos de

falha dos equipamentos. A Figura 6 descreve, em termos genéricos, o comportamento da
confiabilidade ao longo do tempo.
Figura 6 - Curva de confiabilidade

Conforme a Figura 6, a função confiabilidade R(t) é estritamente decrescente,

apresenta características que variam segundo o tipo de equipamento e as condições de
operação do sistema. Para equipamentos formados por diversos componentes, a curva de
confiabilidade do sistema será obtida após a determinação do arranjo dos itens. Os
componentes podem ser agrupados, genericamente, em arranjos do tipo série, paralelo ou
misto (FOGLIATTO; RIBEIRO, 2009).
34
2.4.2 Função de risco h(t)
A noção de função risco é fundamental em confiabilidade e análise de

sobrevivência. De acordo com Kapur e Pecht (2014), a função risco é definida pela razão
entre número de falhas por unidade de tempo e o número de unidades sobreviventes no
tempo “t”. A função risco pode ser obtida usando probabilidade condicional. Neste caso,
esta função descreve a probabilidade da falha ocorrer no intervalo t a t + dt, dado que não
houve falha em t, ou seja:
≤ ≤ +∆ / ≥ = =
∆ ∆
(2)
A taxa de risco representa uma importante variável para o acompanhamento da

vida do equipamento. Conforme Kumar et al (2000), esta função é um indicador que
mensura o efeito do envelhecimento sobre a confiabilidade do sistema. Existem três
classificações básicas para a função de risco: função de risco decrescente, constante e
crescente. Segundo Leemis (1995), produtos manufaturados costumam apresentar a
ocorrência sucessiva das três classificações. A Figura 7 mostra uma representação
genérica do comportamento da taxa de falha no domínio do tempo. Dado seu formato,
esta curva é conhecida como banheira.
Figura 7- Taxa de falha em função do tempo
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:
a) Mortalidade infantil: representa a primeira porção da curva da banheira,

caracterizada por uma elevada taxa de falha, porém decrescente (PYZDEK,
2003). No período de mortalidade infantil ocorrem as falhas prematuras, sendo
originadas por processos de fabricação deficientes, amaciamento insuficiente,
sobrecarga no primeiro teste, erro humano, entre outros (LAFRAIA, 2001). Como
medida para mitigar os riscos de falha de equipamentos durante este período,
Fogliatto e Ribeiro (2009) relatam que o estágio de mortalidade infantil pode ser
reduzido mediante adoção de projetos robustos de produtos, bem como práticas
de controle de qualidade na manufatura. Outra medida usada é submeter as
unidades à testes simulando as condições reais, por um período de tempo
suficiente para que os defeitos precoces sejam identificados e corrigidos. Esta
ação é denominada de burn in. Nesta região, a distribuição que melhor modela as
falhas é a Weibull;
b) Região de vida em serviço: nesta fase, a taxa de falha é sensivelmente menor e

relativamente constante com o tempo. Normalmente as falhas são de natureza
aleatória, pouco podendo ser feito para evitá-las (LAFRAIA, 2001). As falhas
decorrem de fatores menos controláveis, como fadiga ou corrosão, aceleradas
pelas interações dos materiais com o meio (KARDEC; NASCIF, 2009). Segundo
Fogliatto e Ribeiro (2009), tal comportamento é causado por eventos estocásticos,
designados por causas comuns e não relacionadas a defeitos inerentes às unidades.
Falhas por causas comuns podem ser reduzidas através da melhoria nos projetos
dos produtos, tornando-os mais robustos as variações nas condições de uso a que
são submetidos. Para equipamentos nesta região (itens eletrônicos, por exemplo),
a manutenção preventiva não tem efeito sobre a minimização das falhas aleatórias.
A distribuição de probabilidade que melhor representa as falhas aleatórias é a
exponencial;
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.
2.4.3 Função de distribuição acumulada F(t)
A função de distribuição acumulada (CDF) mostra a probabilidade de falha em

um intervalo de tempo entre t1 a t2. A CDF cresce de zero a unidade com o aumento da
variável aleatória (tempo). Assim, quando t tende ao infinito, a probabilidade do
componente falhar tende à unidade. Segundo Lawless (2002), CDF possui as seguintes
propriedades:
• A Função F(t) é monotônica crescente;

• F(0) = 0;
lim =1
→
•
Um fato importante a ser ressaltado é a relação de complemento existente entre a

CDF e a função de confiabilidade R(t), ou seja, F(t) = 1 - R(t). A Figura 8 mostra a função
acumulada de falha.
Figura 8 - Função acumulada de Falha

37
2.4.4 Função densidade de Probabilidade f(t)
Segundo Gnedenko e Ushakov (1995), a função densidade de probabilidade

(PDF) pode ser interpretada como a frequência relativa da ocorrência de falha por unidade
de tempo, ou seja, descreve a forma da distribuição do tempo de falha. Dado que a
probabilidade de um evento ocorrer varia de 0 a 1, a PDF deve ser sempre positiva ou
zero:
f ≥0 (3)
A partir da PDF pode-se definir a função distribuição de probabilidade acumulada,

F(t), como a probabilidade de falha no intervalo [t1, t2]. A função densidade de
probabilidade pode assumir diferentes formas de acordo com o perfil da variável aleatória
contínua. A Figura 9 mostra o perfil típico de uma PDF.
Figura 9 - Função densidade de falhas

Matematicamente, relações importantes podem ser obtidas a partir da curva que

representa a PDF. Neste caso, é importante notar que a função confiabilidade, R(t), e a
função densidade acumulada, F(t), representam áreas sob a curva definida pela função
densidade de probabilidade, conforme representado nas equações 4 e 5. A Figura 10
mostra graficamente esta relação.
= ! " #"
$
%
(4)
38
= $
! " #" (5)
Figura 10- Função densidade de falhas

2.4.5 Distribuições de probabilidade
Considerando “T” a variável aleatória que representa o tempo de falha de um

componente, a descrição dos valores assumidos por “T” é a distribuição de probabilidade.
A distribuição de probabilidade de “T” pode ser determinada mediante a análise dos dados
de entrada, com posterior ajuste matemático as distribuições teóricas conhecidas
(GNEDENKO; USHAKOV, 1995). O ajuste corresponde à determinação dos parâmetros
que caracterizam a distribuição dos dados analisados. Em estudos envolvendo
confiabilidade industrial, três distribuições paramétricas contínuas de probabilidade
apresentam destaque: exponencial, lognormal e Weibull.
a) Distribuição Exponencial
A distribuição exponencial é importante no estudo de confiabilidade por ser a

única que descreve sistemas com taxa de falhas constante (LAFRAIA, 2001). Segundo
Dhillon (2006), a distribuição exponencial é amplamente utilizada em manutenção e na
análise de confiabilidade. O autor expõe duas razões básicas para a sua utilização
generalizada: facilidade na manipulação estatística dos dados de falhas e a existência de
vários itens de engenharia que apresentam taxa de falhas constante durante sua vida útil,
em particular os eletrônicos. Para Fogliatto e Ribeiro (2009), a simplicidade matemática
das expressões derivadas da exponencial difundiu o seu uso na área, às vezes inadequado.
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.
Figura 11 - Distribuição exponencial

A distribuição exponencial tem esse nome dado o comportamento exponencial da

função densidade de probabilidade. Matematicamente, a distribuição exponencial é
expressa pelas equações:
Função densidade de falhas, conforme exemplo mostrado na Figura 11a:
! = &' (
(6)
Função confiabilidade, conforme exemplo mostrado na Figura 11b:
= '( (7)
Função de risco, conforme exemplo mostrado na Figura 11c:
ℎ =& (8)
b) Distribuição Lognormal
A distribuição lognormal é representada por uma variável aleatória cujo logaritmo

segue a distribuição normal, surgindo da combinação de termos aleatórios mediante
40
processo multiplicativo (GNEDENKO E USHAKOV, 1995). Segundo Fogliatto e
Ribeiro (2009), a lognormal é uma distribuição limitada à esquerda muito utilizada para
modelagem de tempo até reparo em unidades reparáveis. Lafraia (2001) elenca algumas
aplicações para a distribuição lognormal:
a) Determinação de ciclos para falha à fadiga de metais e componentes metálicos;

b) Determinação da distribuição de tempos para a falha de componentes mecânicos
sujeitos a desgaste;
c) Determinação da vida de rolamentos;
d) Determinação do tempo médio para manutenção de componentes mecânicos.
Kline (1984) apresentou um estudo que analisou setenta conjuntos de dados de
equipamentos eletrônicos e mecânicos, onde mais de 70% dos casos o tempo de
reparo é melhor representado pela distribuição lognormal.
Matematicamente, a distribuição lognormal é expressa pelas equações:
Função densidade de falhas:

5 +
! = './ 0− 2 6 7
$ $ 34
√+,- + -
(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.
Figura 12 - Função densidade de probabilidade: distribuição Lognormal

c) Distribuição de Weibull
Devido à sua flexibilidade e capacidade de representar amostras de tempo até a

falha com comportamentos distintos, a distribuição de Weibull apresenta ampla aplicação
no estudo de confiabilidade industrial. Segundo Lafraia (2001), esta distribuição explica
o comportamento de sistemas cuja falha nasce da competição entre diversos modos de
falha. A distribuição de Weibull é apropriada para modelagem de tempo até falha
apresentando funções de risco constante, estritamente crescente e estritamente
decrescente (GNEDENKO E USHAKOV, 1995).
A Weibull possui três parâmetros para determinar a probabilidade de falha,
confiabilidade e função de risco, a saber: parâmetro de forma (γ), escala (η) e localização
(δ). O tipo de função de risco h(t) da Weibull é definido conforme seu parâmetro de forma,
ou seja:
γ<1, h(t) é decrescente e o item encontra-se na região de mortalidade infantil;
γ =1, h(t) é constante, transformando a Weibull na distribuição exponencial;
γ >1, h(t) é crescente, correspondendo à fase de desgaste da curva banheira.
Segundo Lafraia (2001), o parâmetro de localização (δ) representa a distância da

origem até o início da primeira falha. É comum a apresentação das expressões 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:
Função densidade de falhas:
γ $ @ γ
! = 9 : '
γ 2 9 : 6
A
? ?
(12)
Função confiabilidade:
@ γ
= '
9 :
A (13)
Função de risco:
γ $
ℎ = 9 :
γ
? ?
(14)
A Figura 13 mostra o comportamento da função densidade de probabilidade para

diferentes valores do parâmetro γ (forma) e η (escala) fixo de 3.
Figura 13 - Função densidade de probabilidade: distribuição Weibull

43
2.4.6 Estimação de Parâmetros
Modelos probabilísticos são caracterizados por quantidades desconhecidas

denominadas parâmetros. Os modelos Weibull bi-paramétrica e lognormal, por exemplo,
são definidos por dois parâmetros. Estas quantidades conferem uma forma geral aos
modelos probabilísticos. Por conseguinte, definir um modelo probabilístico consiste em
estimar seus parâmetros a partir das observações amostrais acerca da variável de interesse.
A literatura estatística apresenta, basicamente, três principais métodos de estimação, a
saber: categoria mediana (Median Rank), regressão linear (em “X” ou “Y”) e o método
da máxima verossimilhança (PALLEROSI, 2006).
Os métodos gráficos (categoria mediana e regressão linear) tratam o
comportamento dos dados de desconfiabilidade, F (t), a partir da categoria mediana.
Assim sendo, os parâmetros da distribuição são estimados considerando
a reta formada pela disposição dos pontos obtidos na categoria mediana. Conforme
Pallerosi (2006), estes métodos apresentam resultados satisfatórios para dados completos,
porém, implicam em distorções quando censuras (suspensões) são consideradas. Nestes
casos, é mais conveniente a utilização do método da máxima verossimilhança
(COLOSIMO; GIOLO, 2006).
Conforme Fogliatto e Ribeiro (2009), o método da máxima verossimilhança (ou
maximum likelihood) trata as questões envolvendo estimação conforme a seguinte
premissa: baseado nos dados amostrais da variável resposta, qual distribuição, dentre os
possíveis valores de seus parâmetros, com possibilidade de ter gerado a amostra? Ou seja,
o estimador da máxima verossimilhança escolhe o (s) parâmetro (s) que melhor explique
a amostra observada. Matematicamente, na ausência de censuras a função máxima
verossimilhança pode ser expressa da seguinte forma:
B C = ∏4FG$ ! E; C (15)
Onde “θ” representa um parâmetro (exemplo: distribuição exponencial) ou um conjunto

de parâmetros (ex.: Weibull). A tradução, em termos matemáticos, da expressão “a
distribuição que melhor explique a amostra observada” é encontrar o valor de “θ” que
maximize a função L(θ) (COLOSIMO; GIOLO, 2006). A maximização consiste em
encontrar a derivada (primeira ordem) da função L(θ).
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:
a) Censuras tipo I – Ocorrem quando, ao finalizar o período de observação da

amostra, algumas unidades ainda não apresentaram falha, ou seja:
B C = ∏4FG$ ! E; C ∏4EGH $ E; C (16)
b) Censuras tipo II – Resultam de estudos os quais são concluídos após a ocorrência

do evento de falha em determinado número de equipamentos, ou seja:
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
qualquer parâmetro de interesse, ou seja:
B C ∝ ∏4FG$ ! E; C ∏4EGH $ E; C (18)
2.4.7 Confiabilidade de sistemas
Sistema é todo conjunto de componentes relacionados segundo uma lógica de

interdependência entre suas partes, objetivando realizar um conjunto de funções
(FOGLIATTO; RIBEIRO, 2009). Em confiabilidade, genericamente, a análise de sistema
é vista sob três enfoques: sistemas em série, sistemas em paralelo e sistemas mistos.
45
a) Sistema série
Segundo Dhillon (2006), na configuração série, o sucesso do sistema está

diretamente condicionado à operação normal dos componentes da rede, ou seja, o
funcionamento do sistema depende da plena capacidade de cada componente. O sistema
em série é representado pela seguinte expressão:
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.
A Figura 14 mostra uma representação esquemática de um equipamento e seus

componentes internos com associação em série.
Figura 14 - Análise de confiabilidade: sistema série

Conforme observado na Figura 14, existe uma relação de dependência do

desempenho do equipamento em detrimento à confiabilidade de cada componente, fato
representado matematicamente pelo produtório das confiabilidades individuais. Neste
caso, Fogliatto e Ribeiro (2009) destacam duas características importantes deste sistema:
a) O valor de Rs (confiabilidade sistêmica) é menor ou igual à confiabilidade do

componente mais fraco;
b) Como o sistema série é calculado pelo produto de seus componentes, a
confiabilidade decresce rapidamente a medida que o número de componentes aumenta.
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.
A Figura 15 mostra o arranjo representativo para um sistema em paralelo.
Figura 15– Análise de confiabilidade: sistema paralelo

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
Os sistemas mistos são combinações de subsistemas em série e paralelo. Segundo

Fogliatto e Ribeiro (2009), as combinações podem ser facilmente analisadas reduzindo
sucessivamente os subsistemas a componentes em série ou paralelo. A Figura 16 mostra
o diagrama do arranjo misto.
47
Figura 16– Exemplo sistema misto
O cálculo da confiabilidade resultante é realizado decompondo o sistema em

subsistemas série e paralelo. Assim, os componentes em paralelo serão analisados em
separado e, posteriormente, calculados conforme um arranjo série.
2.5 CLASSIFICAÇÃO DOS ITENS SOBRESSALENTES
A classificação de peças sobressalentes consiste em estratificar os diversos itens

que formam o estoque, a fim de definir níveis de serviço conforme a categoria do
componente. Segundo Chitale e Gupta (2011), as características fundamentais usadas na
classificação de sobressalentes são: criticidade, especificidade, padrão da demanda,
tempo de entrega e valor da peça. Estas características podem ser analisadas
individualmente ou mediante modelo que integre mais de um requisito. A seguir, será
detalhado os critérios utilizados na classificação de sobressalentes.
a) Criticidade ou perda de produção: Impacto da falta do item para o processo

produtivo;
b) Especificidade: Mensura o grau de exclusividade do componente;
c) Padrão de Demanda: Relacionado com as características de consumo, sendo
categorizado como esporádico ou constante;
d) Tempo de entrega: O tempo de entrega ou lead time corresponde ao
intervalo compreendido entre a solicitação e recebimento da peça;
e) Valor da Peça: Atributo que representa o gasto com aquisição do
componente.
48
A literatura prevê diversos métodos para classificação e controle dos itens em
estoque. A Tabela 2 esboça as ferramentas mais usuais.
Tabela 2- Ferramentas usuais para classificação e controle de estoque

Nomenclatura Critério Aplicação
Análise ABC Valoração da demanda Produtos de consumo

Manter os altos custos sob
HML (Alto, médio e baixo) Preço unitário
controle
Controlar os sobressalentes
VED (Vital, essencial, Criticidade ou perda de
utilizados em manutenção e na
desejável) produção
fabricação de equipamentos
Conhecer o grau de dificuldade
SDE (Escasso, difícil, fácil) Dificuldade de aquisição
para aquisição dos itens
Segregação dos itens conforme a
Análise FSN (rápido, lento e natureza do consumo: aplicado
Taxa de Consumo
sem movimento) para caracterização de itens
quanto ao padrão de demanda
Adaptado de Chitale e Gupta (2011)
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.
2.6 FERRAMENTAS PARA DIMENSIONAMENTO DE SOBRESSALENTES
A gestão de itens sobressalente exerce uma importância fundamental para plantas

de processo e sistemas de segurança (Marseguerra et al., 2005), tendo em vista o risco de
perda de produção, impacto a segurança operacional, ao meio ambiente e atendimento a
requisitos legais (normatização). Para evitar tais riscos decorrentes da escassez de
sobressalentes, frequentemente os estoques são sobredimensionados. Essa opção
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.
a) Abordagem baseada no risco de quebra de estoque
O objetivo desta abordagem é determinar a quantidade de sobressalente (N)

considerando as variáveis risco (α) e tempo (T). Neste caso, o risco de quebra do estoque
significa a probabilidade que o número de elementos em estoque seja menor que o número
de falhas. Dentre as técnicas que podem ser aplicadas na abordagem baseada no risco de
quebra do estoque, o modelo de Poisson assume um papel importante dado sua
50
simplicidade matemática. Almeida et al. (2001), destaca algumas hipóteses que devem
ser assumidas quando as falhas seguem um processo de Poisson:
• Independência entre o número de falhas em intervalos diferentes;

• A probabilidade de ocorrer um evento em um pequeno intervalo é
aproximadamente proporcional ao intervalo;
• A probabilidade de ocorrer mais de um evento considerando um pequeno
intervalo é desprezível;
• A distribuição do número de falhas em um intervalo segue o modelo
exponencial.
O cálculo do número de sobressalentes considerando uma distribuição Poisson é descrito

pelo seguinte procedimento:
1°) Definir o risco α;

2°) Calcular a margem de segurança (MS), ou seja, a probabilidade do estoque
não "quebrar" no intervalo considerado: MS = 1-α;
3°) Calcular a margem de segurança (distribuição acumulada do número de falhas)
admitindo-se um processo de Poisson:
PQ = ∑[
(S T U VWX Y
ZG% Z!
(21)
&\ = ]& (22)
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.
O procedimento descrito consiste em determinar o quantitativo de sobressalente

"N", iniciando a partir de N=0 (inexistência de sobressalente), até que o valor acumulado
atenda a condição do risco estabelecido. O método é aplicado somente quando o tempo
entre sucessivos eventos seguem uma distribuição exponencial – Limitação do método.
b) Abordagem baseada no risco de quebra de estoque com uso de conhecimento a

priori
Em algumas situações práticas, quando o item apresenta poucos dados de falhas,

o conhecimento de especialistas pode ser utilizado na determinação dos parâmetros de
confiabilidade. Neste caso, conforme Almeida et al. (2001), utiliza-se o conhecimento a
priori em relação à confiabilidade e ou mantenabilidade do sistema. O processo de
elicitação pode ser desenvolvido visando obter os seguintes parâmetros: taxa de falha (λ)
e tempo médio para reparo.
c) Abordagem segundo a restrição de custo
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;
d) Abordagem segundo uma função utilidade multiatributo
Esta abordagem objetiva aplicar a teoria da decisão em problemas envolvendo

sobressalentes. O modelo é baseado na função utilidade multiatributo composta pelas
restrições custo (C) e o risco de quebra do estoque (α). A decisão a ser adotada consiste
na maximização da função utilidade u (α, C) para valores de custo e risco. Para o contexto
do problema envolvendo teoria da decisão, os seguintes elementos básicos são
considerados:
• Espaço de ação: quantidade de elementos sobressalentes "N";

• Estado da natureza: confiabilidade do sistema e mantenabilidade do
sistema;
• Espaço da consequência: expresso em função da utilidade multiatributo;
Dessa forma, o problema de decisão consiste em determinar a quantidade de

sobressalente "N" que maximiza u (α, C). Um fato importante a ser observado relaciona-
se aos axiomas da teoria da utilidade: o risco α depende do estado da natureza e da ação
tomada pelo decisor, não podendo haver dependência entre os atributos.
Em adição, o Quadro 2 apresenta as principais abordagens identificadas para o

dimensionamento de inventários.
53
Quadro 2- Abordagens para dimensionamento de sobressalentes
Fonte: Elaborado pelo autor
Conforme observado no Quadro 2, diversas ferramentas podem ser aplicadas em

problemas envolvendo otimização sobressalentes. Essas técnicas podem ser de natureza
qualitativa ou quantitativa. Um ponto importante consiste na divisão adotado no Quadro
2. Os modelos classificados como probabilísticos utilizam unicamente os conceitos
estatísticos e matemáticos para o desenvolvimento de suas conclusões. Para os demais
modelos, o conhecimento estatístico pode ser usado como ferramenta secundária em suas
abordagens. A Tabela 3 apresenta alguns trabalhos relacionados ao dimensionamento de
sobressalentes.
54
Tabela 3- Abordagens para dimensionamento de sobressalentes
Característica do Abordagem
Autores Descrição
Equipamento
Uso do processo de renovação no

Barabadi et al. Processo de
Não Reparável dimensionamento de brocas em
(2014) Renovação
uma mina de Bauxita do Irã.
Uso do processo de renovação no

Ghodrati e Kumar Processo de
Não Reparável dimensionamento de macacos
(2005) Renovação
hidráulicos em uma mina da Suécia.
Estimação do número de
Ghodrati et al. Processo de sobressalente (processo de
Não Reparável
(2007) Renovação renovação) e o risco associado
(árvore de falhas).
Predição do número de falhas em

Moura, Rocha e Processo Geral de válvulas de controle. Estudo expõe
Reparável
Droguett (2007) Renovação informações importantes ao controle
de estoque sobressalente.
Uso da cadeia de Markov para

Hamoud (2013) Reparável Cadeia de Markov avaliar o número de disjuntores em
uma subestação de energia elétrica.
Aplicação dos conceitos de cadeia

Gomes e Wanke de Markov na definição dos pontos
Não Reparável Cadeia de Markov
(2008) de ressuprimento para itens
sobressalentes.
Uso da cadeia de Markov,

simulação de Monte Carlo e
Wang e Mao manutenção baseada na condição,
Reparável Cadeia de Markov
(2009) a fim de definir as políticas de
ressuprimento do estoque
sobressalente.
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.
Uso de algoritmo adaptativo para

reordenação dos limites de
Petrovic, Senbord ressuprimento do estoque. O
Não Reparável Algoritmo Genético
e Vujosevic (1988) algoritmo foi baseado em um
mecanismo de aprendizagem
acerca da incerteza da demanda.
Uso da técnica CBM (manutenção

Godoy et al. Monitoramento da baseada na condição) para definir o
Reparável
(2013) condição momento necessário a aquisição do
sobressalente.
Aplicação da MCC para

Manutenção Centrada
Jaarsveld e determinação dos custos de
Reparável na Confiabilidade
Dekker (2011) escassez do item e alocação de
(MCC)
sobressalente.
Desenvolver um método para

gestão de estoque sobressalente
Scala et al. (2014) Reparável Modelo multicritério baseado no modelo de decisão
AHP. Estudo aplicado em uma
empresa nuclear.
Desenvolvimento de modelo para

quantificação de demandas críticas
Dekker et al.
Não Reparável Outros modelos e não críticas, considerando lead
(1998)
time determinístico e demanda
Poisson.
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).
2.7 MODELOS PROBABILÍSTICOS PARA GESTÃO DE SOBRESSALENTES
Os sobressalentes usados em tarefas de manutenção, com exceção da manutenção

preventiva, são usualmente requeridos em intervalos aleatórios. Consequentemente,
devido à incerteza acerca do tempo de falha, o número de sobressalente pode ser
modelado usando distribuição de probabilidade. Os modelos probabilísticos aplicados à
confiabilidade buscam analisar os dados decorrentes das falhas em equipamentos, a fim
de determinar um padrão de ocorrência. Diferentemente dos modelos que envolvem
simulação, os modelos suportados pela teoria da confiabilidade podem quantificar
sobressalentes mesmo quando a taxa de falha não é constante (BARABADI et al., 2014).
O estudo probabilístico das falhas é amplamente utilizado em manutenção, com
destaque as seguintes áreas: dimensionamento de estoque sobressalente, modelos de
deterioração, análise de garantia, periodicidade das manutenções preventivas, modelos
acelerados de falhas, dentre outros. Segundo Ghodrati e Kumar (2005), o número de
sobressalente necessário pode ser determinado mediante técnicas que adotam uma
abordagem probabilística. A influência dos fatores ambientais e das condições de
operação dos equipamentos também influenciam a gestão dos estoques sobressalentes.
Estas características são definidas como covariáveis e devem ser integradas ao estudo.
57
Baseado nas definições teóricas observadas, é apresentado uma sequência de
quatro passos para o dimensionamento dos sobressalentes:
a) Coleta dos dados de falhas do equipamento – Para obter informações acerca

da distribuição de probabilidade de um item, normalmente os componentes
são analisados mediante seus dados de falha. Segundo Fogliatto e Ribeiro
(2009), essas análises podem ser baseadas em dados completos ou censurados.
Os dados completos são formados por itens que apresentaram falhas durante
o período de teste. Os ensaios com amostras censuradas são interrompidos
(censurados) após um determinado tempo ou quando um certo número de
falhas seja atingido. Essa diferenciação é importante para aplicação da
abordagem estatística correta. Em alguns casos (ex. equipamentos novos)
quando não existem dados de falhas, o estudo pode ser baseado com auxílio
de especialistas da área (análise bayesiana) ou mediante ensaios acelerados.
b) Identificação da abordagem estatística apropriada para estimar o número de

falhas em um tempo específico – Conforme o tipo de ação de manutenção
aplicada ao item, três métodos de estimação do número de falhas podem ser
utilizados: processo de renovação (RP), processo não homogêneo de Poisson
(NHPP) e processo geral de renovação (GRP), conforme descrito a seguir:
• Processo de renovação (RP): aplicado a itens reparáveis quando a ação de

manutenção restaura o equipamento a uma condição de “tão bom quanto
novo”, isto é, reparo perfeito. Outrossim, usado em componentes não
reparáveis quando seus dados de falhas são independentes e identicamente
distribuídos (iid);
• Processo não homogêneo de Poisson (NHPP): usado para itens reparáveis
quando a ação de manutenção restaura o item a uma condição “tão ruim
quanto velho”, ou seja, reparo mínimo;
• Processo geral de renovação (GRP): para itens reparáveis quando a ação
de manutenção restaura o componente a uma condição entre “tão bom
quanto novo” e “tão ruim quanto velho”. Aplicado também aos itens não
reparáveis quando os dados das falhas apresentam tendência.
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.
d) Cálculo do número requerido de sobressalentes – Com a identificação da

distribuição dos dados de falha (item “c”) e usando um modelo apropriado
(item “b”), o número de falhas do equipamento em um período específico pode
ser calculado. Quando aplicável, os itens necessários as manutenções
preventivas serão adicionados aos sobressalentes requeridos. Para
componentes reparáveis, o ciclo de reparo deve ser considerado.
2.7.1 Processos Estocásticos
Um processo estocástico é uma família de variáveis aleatórias que descreve a

evolução de algum processo físico em função do tempo (ROSS, 2010; GNEDENKO
;USHAKOV, 1995). Segundo Fogliatto e Ribeiro (2009), as distribuições de probabilidade
permitem estudar o comportamento de uma única variável aleatória, como, por exemplo,
o tempo em que o equipamento irá falhar, ou o tempo em que a manutenção será realizada.
Em sistemas reparáveis, entretanto, é importante a realização de análises globais que
envolvam a predição do número de falhas em um período projetado. Nesse caso, os
Processos Estocásticos são importantes para modelar tais tipos de sistemas.
Segundo Ross (2010), um processo estocástico {X(t), t ϵ T} é uma coleção de
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.
2.7.2 Processo de Renovação
O processo de renovação é definido como um processo de contagem {N(t), t≥0}

onde os tempos entre sucessivos eventos são independentes e identicamente distribuídos
(i.i.d), mediante uma distribuição arbitrária (ROSS, 2010). Assim, no processo de
renovação o tempo até a ocorrência do primeiro evento é caracterizado por uma
distribuição “F”, e o tempo entre o primeiro e os eventos subsequentes são independentes
(não possuem relação) e representados pela mesma distribuição “F”.
Os processos de renovação são aplicados na análise de confiabilidade para
sistemas reparáveis e não reparáveis. Segundo Fogliatto e Ribeiro (2009), quando o tempo
para reparo do equipamento é considerado desprezível, o processo de renovação é dito
simples. Caso contrário, o mesmo é classificado como alternante. Nesse caso, uma
renovação ocorre sempre que o equipamento voltar a funcionar, ou seja, quando o reparo
estiver completo.
A função contadora N(t) será incrementada a cada renovação para o período (0,
t]. Segundo Fogliatto e Ribeiro (2009), considerando desprezível os tempos até o reparo,
o tempo até a k-ésima renovação é igual ao tempo até a k-ésima falha, sendo dado por Tk
= X1 + X2 +.....Xk, ou seja, a soma dos tempos entre falhas até a falha k. Dessa forma, a
função N(t) pode ser definida, para t>0, como:
_ = 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)
Onde Fn representa a n-upla convolução de F(t), dado por:
4
= %
4 $
−. # . (27)
A expectativa do número de renovações, E [N(t)], durante o intervalo t é dado por:
g<_ = = ∑4G$ 4
(28)
A intensidade da função renovação mostra a expectativa do número de renovação em

função do tempo, sendo representada por:
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;
Em adição a equação proposta por Gnedenko et al. (1969), Sheikh, Callom e

Mustafa (1991) adaptaram a equação 30 para previsão de itens sobressalentes. Para tanto,
foi integrado um termo a equação que refere-se a probabilidade de escassez do estoque:
+
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.
Tabela 4– Parâmetro de escassez do estoque
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
Fonte: Adaptado de Sheikh, Callom e Mustafa (1991)
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.
2.7.3 Modelo de Regressão com covariáveis
Em diversos estudos existem a necessidade de contabilização dos efeitos das

covariáveis ou variáveis explanatórias em modelos que analisam o tempo de vida. Uma
forma eficiente de acomodar os efeitos dessas covariáveis é mediante o uso dos modelos
de regressão. Segundo Ghodrati e Kumar (2005), um modelo com variáveis explanatórias,
por vezes, explica o motivo pelo qual algumas unidades falham rapidamente e outros
sistemas sobrevivem um longo período de tempo. Nos estudos de confiabilidade é
possível a inclusão das seguintes covariáveis:
• Variáveis continuas de estresse: temperatura, pressão, voltagem;

• Variáveis categóricas: localização, design, habilidades do mantenedor,
habilidades do operador;
• Variáveis discretas.
A ideia central dos modelos de regressão é expressar a distribuição do tempo para

falha como uma função de k variáveis explanatórias, denotadas por X = (x1.........xk), ou
seja:
Pr ≤ :. = :. = (32)
Em análise de sobrevivência e confiabilidade, duas categorias de modelos são

propostas na literatura: modelos paramétricos e semi-paramétricos. Segundo Colosimo e
Giolo (2006), os modelos paramétricos (também denominado de modelo de tempo de
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).
2.7.4 Modelo de Regressão com covariáveis: tempo de vida acelerado
O modelo de tempo de vida acelerado ou de regressão paramétrico permite

associar a resposta do modelo (tempo para falha) e as variáveis explicativas por meio de
um modelo linear. Segundo Colosimo e Giolo (2006), considerando uma covariável, o
gráfico desta versus a resposta deve mostrar evidencias de relação linear, caso o modelo
seja aceitável para a situação. A equação da reta será formada por dois componentes:
componente determinístico do modelo de regressão e o componente estocástico,
representando o erro aleatório (LAWLESS, 2002). A equação 33 apresenta a equação
para uma covariável.
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.
Em situações nas quais a variável resposta é o tempo ou para dados censurados

(dados não completos), o modelo representado pela equação 32 torna-se inapropriado.
Em adição, a distribuição da resposta tende a ser assimétrica na direção dos maiores
tempos de sobrevivência (COLOSIMO; GIOLO,2006), inviabilizando o uso da
distribuição normal para o componente estocástico do modelo. Assim, um modelo linear
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:
= exp{ t% + t$ .}u (34)
s = xyz = t% + t$ . + { (35)
/. = './{− }
U|}{~• ~€ |}
(36)
A expressão 36 mostra a função de confiabilidade para “t” condicionada a “x”.
Weibull:
s = xyz = t% + t$ .+. . . +t} ‚} + ƒ{ = . „ t + ƒ{ (37)
/. = exp{− $/-
…†‡{| ˆ ~}
} (38)
A expressão 38 mostra a função de confiabilidade para “t” condicionada a “x”.
2.7.5 Modelo de Regressão com covariáveis: Riscos proporcionais
O modelo de regressão de Cox permite analisar dados provenientes dos estudos

de tempo de vida, em que a resposta é o período até a ocorrência de um evento de
interesse, ajustado por covariáveis (COLOSIMO; GIOLO, 2006). Nesse modelo, a taxa
de falha do item é definida pelo produto da taxa básica de falha λ0(t), dependendo somente
do tempo, e uma função positiva que incorpora os efeitos das covariáveis, g (x β).
& =& z xβ (39)
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:
& = &% './ x β = &% './Š∑4‹G$ .‹ t‹ Œ (40)
Uma premissa básica para aplicação do modelo de riscos proporcionais consiste na

condição de proporcionalidade das taxas de riscos, ou seja:
= = exp .E β − .‹ β
(E /|• (• U|} |• •
(‹ /|Ž (• U|} |Ž •
(41)
Nesse caso, a suposição básica para uso do modelo de regressão de Cox é,

portanto, que as taxas de falha sejam proporcionais ao longo do tempo. Conforme
apresentado por Colosimo e Giolo (2006), a Figura 17 mostra um exemplo em que o uso
do modelo de riscos proporcionais é inadequado.
Figura 17- Exemplo de taxas de falha não proporcionais

Fonte: Colosimo e Giolo (2006)
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.
Figura 18- Exemplos de aplicação: riscos proporcionais

Fonte: Colosimo e Giolo (2006)
O modelo de riscos proporcionais é definido por coeficientes que medem os

efeitos das covariáveis sobre a função taxa de falha. Para a completa descrição do modelo
envolvendo riscos proporcionais, torna-se necessário a estimação dos parâmetros que
caracterizam as covariáveis. Estas quantidades devem ser estimadas mediante
observações amostrais da variável resposta (exemplo: tempo entre falhas). Conforme
Colosimo e Giolo (2006), para este propósito, o método da máxima verossimilhança é
amplamente aplicável.
A estimação dos parâmetros do modelo de riscos proporcionais é baseada nas
definições propostas por Cox (1975), denominada de método de máxima verossimilhança
parcial. Diferente da máxima verossimilhança convencional, a proposição de Cox (1975)
permite a estimação dos parâmetros quando a função taxa de falha é não paramétrica. Esta
função é dada por:
–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)
A função de verossimilhança parcial assume que o tempo de estudo é continuo e,

portanto, não pressupõe a possibilidade de empates nos valores da variável resposta. Caso
os empates venham a ocorrer devido à escala de medida adotada, a função deve ser
modificada para incorporá-los. Para estes casos, Breslow (1972) e Peto (1972)
apresentaram propostas para aproximação.
68
3. CARACTERIZAÇÃO DO PROBLEMA
No cenário nacional, a atividade de exploração e produção de petróleo tem

apresentado um crescimento expressivo, marcado pela descoberta de novos reservatórios
e pelo aumento na produção dos campos maduros. A indústria do petróleo apresenta
algumas particularidades inerentes ao negócio, tais como: altos investimentos em
exploração e produção, riscos financeiros acentuados, altos custos operacionais e lucros
cessantes consideráveis. Estas características motivam ações de melhorias relacionadas a
otimização da eficiência operacional.
A produção de petróleo, em geral, pode ser realizada a partir de dois mecanismos:
elevação natural e elevação artificial. Quando a pressão do reservatório é suficientemente
elevada, o petróleo emerge naturalmente à superfície, sem a necessidade de meios
auxiliares. Os poços que utilizam este meio são denominados surgentes. Em
contrapartida, quando a pressão do reservatório é baixa, os fluídos não alcançam a
superfície. Neste caso, a produção fica condicionada ao uso de meios artificiais.
Segundo Thomas (2001), o uso de meios artificiais ocorre em duas situações:
quando a pressão do reservatório é baixa ou quando a vazão está aquém do previsto,
necessitando da suplementação da energia natural a partir da elevação artificial. O uso de
equipamentos específicos resulta no aumento do diferencial de pressão sobre o
reservatório, refletindo em aumento de vazão (ROSA et. al, 2006). Os métodos de
elevação mais comuns na indústria do petróleo são:
a) Bombeio centrífugo submerso (BCS);

b) Bombeio mecânico (BM);
c) Bombeio de cavidade progressiva (BCP);
d) Gás Lift contínuo e intermitente (GLC ou GLI);
A escolha do método artificial de elevação para poços de petróleo depende de

alguns fatores. Thomas (2001) destaca os principais critérios a serem considerados:
número de poços, diâmetro do revestimento, vazão, produção de areia, profundidade do
reservatório, viscosidade dos fluídos, disponibilidade de energia elétrica, razão gás
líquido, investimento, dentre outros.
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
Quando um dos componentes de subsuperfície apresenta falha (cabo, bomba ou

motor elétrico), o poço fica indisponível. O lucro cessante gerado é proporcional ao seu
tempo de inatividade ou downtime do poço. Considerando um poço típico com produção
diária líquida de 50m³, esta perda corresponde a $ 15.573,57 por dia. Este valor foi
calculado conforme preço do barril equivalente a $ 49,52, consultado em 03.08.2015. A
perda de produção pode ser agravada caso o sobressalente necessário não esteja
disponível.
As falhas nos componentes de subsuperfície podem ser de natureza elétrica ou
mecânica. Dessa forma, a análise em blocos de confiabilidade foi aplicada visando tornar
o modelo mais representativo. O sistema BCS foi modelado considerando uma associação
série de três blocos: cabo elétrico, bomba e motor. A associação série é caracterizada pela
relação de dependência entre os elementos. A Figura 20 mostra o detalhe do sistema em
estudo.
71
1’’
Figura 20- Sistema BCS
Conforme observado na Figura 20, a disponibilidade do sistema BCS está

condicionada à funcionalidade dos seus componentes, representada pela confiabilidade
individual dos itens. Em adição, a confiabilidade do conjunto motobomba pode ser
influenciada por alguns fatores externos, denominados de covariáveis ou variáveis
explanatórias. Essas variáveis tendem a reduzir o tempo de vida dos equipamentos, sendo
a sua determinação fundamental para acurácia da análise probabilística. Accioly et al.
(1995), analisaram dez covariáveis em um levantamento estatístico para poços BCS da
bacia de campos, sendo escolhida quatro como representativas: fabricante, potência do
motor, temperatura média do reservatório e razão gás óleo.
Considerando os elevados lucros cessantes decorrentes da falta desse item, a
empresa não apresenta restrição de custo quanto sua imobilização. Ou seja, desde que
exista uma ferramenta adequada para o dimensionamento do sobressalente, os gastos
observados na aquisição e imobilização do item em estoque são compensados pelo lucro
cessante envolvido.
72
3.1 LOCALIZAÇÃO
O estudo será aplicado em plataformas de produção de petróleo situada no litoral

do Ceará, município de Paracuru. O início da exploração e produção de petróleo no litoral
do Ceará data da década de 80, com o campo de Xaréu. Posteriormente, a exploração
expandiu criando três novos campos: Atum, Curimã e Espada, totalizando cerca de 35
poços produtores de petróleo. A Figura 21 mostra um mapa com a localização dos
diversos campos de produção gerenciados pela empresa sob estudo. Os campos de
produção compõem a Unidade Organizacional do Rio Grande do Norte e Ceará – UO
RNCE.
Figura 21– Localização dos campos de Produção

As operações resultam na produção de petróleo e gás, sendo o petróleo destinado

a um navio estacionário (armazenagem) e o gás enviado a Fortaleza mediante gasoduto.
O navio armazena o petróleo durante certo período até a ocorrência do alívio, onde o
produto é transferido para outra embarcação e destinado ao município de Guamaré, estado
do Rio Grande do Norte. A Figura 22 ilustra o esquema da produção de petróleo offshore
(marítimo).
73
Figura 22- Plataforma de Produção
3.2 CARACTERÍSTICAS DO ESTOQUE DE MATERIAIS
A empresa estudada armazena seus materiais em almoxarifados dispostos

estrategicamente nas diversas regiões onde atua. Os armazéns podem ser classificados em
dois tipos: armazém do usuário e armazém central. Os almoxarifados do usuário
contemplam os itens consumíveis e sobressalentes de uso comum da instalação. Os
almoxarifados centrais armazenam os componentes comuns e estratégicos para as
unidades de negócio. A Figura 23 mostra a disposição dos estoques que atendem as
plataformas da costa do Ceará.
74
Figura 23– Localização dos estoques
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
4.1 CARACTERIZAÇÃO DO ESTUDO
Este estudo objetiva aplicar um modelo para quantificação de materiais

sobressalentes reparáveis, utilizando abordagem probabilística. A análise foi aplicada ao
dimensionamento do estoque de motobombas centrífugas submersas (BCS), usadas na
produção de petróleo. O estudo foi desenvolvido em uma empresa do setor petrolífero,
com atuação abrangente no território nacional.
4.2 DELINEAMENTO DA PESQUISA
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.
Figura 24- Procedimento de Pesquisa

A primeira etapa da pesquisa representa a formulação do problema. Nesta fase, o

pesquisador depara-se com o problema real, analisa-o e enuncia de forma clara e
compreensível a dificuldade encontrada, a fim de torná-la específica. Para o estudo
corrente, a formulação do problema originou-se a partir das seguintes observações:
1) Estoque de materiais sobressalentes destinados à manutenção de equipamentos

geralmente apresentam baixo giro e onera em demasia o negócio da empresa, dado
seu elevado valor de aquisição;
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.
3) A falha de um equipamento de processo gera uma solicitação ao estoque. Quanto

maior a taxa de falha do equipamento, maior será o estoque sobressalente para
atender esta demanda. Assim, pode-se estabelecer uma relação entre os aspectos
de confiabilidade dos equipamentos e a gestão de estoques sobressalentes;
4) As condições ambientais podem afetar o tempo de vida dos equipamentos. A

descrição e quantificação das variáveis explanatórias torna o modelo mais
representativo.
A segunda etapa (pesquisa bibliográfica) caracteriza-se pela realização de estudo

com caráter bibliográfico, visando adquirir conhecimento sobre o problema e analisar as
variáveis que influenciam o estudo. A análise teve como fonte primária de pesquisa os
conteúdos abordados em livros, dissertações, normas, teses e artigos científicos. Para a
pesquisa nas bases de dados, especialmente no portal Capes, foram utilizadas as seguintes
palavras chaves e conectivos: confiabilidade e gestão de estoque, sobressalente e
confiabilidade, spare parts and lumpy, reliability and spare parts. A busca resultou em
121 artigos, os quais após a leitura dos resumos, foram reduzidos para 35 artigos.
A terceira etapa consistiu na formulação do modelo conceitual para análise do
problema em estudo. Dado a correlação entre a taxa de falha dos equipamentos e a gestão
de sobressalentes, o modelo procurou abordar tais características visando a minimização
das variáveis custos, lucro cessante e capital imobilizado.
A quarta etapa relaciona-se à aplicação do modelo proposto. Como forma de
analisar os eventos de falha do equipamento selecionado, dados históricos foram
adquiridos. A quinta etapa foi baseada na validação do estudo utilizando simulação de
Monte Carlo. Na sexta fase do estudo aborda as considerações finais do trabalho.
78
4.3 MODELO CONCEITUAL
O modelo conceitual visa estruturar os principais conceitos que envolvem o

problema, descrevendo suas relações. O Quadro 3 expõe o sequenciamento necessário ao
dimensionamento de sobressalentes.
Escolha do Seleção e aplicação do

equipamento e coleta modelo de regressão
dos dados de falhas com covariáveis
Análise dos Formulação das Análise estatística dos

modos de falhas covariáveis dados de falhas
1 2
O reparo é
SIM considerado “tão NÃO
, bom quanto novo”?
Usar processo O reparo é NÃO

SIM
de renovação considerado “tão ruim
quanto velho”?
Usar modelo não Usar o processo

homogêneo de generalizado de
Poisson renovação
Cálculo do número de
Expectativa de falhas para o período Ciclo de reparo
manutenção preventiva projetado
5
Previsão do número de
Validação
Sobressalentes
4
Quadro 3– Modelo conceitual
79
Conforme observado no Quadro 3, o procedimento para alocação de sobressalentes
envolve 5 etapas básicas, explicado a seguir:
a) Etapa 1
Inicia com a escolha do equipamento a ser analisado. O item selecionado deve

possuir no mínimo uma das seguintes características: alto valor de aquisição, alto custo
de capital imobilizado, lucro cessantes elevado, impacto a segurança operacional ou meio
ambiente. A seleção do equipamento visa aplicar o modelo aos itens sobressalentes que
possuem natureza estratégica para a organização. Em sequência, a coleta dos dados e a
formulação das covariáveis representam uma fase importante do estudo.
A formulação das covariáveis tem como requisito principal a análise dos
mecanismos da falha do equipamento. Segundo Barabadi et al. (2014), os mecanismos da
falha são um guia na identificação e formulação das covariáveis. Em adição, Ghodrati e
Kumar (2005) relatam que a experiência dos operadores e as habilidades da equipe de
manutenção são fundamentais nesse processo. A Tabela 5 mostra um exemplo de
definição das covariáveis mediante análise de falha.
Tabela 5 – Modos de Falha
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
b) Etapa 2
Consiste na identificação das covariáveis, aplicação do modelo de regressão e

análise estatística dos dados de falha. Na primeira fase da etapa 2, as covariáveis são
identificadas e testadas a fim de assegurar sua representatividade ao estudo. Nas análises
envolvendo covariáveis, os fatores de influência podem ser relevantes ou não ao
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:
š = −2xyz 2 6 = 2<xyzB C − log B C% =

3 œ•
3 œ
(44)
As covariáveis cujo valor “p” é menor ou igual a 10% apresentam indicativo de

representatividade. No passo 2, todas as covariáveis são consideradas no modelo. Em
sequência, cada covariável é retirada e comparada com o estágio anterior. A covariável
será representativa ao estudo caso apresente valor “p” menor que 10% nos dois passos.
Sob a hipótese que a covariável é representativa ao estudo, TRV (Teste da Razão da
Verossimilhança) segue aproximadamente uma distribuição qui-quadrado com “n” graus
de liberdade. Para o estudo, os graus de liberdades são equivalentes ao número de
covariáveis testadas.
Em sequência, o modelo de regressão para as covariáveis é definido visando
quantificar os efeitos das covariáveis. Nesta fase, dois modelos de regressão podem ser
aplicados: riscos proporcionais ou tempo de vida acelerado. Segundo Lawless (2002), a
escolha do modelo de regressão pode ser baseada na observação do gráfico que representa
o logaritmo da taxa de falha acumulada em função do tempo.
Caso o modelo de riscos proporcionais seja mais adequado, espera-se obter um
gráfico com linhas paralelas deslocadas ao longo do eixo das ordenadas. Se o modelo
envelhecimento acelerado for mais adequado espera-se obter linhas paralelas transladadas
ao longo do eixo das abcissas. Conforme Barabadi et al. (2014), para dados sem censuras,
é indiferente escolher o modelo de riscos proporcionais ou de envelhecimento acelerado.
Para o modelo de riscos proporcionais, o efeito das covariáveis é quantificado baseado
no método da máxima verossimilhança parcial.
A segunda fase da etapa 2 consiste na análise estatística dos dados de falha. Nessa
fase, para cada componente que forma o equipamento, as distribuições de probabilidade
(Weibull, exponencial e lognormal) são testadas a fim de assegurar sua representatividade
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
Objetiva escolher o modelo adequado para previsão do número de falhas do

equipamento considerando um período determinado. Conforme o tipo de reparo
realizado, a ferramenta aplicada poderá ser: processo de renovação, processo homogêneo
de Poisson, processo de renovação generalizado.
d) Etapa 04
A etapa 04 representa o cálculo da previsão do número de sobressalentes

necessário ao equipamento e a validação do estudo. A predição da quantidade de
sobressalente é baseada na expectativa do número de falhas no período (conforme
processo de renovação), na manutenção preventiva (caso o equipamento seja
manutenidos por esta rotina) e no ciclo de reparo do equipamento (para equipamento
reparáveis). Visando analisar a correspondência entre as informações geradas pelo
modelo e os eventos reais, o estudo deve ser validado.
Para a previsão do número de falhas no período, o processo de renovação é
implementado conforme equação (simplificação) definida por Gnedenko, Belyayev e
Solovyv (1969) ou mediante algoritmo recursivo desenvolvido por Xie (1989). Para a
equação definida por Gnedenko Belyayev e Solovyv (1969), torna-se necessária a
definição dos seguintes parâmetros da distribuição resultante: tempo médio e desvio
padrão. Em sequência, os valores dos parâmetros são inseridos na equação do processo
de renovação:
+
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
Corresponde à integração entre as informações geradas pelo modelo e seus

parâmetros iniciais. Caso exista alguma não conformidade identificada na fase de
validação, os seguintes questionamentos são necessários:
a) Os dados de falhas foram corretamente coletados?

b) As covariáveis são representativas ao estudo?
c) O modelo de regressão com covariáveis é o adequado?
d) A distribuição estatística de probabilidade é aderente aos dados de falhas?
4.4 PLANOS DE COLETA E ANÁLISE DOS DADOS
O estudo foi aplicado em uma empresa do setor petrolífero, em plataformas de

produção de petróleo, situada litoral do Ceará. Os sujeitos que constituem as amostras são
representados pelos conjuntos motobombas aplicados ao bombeio centrifugo submerso
(BCS). A população estudada é caracterizada pelos seguintes aspectos:
a) Quanto à natureza dos equipamentos: os equipamentos são reparáveis;

b) Quanto à rotatividade do material em estoque: os itens imobilizados apresentam
baixo giro;
c) Quanto à existência dos dados de falhas: os equipamentos possuem históricos dos
dados de falhas;
A técnica de coleta foi baseada na pesquisa documental dos dados do estoque e

falhas do equipamento sob estudo, a partir do sistema integrado de gestão da empresa
(SAP/R3), módulo de planejamento da manutenção (Módulo PM). Os dados referentes
às covariáveis foram coletados mediante Sistema de Informação das Plataformas (SINP)
e do Sistema de Informação da Produção (SIP). Os dados referentes aos tempos entre
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
O equipamento escolhido, conjunto motobomba para bombeio centrífugo

submerso, foi analisado considerando três componentes: cabo, bomba centrífuga e motor
elétrico. O sistema foi assim dividido dado a incidência das falhas ser mais representativa
para estes componentes. A sequência da análise prevê o estudo dos eventos de interesse
(falha) considerando as covariáveis para cada item e, posteriormente, o cálculo da
confiabilidade sistêmica.
Conforme definido pelo processo de renovação, os parâmetros de vida média e
desvio padrão da distribuição resultante são necessários para previsão do número de
falhas em um período “t”. O modelo conceitual apresentado baseia-se na aplicação de
cinco etapas necessárias ao processo de dimensionamento dos sobressalentes, conforme
seções seguintes.
5.1 ETAPA 1 – IDENTIFICAÇÃO DAS COVARIÁVEIS E COLETA DOS DADOS
A etapa 1 consistiu em analisar os modos de falhas do equipamento com objetivo

de definir as covariáveis a serem estudadas. A Tabela 6 mostra a estratégia adotada para
definição das covariáveis.
Tabela 6– Definição das Covariáveis
Modo de Falha Mecanismo da falha Parte afetada Covariável
a) Profundidade;
Contaminação do óleo
b) Erro na Montagem
isolante, corrosão da
Baixa resistência de (Fator humano);
carcaça do motor elétrico, Motor elétrico
isolação (Motor) c) BSW;
erro na montagem, troca
d) Vazão bruta;
de calor deficiente;
e) Potência.
a) RGO;
Baixa resistência de b) Erro na Montagem
Degradação do isolamento Cabo elétrico
isolação (cabo) (Fator humano);
c) Potência;
Fator humano (erro na a) Erro na Montagem
Travamento Bomba
montagem) (Fator humano);
a) BSW;
c) RGO;
Cavitação do conjunto,
d) Fator humano;
Baixa eficiência corrosão dos rotores da Bomba
e) Vazão Bruta;
bomba
f) Altura da coluna de
líquido;
Operação inadequada do a) Operação inadequada
Quebra do eixo Bomba
BCS (Fator Humano);
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.
Figura 25 - Óleo isolante contaminado
5.2 ETAPA 02 – ANÁLISE DOS DADOS
O modelo de riscos proporcionais foi aplicado com objetivo de quantificar os

efeitos das covariáveis. Para cada componente que forma o sistema, a suposição básica
de proporcionalidade das taxas de falha foi testada. A seleção das covariáveis considerou
o método stepwise com significância de 10%, baseado na razão da verossimilhança (teste
de hipótese). Em adição, os dados de falhas foram analisados objetivando identificar o
modelo probabilístico mais aderente a cada item (bomba, motor elétrico e cabo).
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.
Tabela 7– Dados de falha: Bomba
Tempo Status RGO BSW Coluna de Vazão Fator

Evento
operação Censura (m³/m³) (%) líquido (m) bruta (m³) Humano
1 49 1 0 0 1 1 0
2 273 1 1 1 0 0 0
3 359 1 1 1 1 1 0
4 117 1 1 0 0 1 0
5 374 1 1 1 0 0 0
6 56 1 1 0 1 1 0
7 91 1 1 0 0 1 0
8 111 1 1 0 0 1 0
9 449 1 1 0 0 0 0
10 65 1 1 0 0 0 0
11 325 1 0 0 0 0 0
12 376 1 1 1 0 0 1
13 392 1 1 0 1 0 0
14 488 1 1 0 0 0 0
15 469 1 0 1 1 0 0
Conforme observado pela Tabela 7, a coleta dos dados resultou em 15 registros

completos para o item bomba, dispostos conforme ordem de ocorrência dos eventos. Os
dados coletados apresentam uma amplitude de 457 dias, representada pelos eventos 1 e
14. Dado a necessidade de identificar as covariáveis que aceleram a taxa de falha do
equipamento, todos os eventos foram considerados no estudo. Em contrapartida, esta
decisão tem reflexo no aumento do desvio padrão do tempo entre falhas.
A definição dos limites para dicotomização das covariáveis foi realizada com
base nas informações existentes em manuais do fabricante de BCS, consulta a
especialistas da área, relatórios de falha e no trabalho desenvolvido por Accioly (1995).
As covariáveis analisadas para o item bomba foram:
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.
(2) BSW: O BSW (Basic Sediments Water) é a fração de água produzida

comparada com a produção total. Este fator, associado a salinidade, pode
acelerar o processo de corrosão dos rotores da bomba e reduzir a eficiência do
conjunto. Nesse caso, para poços cujo BSW foi menor que 40%, foi atribuído
o valor 0. Nos demais casos essa variável recebeu o valor 1;
(3) Coluna de líquido: Essa covariável representa, de forma indireta, a pressão na

sucção da bomba. O seu valor é calculado pela diferença entre a profundidade
da bomba e o nível dinâmico do poço. Nos poços cuja coluna de líquido é
maior que 400m foi atribuído 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;
(5) Fator Humano: Corresponde a covariável que agrega os aspectos humanos

relacionados a operação do poço e instalação do conjunto motobomba. Para
os poços cujo as falhas ocorreram devido ao fator humano, o valor atribuído
foi 1. As informações acerca desta covariável foram obtidas dos relatórios de
análise das falhas.
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.
Figura 26– Papéis de probabilidade

Elaborado pelo autor
O teste analítico de aderência usado para a escolha da distribuição estatística foi o

Kolmogorov-Smirnov (KS). O KS é um teste não paramétrico de uso mais adequado em
situações nas quais poucos dados amostrais são disponíveis. A Tabela 8 sintetiza as
informações sobre o ajustamento aos modelos probabilísticos.
89
Tabela 8 - Teste de aderência: bomba
Distribuição Teste KS
Exponencial 0,5043
Lognormal 0,5337
Weibull 0,3727
Conforme indicado pela Tabela 8, a distribuição Weibull apresentou o melhor

ajustamento dentre os modelos testados. A estatística de teste para o método KS observa
a máxima diferença absoluta entre a função de distribuição acumulada assumida para os
dados e a função de distribuição empírica dos dados. A distribuição selecionada será
aquela cujo valor obtido no teste KS é o menor, ou seja, a distribuição Weibull. Conforme
resultados obtidos mediante software Weibull ++®, a Tabela 9 mostra os parâmetros da
distribuição Weibull para o item bomba.
Tabela 9– Parâmetros da Distribuição Weibull: bomba
Parâmetro Weibull Valor

Parâmetro de Forma (γ) 1,633
Parâmetro de Escala (η) 296,7859
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
Posteriormente, as covariáveis foram analisadas conforme os dados da Tabela 7,

sendo os resultados consolidados na Tabela 10. Para tanto, o método Stepwise foi aplicado
para seleção das covariáveis. Os resultados apresentados na Tabela 10 foram obtidos a
partir do programa R®, versão 3.0.2.
Tabela 10– Seleção de covariável: bomba
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
V1 = RGO (< 30m³/m³ = 0 ; ≥ 30m³/m³ = 1)
V3 = Coluna de líquido (>400m = 0 ; ≤ 400m = 1)

V2 = BSW (<40% = 0 ; ≥ 40% = 1)
V4 = Vazão bruta (> 30m³/dia = 0 ; ≤ 30m³/dia = 1)

V5 = Fator Humano (Não=0 ; Sim=1)
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
Tabela 11 - Estimação covariável: bomba

Razão das taxas
Covariável Estimativa (β)
de Falhas
V4 1,9355 6,928
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.
Figura 28– Proporcionalidade dos riscos: covariável vazão

Figura 29– Resíduo de Schoenfeld: bomba

93
Tabela 12– Coeficiente de Pearson: bomba
Covariável Descrição Coeficiente

Pearson (ρ)
V4 Vazão - 0,0724
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.
5.2.2 Etapa 2: análise dos dados: componente motor
O componente motor elétrico é responsável pelo fornecimento da força motriz

necessária ao movimento rotacional da bomba, a partir da conversão da energia elétrica
em mecânica. A coleta dos dados para este item resultou 21 registros completos de tempos
entre falhas, classificados em ordem de ocorrência. A Tabela 13 mostra a consolidação
dos eventos e as covariáveis analisadas.
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
Os dados mostrados na Tabela 13 apresentam uma amplitude de 1891 dias,

representada pelos eventos 16 e 19. Dado a necessidade de identificar as covariáveis que
aceleram a taxa de falha do equipamento, todos os eventos foram considerados no estudo.
Em contrapartida, esta decisão tem reflexo no aumento do desvio padrão do tempo entre
falhas para o item analisado. A dicotomização das covariáveis foi realizada com base nas
informações existentes em manuais do fabricante de BCS, consulta a especialistas da área,
relatórios de falha e no trabalho desenvolvido por Accioly (1995). Para o item motor
elétrico, os limites para análise das covariáveis foram os seguintes:
(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;
(4) Profundidade do conjunto BCS: o aumento da profundidade dos poços está

diretamente ligado com o crescimento da temperatura. Essa covariável
representa, de forma indireta, a influência da temperatura do petróleo sobre o
motor elétrico. Aos poços cuja profundidade é menor ou igual que 1800m,
atribui-se valor 0. Nos demais casos, essa variável recebeu o valor 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;
A Figura 30 apresenta os papeis de probabilidade para as distribuições: Weibull,

exponencial e lognormal.
96
Figura 30 Papéis de probabilidade: motor elétrico
A Tabela 14 mostra os resultados analíticos decorrentes da aplicação do teste

Kolmogorov-Smirnov usado na seleção do modelo probabilístico.
Tabela 14 Teste de aderência: motor

Exponencial 0,729379
Lognormal 0,06267
Weibull 0,045882
Conforme observado pela Tabela 14, o modelo Weibull apresentou melhor

aderência aos dados de falhas. Os parâmetros que caracterizam a distribuição Weibull
para o item motor elétrico são mostrados na Tabela 15.
97
Tabela 15 - Parâmetros da Distribuição Weibull: motor elétrico

A Tabela 15 indica que o parâmetro de forma para o componente motor elétrico é

1,4519. Como o parâmetro de forma é maior que 1, a taxa de falha para este componente
é crescente ao longo do tempo (região de desgaste). O parâmetro de escala ou vida
característica indica o tempo no qual 63% das unidades já falharam, representando um
período de 663,77 dias. A Figura 31 mostra os gráficos para a taxa de falha e
confiabilidade.
Figura 31– Gráficos 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
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
V1 = BSW (<40% = 0 ; ≥ 40% = 1)

V2 = Vazão bruta (> 30m³/dia = 0 ; ≤ 30m³/dia = 1)
V4 = Profundidade do conjunto BCS (<1800m = 0 ; ≥ 1800m = 1)
V5 = Potência (< 72 HP = 0 ; ≥ 72 HP = 1)
A estimativa para a covariável V3 (fator humano) é apresentada na Tabela 17. A

covariável fator humano apresentou valor de 2,2139, representando uma razão das taxas
de falha de 9,152. Ou seja, a taxa de falha para poços que foram instalados por profissional
“não experiente” (designada pelo numeral um) é aproximadamente 9 vezes a taxa de falha
para poços instalados por profissional “experiente” (designada pelo numeral 0). A
equação 47 apresenta a forma geral da taxa de falha para a distribuição Weibull
considerando o efeito da covariável V3 (fator humano).
Tabela 17– Estimação covariável: motor
Covariável Estimativa (α) Razão das taxas de Falhas

V3 2,2139 9,152
%,¬-$¨
& ,. = 9 : ∗ './ 2,2139 .
$,¬-$¨
¦¦§,©© ¦¦§,©©
(47)
A Figura 32 mostra o gráfico do logaritmo da taxa de falha acumulada em função

do tempo para a covariável fator humano, sendo o identificador zero (profissional
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.
Figura 32– Proporcionalidade dos riscos: covariável fator humano

Conforme observado na Figura 32, as unidades que foram instaladas por

profissional “não experiente” (linha azul) apresentam um maior risco acumulado quando
comparado a unidades instaladas por profissional “experientes” (linha em vermelho).
Importante notar que esta covariável não atua em todas as falhas para o item motor.
Figura 33–Resíduo de Schoenfeld: motor

Tabela 18– Coeficiente de Pearson: motor

Coeficiente
Covariável Descrição
Pearson (ρ)
V3 Fator Humano 0,0451

De acordo com as Figuras 32, 33 e a Tabela 18, não existem argumentos para
invalidar a hipótese de riscos proporcionais para covariável V3 (Fator humano). Assim,
100
o modelo que representa o processo de falha para o componente motor elétrico deve ser
expresso com a inclusão da covariável fator humano.
5.2.3 Etapa 2: análise dos dados: componente cabo elétrico
O componente cabo elétrico é responsável pela condução da energia elétrica

indispensável ao funcionamento do motor. O comprimento deste cabo varia conforme a
profundidade do conjunto BCS, podendo ser necessário emendas ao longo da sua
extensão. A coleta dos dados para este item resultou em 18 registros completos de tempos
entre falhas. A Tabela 19 mostra a consolidação dos eventos e as covariáveis analisadas.
Tabela 19– Dados de falha: Cabo
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
Os dados coletados apresentam uma amplitude de 930 dias, representada pelos

eventos 3 e 18. Dado a necessidade de identificar as covariáveis que aceleram a taxa de
falha do equipamento, todos os eventos foram considerados no estudo. Em contrapartida,
esta decisão tem reflexo no aumento do desvio padrão do tempo entre falhas para o item
analisado. A dicotomização das covariáveis foi realizada com base nas informações
existentes em manuais técnicos, consulta a especialistas da área, relatórios de falha e no
trabalho desenvolvido por Accioly (1995). Para o item cabo elétrico, os limites para
análise das covariáveis foram os seguintes:
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;
(2) Fator Humano: corresponde a covariável que agrega os aspectos humanos

relacionados à composição das emendas e instalação do conjunto BCS.
Conforme análise dos relatórios de falhas, ficou evidenciado que alguns
eventos são fortemente influenciados por este fator. Os erros mais comuns
observados foram: emenda fora do padrão, ocasionando curto-circuito entre
fases ou entre fase / terra e amassamento do cabo durante instalação do
conjunto BCS. Para os poços cujas falhas ocorreram devido ao fator humano,
o valor atribuído foi 1. As informações acerca dessa covariável foram obtidas
a partir dos registros de falha gerados para este componente;
(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.
A Figura 34 apresenta os papéis de probabilidade para o componente cabo

elétrico, considerando as distribuições: exponencial, lognormal e Weibull. A Tabela 20
mostra os resultados dos testes analíticos de aderência considerando a abordagem
Kolmogorov- Smirnov.
Tabela 20– Teste de aderência: cabo elétrico

Exponencial 0,2002
Lognormal 0,1500
Weibull 0,1524
102
Figura 34– Papéis de probabilidade: cabo elétrico
Conforme observado no teste de aderência (Tabela 20), a distribuição lognormal

e a Weibull apresentaram resultados equivalentes, fato evidenciado pelos papéis de
probabilidade. Assim, optou-se pela escolha da distribuição Weibull. Os parâmetros que
caracterizam a distribuição Weibull para o item cabo elétrico são mostrados na Tabela
21.
Tabela 21– Parâmetros da Distribuição Weibull: cabo elétrico

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.
Figura 35– Gráficos motor elétrico

Para a seleção das covariáveis, a aplicação do método Stepwise apresentou os

resultados mostrados na Tabela 22. Conforme observado, a covariável fator humano (V2)
apresentou resultado significativo nos dois passos executados para seleção.
Tabela 22– Seleção de covariável: cabo elétrico
Estatística de
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
V1 = RGO (< 30m³/m³ = 0 ; ≥ 30m³/m³ = 1)

V3 = Potência (< 72 HP = 0 ; ≥ 72 HP = 1)
A estimativa para a covariável V2 (fator humano) é apresentada na Tabela 23. A

covariável fator humano apresentou valor de 1,0912, representando uma razão das taxas
de falha de 2,978. Ou seja, a taxa de falha para poços que foram instalados por profissional
104
“não experiente” (designada pelo numeral um) é aproximadamente 3 vezes a taxa de falha
para poços instalados por profissional “experiente” (designada pelo numeral zero). A
equação 48 apresenta a forma geral da taxa de falha para a distribuição Weibull,
considerando o efeito da covariável V2 (fator humano).
Tabela 23– Estimação covariável: cabo
Covariável Estimativa (α) Razão das taxas de Falhas

V2 1,0912 2,978
%,--
& ,. = 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.
Figura 36– Proporcionalidade dos riscos: covariável fator humano

105
Figura 37–Resíduo de Schoenfeld: Cabo
Tabela 24 - Coeficiente de Pearson: cabo

Coeficiente
Covariável Descrição
Pearson (ρ)
V2 Fator Humano -0,357
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).
5.2.4 Etapa 2: análise dos dados: confiabilidade do sistema BCS
Conforme demostrado no Apêndice B, o efeito das covariáveis na distribuição

Weibull muda somente o parâmetro de escala, permanecendo o parâmetro de forma
inalterado. Para cada componente que forma o sistema BCS, a influência da covariável
sobre o parâmetro de escala foi calculada conforme a equação 49. Este cálculo visa
integrar os efeitos da covariável sobre a confiabilidade do item e, a seguir, mensurar a
confiabilidade sistêmica. O Apêndice A demostra matematicamente a equação 49.
106
€
¤ = ¤% ¯
9 :
° (49)
Onde:
c = expŠ∑4‹G$ ²‹ ³‹ Œ
No caso estudado, existem três componentes ligados em série e uma covariável

para cada item. Cada covariável está associada a um coeficiente “x” que pode assumir
valor zero ou um, conforme a influência da covariável sobre o item. Apesar dos três itens
que formam o sistema concorrerem para sua falha, a causa básica da disfunção está
associada ao primeiro item que conduziu à falha. Nesse sentido, os efeitos das covariáveis
sobre o sistema foram analisados considerando 4 cenários. Para cada cenário, um
diagrama de bloco de confiabilidade (RBD) foi estruturado visando obter os parâmetros
de confiabilidade.
A Tabela 25 apresenta os cenários considerando os efeitos das covariáveis sobre
o sistema. A Figura 38 mostra a ilustração do RBD (digrama de blocos de confiabilidade)
para o BCS.
Tabela 25– Cenários confiabilidade Sistêmica
Fator Humano Fator Humano Vazão
Ocorrência
Bloco (Cabo) (Motor) (Bomba)
RBD 1 0 0 0 61%
RBD 2 0 0 1 11%
RBD 3 0 1 0 13%
RBD 4 1 0 0 15%
Figura 38– Representação em blocos: sistema BCS

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.
Tabela 26– Cenários: correção do parâmetro de escala

Cabo Motor Bomba
Cenário Parâmetro Parâmetro Parâmetro Parâmetro Parâmetro de Parâmetro
de forma ( γ) Escala (η) de forma (γ) Escala (η) forma ( γ) Escala (η)
RBD 1 1,55 509,53 1,45 663,77 1,633 296,78
RBD 2 1,55 509,53 1,45 663,77 1,633 90,72
RBD 3 1,55 509,53 1,45 144,19 1,633 296,78
RBD 4 1,55 252,02 1,45 663,77 1,633 296,78
Segundo a Tabela 26, os parâmetros de escala dos itens (destacados em vermelho)

foram corrigidos conforme o efeito das covariáveis. Para o componente bomba, por
exemplo, o parâmetro de escala assume dois valores: 297 dias (a covariável não exerce
influência sobre o item) e 91 dias (a covariável vazão “acelera” a falha). Conforme a
associação em série dos itens que formam o sistema BCS, o cálculo da confiabilidade
resultante foi realizado a partir do produtório das confiabilidades individuais, utilizando
o software Blocksim® da Reliasoft. A Figura 39 mostra as curvas de confiabilidade do
sistema para cada cenário.
Figura 39– Curvas de confiabilidade

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.
Tabela 27– Medidas de tendência central e variabilidade

Tempo Mediano Tempo Médio Desvio padrão
Cenário (Dias)
(dias) (dias)
RBD 1 165,31 187,14 121,70
RBD 2 67,24 75,53 47,95
RBD 3 88,07 101,51 69,27
RBD 4 127,69 144,87 94,68
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.
5.3 ETAPA 3: ESCOLHA DO MODELO PARA PREVISÃO DO NÚMERO DE

FALHAS
Para sistemas reparáveis, a seleção e aplicação do método para estimar o número

de falhas é baseado na ação de reparo sobre o equipamento. No caso em estudo, após a
falha do conjunto BCS, o equipamento é destinado à oficina para manutenção. A Figura
40 mostra uma visão geral da oficina.
109
Figura 40– Visão geral da oficina
O reparo consiste, inicialmente, na desmontagem do conjunto visando o

diagnóstico da falha. Analisada a causa básica do evento, procede-se com a inspeção
mecânica dos itens, cujo objetivo é identificar desgastes e trincas nos componentes. Nesse
momento, a inspeção visual e dimensional é aplicada. Os componentes que apresentam
folga ou desgaste em discordância com o padronizado são substituídos. As Figura 41, 42,
43 e 44 mostram alguns exemplos.
Figura 41– Trinca bucha centralizadora
110
Figura 42– Desgaste rotor bomba centrífuga
Figura 43– Eixo partido: conexão motor e bomba
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.
Figura 45– Teste da suposição i.i.d: Bomba

Figura 46 – Teste da suposição i.i.d: Motor

113
Figura 47 - Teste da suposição i.i.d: Motor
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.
5.4 ETAPA 04: ESTIMAÇÃO DO NÚMERO DE FALHAS E VALIDAÇÃO DA

FERRAMENTA
A aplicação da teoria da renovação para dimensionamento de sobressalente

consiste na estimação do número de falhas em um período determinado. Considerando a
reparabilidade do equipamento, os aspectos de mantenabilidade devem ser integrados ao
modelo, ou seja, o ciclo de falha e reparo. O cálculo do número de renovações em um
tempo “t” pode ser analisado mediante solução analítica (processo de convolução com
transformada de Laplace) ou mediante solução numérica (algoritmo recursivo).
Gnedenko, Belyayev e Solovyv (1969), propuseram uma simplificação para cálculo do
número de renovações considerando uma aproximação assintótica.
+
g<_ = = k+ l9 : − 1m
$ -
+ k
(30)
Para o estudo corrente, os resultados da expressão 30 foram validados mediante

adaptação do algoritmo recursivo apresentado por Xie (1989), vide Apêndice 03. A
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.
Tabela 28– Projeção do número de falhas

Tempo Médio Desvio Padrão Projeção do Algoritmo recursivo
Cenário E[N(t)]
(dias) (dias) Tempo (t) de Xie (1989)
Cenário 1 187,14 121,70248 365 1,659 1,662
Cenário 2 75,53 47,94848301 365 4,532 4,534
Cenário 3 101,51 69,26962884 365 3,325 3,329
Cenário 4 144,87 94,68412953 365 2,231 2,233
Conforme observado na Tabela 28, o resultado obtido pela aproximação

assintótica (equação 30) apresentou valor equivalente à solução numérica. De forma
geral, o número de falhas projetadas é crescente com a redução do tempo médio entre
falhas. O Cenário 2 é o mais crítico dentre os apresentados, resultando em 4 falhas no
período de um ano. Cada cenário é caracterizado por um percentual que corresponde à
sua representatividade ao modelo. Como exemplo, o Cenário 1 representa 61% das
ocorrências de falhas, conforme a Tabela 25.
Para o cálculo do número de falhas do sistema BCS, considerando todos os poços
de petróleo analisados, o valor total referente ao número de falhas representa a
multiplicação do E[N(T)] pelo número de poços estudados. Em adição, o percentual
correspondente a Tabela 25 (percentual de representação por cenário) foi integrado ao
estudo. A Tabela 29 apresenta o número de falhas previstas (considerando um período de
365 dias), das unidades de Bombeio Centrífugo Submerso, estratificadas conforme sua
potência mecânica. Foram escolhidos 3 modelos de conjuntos BCS para aplicação do
estudo.
Tabela 29– Projeção do número de falhas

Potência
Número de Falhas Falhas Falhas Falhas Total das Falhas
Mecânica
poços Instalados Cenário 01 Cenário 02 Cenário 03 Cenário 04 no período
BCS
48 HP 6 Unidades 6 falhas 3 falhas 3 falhas 2 falhas 14 Falhas
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
O número de falhas obtido no processo de renovação é utilizado como entrada no

algoritmo: esse parâmetro estabelece o número de eventos que serão gerados em cada
iteração. Como forma de validar a ferramenta aplicada, o programa prevê uma rotina
cíclica de 10.000 iterações, ou seja, considerando que o processo de renovação resultou
em 29 falhas, serão gerados 290.000 eventos de falha ao longo do calendário. Essa ação
procura gerar o maior número possível de eventos conforme os parâmetros da distribuição
de falha. O Apêndice C mostra a estrutura do algoritmo utilizado. A Tabela 30 apresenta
o número necessário de sobressalentes a ser imobilizado pela organização.
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%
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
A Figura 49 apresenta uma análise de sensibilidade considerando o item BCS de

48 HP. Nessa análise, o nível de confiança e o número de sobressalente são relacionados
com o custo de aquisição do item em milhões.
Figura 49– Análise de Sensibilidade

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).
Conforme o dimensionamento apresentado na Tabela 30, 4 unidades BCS de

48HP são necessárias para atender à demanda considerando um nível de confiança de
94%. Os itens considerados sobressalentes críticos à produção são mantidos pela empresa
ao nível de confiança de 85%. Analisando somente o valor investido e desconsiderando
a capitalização do montante, o capital imobilizado em estoque foi majorado em R$
980.000,00, correspondendo às duas unidades adicionais.
Além disso, observa-se que os valores monetários do contexto de trabalho
viabilizam a aplicação desta ferramenta para análise de sobressalentes críticos, tornando
clara a relação entre as características operacionais dos equipamentos e a previsão por
itens sobressalentes. Para a análise corrente, foi sugerido a transferência das duas
unidades adicionais entre os estoques da companhia.
119
6. CONCLUSÃO
6.1 AVALIAÇÃO DAS HIPÓTESES
A hipótese alternativa apresentada pelo estudo afirma que o modelo proposto

oferece possibilidade de ganhos financeiros na gestão de estoque sobressalente, quanto à
otimização dos gastos produtivos (investimentos e custos). O estudo apresentado
objetivou integrar as ações de manutenção e confiabilidade à gestão de sobressalentes
reparáveis, mediante análise probabilística das falhas. Este fato relaciona diretamente a
necessidade do item e a projeção dos recursos a serem imobilizados
Pode-se inferir que esta hipótese é verdadeira dado o ciclo de validação
apresentado pelo estudo, onde os sobressalentes necessários foram projetados ao nível de
confiança estabelecido. Nesse caso, com o nível de atendimento à demanda especificado
para 85% (considerando equipamentos críticos ao negócio), o ciclo de validação para os
itens apresentou valor máximo de 96% e mínimo de 93%, atendendo aos requisitos
determinados.
Cada sobressalente representa diferentes riscos à condução das operações, sendo
representado em termos de segurança, impacto ao meio ambiente, atendimento a
requisitos legais e lucro cessante. Dessa forma, considerando a criticidade do
sobressalente para a organização, a minimização dos gastos é dada pela quantidade de
itens que atende às operações conforme o risco adotado.
6.2 CONSIDERAÇÕES FINAIS
Este trabalho apresentou uma proposta para análise de problemas envolvendo

materiais sobressalentes considerando equipamentos reparáveis. O estudo foi aplicado ao
dimensionamento de estoque envolvendo bombeio centrifugo submerso (BCS) utilizados
em instalações marítimas. A escolha do equipamento BCS foi motivada pelos seguintes
aspectos: representa elevado investimento para aquisição, alto tempo de ressuprimento e
envolve lucros cessantes consideráveis. Tais especificidades dificultam a tomada de
decisão, podendo resultar em ações incompatíveis com a realidade.
A imobilização de equipamentos sobressalentes apresenta uma importante relação
com as ações de manutenção e confiabilidade: o processo de requisição das unidades ao
estoque é “puxado” pela ocorrência dos eventos de falha. Então, conhecer o
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:
a) Covariável Fator Humano: treinamento ou reciclagem dos profissionais que

realizam as atividades de instalação dos conjuntos motobombas, no tocante ao
componente motor elétrico e cabo;
b) Covariável vazão: Aplicação de bombeio centrifugo submerso a poços cuja
vazão bruta seja superior a 30m³;
c) A definição probabilística do número de falhas em unidades BCS’s gera
informações importantes à gestão dos recursos organizacionais, por exemplo:
programação de sondas para intervenção em poços produtores, com vistas a
projetar os gastos necessários e, principalmente, previsão do volume de
produção (óleo e gás) considerando a variável falha.
Os estudos de confiabilidade são baseados na análise dos dados históricos das

falhas. Conforme a disponibilidade dos dados e o intervalo de coleta, as possíveis
melhorias recentes nos parâmetros de confiabilidade (mudança no projeto ou
procedimento de execução) serão observadas em um período futuro, dado a
representatividade dos dados anteriores. Dessa forma, o estudo apresentado não considera
a evolução dos parâmetros de confiabilidade para melhorias recentes.
Para estudos futuros, dado a escassez de ferramentas computacionais para análise
de sobressalentes, é sugerido o desenvolvimento de um programa para gestão de estoques.
Neste caso, o software poderia analisar sobressalente consumível e reparável, bem como
equipamentos com taxa de falha constante ou não. Outra proposição de estudo é a análise
de estoque vinculada à manutenção preditiva (termografia, análise de vibração, espectro
de corrente). Ou seja, conforme a evolução do defeito, um modelo de degradação do
equipamento poderia ser traçado e o tempo para falha projetado. A solicitação de compra
seria baseada no intervalo de ressuprimento do item e no tempo projetado para falha.
Por fim, o estudo mostrou a importância da análise de confiabilidade industrial
para apoio a tomada de decisão, bem como o caráter estratégico que tais informações
podem resultar à organização. Ou seja, no cenário econômico atualmente vivenciado pela
indústria do petróleo, a redução dos gastos operacionais deve ser baseada em ações
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
A demonstração a seguir expressa uma importante relação dos parâmetros da

distribuição Weibull e as covariáveis, conforme Ghodrati e Kumar (2005).
Considere o modelo de riscos proporcionais descrito conforme a equação:
¥ $
& = 9 : expŠ∑4‹G$ t‹ .‹ Œ
¥
? ?
(1)
Substituindo o termo referente as covariáveis por uma constante “c”:
¥ $
c = expŠ∑4‹G$ t‹ .‹ Œ & = ? 9? : ∗¯
¥
(2) (3)
Relacionando a constante “c” aos parâmetros da função:
¥ $ € ¥ $
& = ? 9? : ∗¯ = ”¯ ´V€ ?•
¥ ¥
?
(4)
Dado que:
€
d = ¯ ´V€ (5)
Logo:
¥ $
& = ?9?:
¥ e
(6)
O modelo de confiabilidade para a distribuição Weibull pode ser obtido em função da

taxa de risco do equipamento ou sistema. Considerando o uso de covariáveis e assumindo
“η0” como parâmetro de escala base para a distribuição, obtêm-se:
124
¥ $ ¥
= exp 9− & # : = exp ”− 9 : # • = exp 2− 9 : 6
¥ e $ e
% % ?• ?• e 4•
(7)
Comparando a equação (7) com a equação do modelo de confiabilidade Weibull, obtêm-

se:
¥
O »¼ ¥ »¼ ¼ ¥
µ ¶ = ·¸¹ º− ” • ¾ = ¿ÀÁ Â− O Å µ ¶ = ¿ÀÁ ”− •
» N½ » Ã¥
Ä Ä
½
Modelo Weibull com covariável Modelo Weibull
$Ã Œ $
¤= = ¤% d Š
» ¥
O
» Ã´ Ä½
(8)
Substituindo “k” em (5) na equação (8):
€ €V´ €́
¤ = ¤% ¯ = ¤% ¯
9 :∗9 : 9 :
´V€ ´ (9)
A expressão 9 mostra uma importante relação entre as covariáveis e os parâmetros

da distribuição Weibull: o efeito das covariáveis muda somente o parâmetro de escala,
permanecendo o parâmetro de forma inalterado. O desenvolvimento desse resultado é
relevante ao cálculo de confiabilidade envolvendo sistema, onde mais de um componente
é associado. Nesse caso, cada componente deverá ser tratado separadamente mediante as
covariáveis de influência. Posteriormente, a confiabilidade total será obtida conforme o
arranjo característico. Em resumo:
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.
Este Apêndice apresenta os comandos no programa R® para identificação das covariáveis:

componente motor elétrico.
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)
b) Comparação do modelo nulo com a covariável V3 (análise Stepwise):
> attach(Motor)
>require(survival)
> fit<-coxph(Surv(Tempo,CENS)~V3,data=Motor,x = T,method="breslow")
> summary(fit)
> -2*fit$loglik[2]
c) Geração dos gráficos: logaritmo na taxa de falha versus tempo
> attach(Motor)
>require(survival)
>par(mfrow=c(2,2))
>fit1<-coxph(Surv(Tempo[V3==0],CENS[V3==0])~1,data=Motor,x=T,method=
"breslow")
> ss<-survfit(fit1)
128
> s0<-round(ss$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)
d) Geração dos gráficos: resíduo de Schoenfeld
>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>
float weibull(float a, float b, float u );
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 Forma (Cenario 2):\n");
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 ;
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)
for (c=1; c<=valor1; ++c){

u=(rand() % 1000)+1;
u=u/1000;
TPF[c]=weibull(alfa1,beta1,u);
}
inicio=c;
fim=c+valor2;
for (c=inicio; c<fim; ++c){
u=(rand() % 1000)+1;
u=u/1000;
}
inicio=c;
131
fim=c+valor3;
u=(rand() % 1000)+1;
u=u/1000;
}
inicio=c;
fim=fim+valor4;
u=(rand() % 1000)+1;
u=u/1000;
}
for(c=1;c<ciclo;c++){ //Ordenação dos tempos para falha

for(d=c+1;d<=ciclo;d++){
if(TPF[c] > TPF[d]){
aux = TPF[c];
TPF[c] = TPF[d];
TPF[d] = aux;
}
}
}
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;
}
compra=1; // Variável compra indica necessidade de aquição do item.

Inicia com o valor 1 para atender a primeira falha
c=1;
for (d=1;c<ciclo;++d){
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.
}
geral=0; // Calcula o somatório geral das unidades em estoque para obtenção da

média
for (x=1; x<=10000; ++x){
geral=soma[x]+geral;
}
media=ceil(geral/10000); // Calcula a média das compras simuladas 10.000 vezes

(comando "ceil" arredonda para cima)
count=0; // Conta as situações nas quais a média não atende a demanda gerada;
for (x=1; x<=10000; ++x){
if (soma[x]>media){
count=count+1;
}
}
resposta=(1-(count/10000)); // Esta rotina acrescenta sobressalente a média a fim de

atender o nível de confiança solicitado;
printf ("confianca inicial: %f\n", resposta);
printf ("Numero de sobressalente inicial: %f\n", media);
do{
if (resposta<conf){
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);
printf ("Confianca Final do estoque: %f\n", resposta);

printf ("Numero de sobressalente Final: %f\n", media);
system("PAUSE");
}
float weibull(float a, float b, float u ) // Função distribuição de probabilidade (Tempo para

falha)
{
return a*pow(-log(u),1/b);
}
134
APÊNDICE E – Tratamento dos dados de reparo: Bombeio Centrifugo Submerso - BCS
Este Apêndice apresenta o tratamento (análise probabilística) dos dados de reparo

do equipamento BCS, compreendidos em um período de 9 anos. A coleta resultou em 43
dados completos de tempo para reparo. As Figuras 49, 50 e 51 apresentam os gráficos
relativos aos papeis de probabilidade, função densidade de falhas e taxa de falhas,
respectivamente.
Figura 50– Papeis de probabilidade

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.
Figura 51 – Função densidade de falha: Lognormal

Figura 52– Função taxa de falha: Lognormal

136
Distribuição Teste Qui-quadrado
Exponencial 0,820448
Lognormal 0,999947
Weibull 0,999430
Tabela 31– Teste Qui-Quadrado

Conforme observado na Tabela 31, o nível de significância quando H0:

exponencial é 82%, lognormal é 99,99% e Weibull é 0.9994, evidenciando um melhor
ajuste dos dados à distribuição lognormal. Dessa forma, os Parâmetros da distribuição
lognormal são apresentados na Tabela 32.
Parâmetros Lognormal Valor (Dia)

Ln Média 2,47
Ln Desvio Padrão 0,72
Tabela 32– Parâmetros distribuição Lognormal

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
ABNT – Associação Brasileira de Normas Técnicas. NBR 5462 – Confiabilidade e

Mantenabilidade, 1994.
ABRAMAN – Associação Brasileira de Manutenção. Documento nacional de 2013,

2013.
ACCIOLY, RICARDO DE M. S.; PEREIRA, B. DE B.; FRUTUOSO, P. F.

Confiabilidade de bombas centrífugas submersas considerando fatores de prognósticos
relacionados. International Conference on Prevention of losses in industrial in equipment
and systems. 1995.
ALMEIDA, A. T.; SOUZA, F. M. C. DE. Gestão da Manutenção na Direção

da Competitividade. 1. ed. Recife: Editora Universitária, 2001.
ASCHER, H. E. & FEINGOLD, H. Repairable System Realiability: Modelling,

Inference, Misconceptions and Their Causes. Marcel Dekker, New York, 1984.
AXSATER, SVEN. Inventory Control. 2. Ed. Lund: 2006.
BARABADI, ABBAS. BARABADY, JAVAD. MARKESET, TORE. Application of

reliability models with covariates in spare part prediction and optimization – A case study.
Reliability Engineering and System Safety 2014; 123: 1–7.
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.
BRAGLIA, M.; FROSOLINI M. Virtual pooled inventories for equipment-intensive

industries. An implementation in a paper district. Reliability Engineering and System
Safety 2013; 112:26–37.
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.
CHUKOVA, S.; ARNOLD, R. & WANG, D. Q. Warranty analysis: An approach to

modeling imperfect repairs. International Journalof Production Economics, v.89, p.57-
68.2004.
COLOSIMO, ENRICO ANTÔNIO; GIOLO, Suely Ruiz. Análise de Sobrevivência

Aplicada. São Paulo: Edgard Blucher, 2006.
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.
FOGLIATTO, F.; RIBEIRO, JOSÉ. Confiabilidade e manutenção industrial, Rio de

janeiro: Elsevier, 2009.
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.
GHODRATI, BEHZAD; KUMAR, UDAY. Reliability and operating environment-based

spare parts estimation approach. Journal of Quality in Maintenance Engineering 2005;
Vol. 11, No. 2, 2005, pp. 169-184.
GHODRATI, BEHZAD. Product support improvement by considering system operating

environment. A case study on spare parts procurement. International Journal of Quality
& Reliability Management 2012; 29: 436-450.
GNEDENKO, BORIS; USHAKOV, IGOR. Probabilistic Reliability Engineering. New

York: John Wiley & Sons, 1995.
GNEDENKO, B. V.; BELYAYEV, Y. K; SOLOVYEV A. D. Mathematical Methods of

Reliability Theory. New York: Academic Press, 1969.
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.
GOMES, ANTONIO VINICIUS PIMPÃO; WANKE, PETER. Modelagem da gestão de

estoques de peças de reposição através de cadeias de Markov. Gestão e Produção, São
Carlos, v. 15, n. 1, p. 57-72, jan.-abr. 2008.
HIGGINS, LINDLEY R.; MOBLEY, R. KEITH. Maintenance Engineering Handbook.

6. Ed. New York: McGraw-Hill, 2002.
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.
KARDEC, A.; NASCIF, J. Manutenção: Função Estratégica. 3ed. Rio de Janeiro.

Qualitymark: Petrobrás, 2009.
KENNEDY, W.J.; PATTERSON, J. WAYNE; FREDENDALL, LAWRENCE D. An

overview of recent literature on spare parts inventories. Int. J. Production Economics
2002. 76: 201–215.
KILPI, J.; VEPSÄLÄINEN, A. Pooling of spare components between airlines. Journal of

Air Transport Management 2004; 10(2): 137–46.
KUMAR, U DINESH; CROCKER, JOHN; KNEZEVIC, J.; EL-HARAM, M.

Reliability, maintenance and logistic support: a life cycle approach. Kluwer Academic
Publishers, USA, 2000.
LAFRAIA, J. R. B. Manual de confiabilidade, mantenabilidade e disponibilidade. Rio de

Janeiro: Qualitymark: Petrobras, 2001.
LAWLESS, J. F. Statistical Models and Methods for Lifetime Data. Second Edition, New
Jersey, USA: John Wiley & Son, 2002.
LEEMIS, L. Reliability: probabilistic models and statistical methods. Nova York:

Prentice Hall, 1995.
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.
MARSEGUERRA, MARZIO; ZIO, ENRICO; PODOﬁLLINI, LUCA. Multiobjective

spare part allocation by means of genetic algorithms and Monte Carlo simulation.
Reliability Engineering and System Safety 2005; 87: 325–335.
MATTOS, EDSON EZEQUIEL DE; FALCO, REINALDO DE. Bombas industriais. Rio
de Janeiro: editora técnica, 1989.
MEHROTRA, A., NATRAJ, N. R., TRICK, M. A. Consolidating maintenance spares.

Computational Optimization and Applications 2001; 18: 251–272.
140
MOBLEY, KEITH; HIGGINS, LINDLEY R.; WIKOFF, DARRIN J. Maintenance
Engineering Handbook. 7. Ed. New York: McGraw-Hill, 2008.
MOUBRAY, J. Introdução à manutenção centrada na confiabilidade. São Paulo: Aladon,

1996.
MOURA, MARCIO DAS CHAGAS; ROCHA, SÉRGIO PARENTE VIEIRA;

DROUGUET, ENRIQUE LÓPEZ; JACINTO, CARLOS MAGNO. Avaliação bayesiana
da eficácia da manutenção via processo de renovação generalizado. Pesquisa operacional,
v.27, n.3, p. 569-589, 2007.
NELSON, W. Accelerated Life Testing: Statistical Models, Data Analysis and Test Plans.
New York: John Wiley and Sons, 1990.
PALLEROSI, CARLOS AMADEU. Confiabilidade, a quarta dimensão da qualidade:

conceitos básicos e métodos de cálculo. 1a edição. São Paulo: ReliaSoft Brasil, 2006.
PYZDEK, THOMAS. Quality Engineering Handbook. 2 ed. New York: Marcel Dekker,
2003.
ROSA, ADALBERTO JOSÉ; CARVALHO, RENATO DE SOUZA; XAVIER, JOSÉ

AUGUSTO DANIEL. Engenharia de Reservatórios de Petróleo. Rio de Janeiro:
Interciência, 2006.
ROSS, SHELDON M. Introduction to Probability Models. 10th ed. Los Angeles:

Elsevier, 2010.
SANDVIG, J. C.; ALLAIRE, J. J. Vitalizing a service parts inventory. Production

and Inventory Management Journal, Alexandria, US, v. 39, n. 1, p. 67-71, 1998.
SARKER, RUHUL; HAQUE, AMANUL. Optimization of maintenance and spare

provisioning policy using simulation. Applied Mathematical Modelling 2000; 24: 751–
760.
SCALA, NATALIE M.; RAJGOPAL, JAYANT; NEEDY, KIM LASCOLA. Managing

Nuclear Spare Parts Inventories: A Data Driven Methodology. IEEE TRANSACTIONS
ON ENGINEERING MANAGEMENT, VOL. 61, NO. 1, FEBRUARY 2014.
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.
SHEIKH A. K., CALLOM F. L., MUSTAFA S. G. Strategies in spare parts management

using reliability engineering approach. Engineering Costs and Production Economics.
1991; 21:51–7.
SHERBROOKE, C.C. Metric: a multi-echelon technique for recoverable item control.

Operations Research, Hanover, US, v. 16, p. 122-141, 1968.
141
TAVARES, LOURIVAL. Administração moderna da manutenção. Rio de Janeiro:
Novo Polo, 1999.
THOMAS, J. E., Fundamentos de Engenharia de Petróleo, Editora Interciência Ltda, Rio

de Janeiro, 2001.
VIANA, HERBERT RICARDO GARCIA. PCM, Planejamento e Controle de

Manutenção. Rio de Janeiro: Qualitymark. Ed.; 2002.
WANG, LING;. A condition-based replacement and spare provisioning policy for

deteriorating systems with uncertain deterioration to failure. European Journal of
Operational Research 2009; 194: 184-205.
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.
WATERS, DONALD. Inventory Control and Management. 2° ed. Chichester: John

Wiley & Sons Ltd, 2003.
142

DaniloGoncalvesCavalcante DISSERT

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

DaniloGoncalvesCavalcante DISSERT

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDRAL DO RIO GRANDE DO NORTE

PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO

DANILO GONÇALVES CAVALCANTE

MODELO PARA PREVISÃO DE ITENS SOBRESSALENTES BASEADO EM

MODELO PARA PREVISÃO DE ITENS SOBRESSALENTES BASEADO EM

Dissertação submetida ao programa de Pós-

Orientador: Prof. Dr. Luciano Ferreira

Cavalcante, Danilo Gonçalves

Orientador: Prof. Dr. Luciano Ferreira

Dissertação (Mestrado) – Universidade Federal do Rio Grande do Norte. Centro de

1. Confiabilidade industrial - Dissertação. 2. Covariáveis - Dissertação. 3. Estoque -

RN/UF/BCZM CDU 658.5

MODELO PARA PREVISÃO DE ITENS SOBRESSALENTES BASEADO EM

A capacidade de competir em mercados globalizados é um qualificador presente nas

MODEL FOR PREVISION OF SPARE ITEMS BASED ON INDUSTRIAL

Figura 1 - Estoque de materiais ................................................................................................ 24

Figura 2 - Características dos itens sobressalentes ................................................................... 25

Figura 3 - Equipamentos reparáveis ......................................................................................... 27

Figura 4 - Equipamentos não reparáveis .................................................................................. 27

Figura 5 - Gerenciamento integrado: itens sobressalentes ....................................................... 28

Figura 6 - Curva de confiabilidade ........................................................................................... 34

Figura 7- Taxa de falha em função do tempo ........................................................................... 35

Figura 8 - Função acumulada de Falha ..................................................................................... 37

Figura 9 - Função densidade de falhas ..................................................................................... 38

Figura 10- Função densidade de falhas .................................................................................... 39

Figura 11 - Distribuição exponencial ....................................................................................... 40

Figura 12 - Função densidade de probabilidade: distribuição Lognormal ............................... 42

Figura 13 - Função densidade de probabilidade: distribuição Weibull .................................... 43

Figura 14 - Análise de confiabilidade: sistema série ................................................................ 46

Figura 15– Análise de confiabilidade: sistema paralelo ........................................................... 47

Figura 16– Exemplo sistema misto .......................................................................................... 48

Figura 17- Exemplo de taxas de falha não proporcionais ........................................................ 66

Figura 18- Exemplos de aplicação: riscos proporcionais ......................................................... 67

Figura 19- Diagrama esquemático poço BCS .......................................................................... 71

Figura 20- Sistema BCS ........................................................................................................... 72

Figura 21– Localização dos campos de Produção .................................................................... 73

Figura 22- Plataforma de Produção .......................................................................................... 74

Figura 23– Localização dos estoques ....................................................................................... 75

Figura 24- Procedimento de Pesquisa ...................................................................................... 77

Figura 26– Papéis de probabilidade ......................................................................................... 89

Figura 27– Papéis de probabilidade: bomba ............................................................................ 91

Figura 28– Proporcionalidade dos riscos: covariável vazão .................................................... 93

Figura 29– Resíduo de Schoenfeld: bomba .............................................................................. 93

Figura 30 Papéis de probabilidade: motor elétrico ................................................................... 97

Figura 31– Gráficos motor elétrico .......................................................................................... 98

Figura 33–Resíduo de Schoenfeld: motor .............................................................................. 100

Figura 34– Papéis de probabilidade: cabo elétrico ................................................................. 103

Figura 35– Gráficos motor elétrico ........................................................................................ 104

Figura 37–Resíduo de Schoenfeld: Cabo ............................................................................... 106

Figura 38– Representação em blocos: sistema BCS .............................................................. 107

Figura 39– Curvas de confiabilidade ...................................................................................... 108

Figura 40– Visão geral da oficina........................................................................................... 110

Figura 41– Trinca bucha centralizadora ................................................................................. 110

Figura 42– Desgaste rotor bomba centrífuga ......................................................................... 111

Figura 43– Eixo partido: conexão motor e bomba ................................................................. 111

Figura 44– Presença de incrustação na sucção da Bomba...................................................... 112

Figura 45– Teste da suposição i.i.d: Bomba........................................................................... 113

Figura 46 – Teste da suposição i.i.d: Motor ........................................................................... 113

Figura 47 - Teste da suposição i.i.d: Motor ............................................................................ 114

Figura 48– Diagrama de blocos: programa desenvolvido ...................................................... 117

Figura 49– Análise de Sensibilidade ...................................................................................... 118

Figura 51 – Função densidade de falha: Lognormal .............................................................. 136

Figura 52– Função taxa de falha: Lognormal ......................................................................... 136