Aula 2 Modelagem

PÓS-GRADUAÇÃO EM ENGENHARIA DE CONFIABILIDADE E GESTÃO DE ATIVOS
IEC PUC MINAS
Disciplina:
MODELAGEM DE CONFIABILIDADE
Professor: Alessandra Lopes Carvalho, Dra
Nota sobre Direitos Autorais:
Este material é de uso exclusivo de alunos matriculados

no curso de Pos Graduação Lato Sensu Engenharia de
Confiabilidade e Gestão de Ativos da PUC Minas.
Permitido o download do material desde que sejam
atribuídos créditos aos autores, mas sem a possibilidade
de alterá-lo de nenhuma forma ou utilizá-la para fins
comerciais.
PUC Minas- Disciplina Modelagem de Confiabilidade - Profa: Alessandra Lopes Carvalho, Dra
Aula 2 - Conceitos básicos sobre modelagem
Processo de Modelagem
Dados
f(t)
Escolha de uma f(t)

Distribuição Exponencial,
Distribuição Lognormal, t
Distribuição Weibul,
Outras. Estimação de Parâmetros
Regressão R(t),
MLE F(t)
Validação
Técnicas gráficas h(t)
Técnicas numéricas MTTF
b
.
1/l h
.
O que é um modelo?
Um modelo é uma representação da realidade
Fonte: http://ites.com.br/noticias/maquetes-importancia-dessa-ferramenta-na-engenharia-e-arquitetura/
Fonte: http://educacao.globo.com/matematica/assunto/funcoes/funcao-de-2-grau.html
Relação entre pressão e temperatura?
y(x) =ax+b
Trajetória de um projétil lançado
obliquamente em relação ao
solo horizontal
O que é um modelo matemático?
Representação mental (abstrata) ou física (concreta) de observações

do mundo real traduzida de forma gráfica ou matemática de acordo
com um certo padrão.
[ Pena e Aguirre, 1997 ]
Para que serve um modelo?
•Entender e explicar os fenômenos observados na natureza
• Projeto se sistemas de monitoração e controle
•Predição
•Simulação e treinamento
Que tipo de modelo deve ser utilizado?
A escolha não é única!
• Finalidade a que se destina o modelo

• Volume de informação
• Tempo e recursos disponíveis
Tipos de Modelos
• Modelos estáticos e dinâmicos

• Modelos discretos e contínuos
• Modelos autônomos e não autônomos
• Modelos monovariáveis e multivariáveis
• Modelos determinísticos e estocásticos
• Modelos paramétricos e não paramétricos
Modelos estáticos relacionam variáveis sem quantificar
sua dependência temporal (equações algébricas)
Modelos dinâmicos representam dependência temporal

(equações diferenciais ou diferenças)
Quando utilizar modelos estáticos?

Viável quando a sua dinâmica não é relevante (muito rápida ou
muito lenta se comparada com a escala de interesse)
Modelos contínuos representam a evolução do sistema
continuamente no tempo e são descritos através de
equações diferenciais
Modelos discretos representam a evolução temporal

em instantes discretos de tempo e são descritos por
equações a diferenças
Modelo autônomo não depende explicitamente do tempo
Exemplo: população de besouros ( não há influência externa)
Modelo não autônomo

Exemplo: deseja-se estudar a influência de um agrotóxico
na população de besouros sendo A(k) quantidade média
aspergido por metro quadrado
Modelo monovariável (SISO )
apresenta relação de causa e efeito de apenas um par de
entradas (simplificaçãoda realidade)
Modelo multivariável
MISO (multiple inputs single output)
MIMO (multiple inputs multiple outputs)
acoplamento
testes de correlação
Modelo Determinístico
não leva em consideração o ruído incertezas presentes nos dados
Modelo Estocásticos
incluem incertezas
Modelo paramétrico
apresenta parâmetros a serem ajustados
Modelo não paramétrico

representação gráfica
Exemplo modelo paramétrico:
A função de transferência abaixo representa um Motor de CC
controlado pela corrente de campo sendo a saída do sistema
o ângulo de rotação (teta e a entrada a tensão de campo Vf
 ( s) Km

V f ( s) s( Js  b)( L f s  R f )
Símbolo Parâmetro Valor Típico
Km Constante de torque do motor 5 .N.m / A
J Inércia 1 N.m.s2 / rad
b Coeficiente de atrito viscoso 20 kg /m /s
Lf Indutância da armadura 1 mH
Rf Resistência da armadura 1
Processo de modelagem
Aquisição de Dados
Escolha da Estrutura
Estimação de parâmetros
Validação
Exemplo de modelo em rede para otimização
(modelos de programação linear que exibem

uma estrutura em grafos)
Minimizar Z = 10 . x11 + 3 . x12 + 5 . x13 + 17 . x21 + 7 . x22 + 9 . x23
Sujeito às restrições: x11 + x12 + x13 = 15
•De capacidade das fontes: x21 + x22 + x23 = 25
Sujeito às restrições: x11 + x21 = 20
•De absorção pelos destinos: x12 + x22 = 10

x13 + x23 = 10
Minimizar Z = 10 . x11 + 3 . x12 + 5 . x13 + 17 . x21 + 7 . x22 + 9 . x23
Sujeito às restrições:
•De capacidade das fontes: x11 + x12 + x13 = 15
x21 + x22 + x23 = 25
•De absorção pelos destinos: x11 + x21 = 20

x12 + x22 = 10
x13 + x23 = 10
Com x11 , x12 , x13 , x21 , x22 e x23  0
Exemplo de modelo para predição
utilizando redes neurais artificiais :
Modelo
Dados
% Dados amostrados de minuto em minuto
XE-001 XE-00 PHE-001

0 41.90476 31.37973 6.557998
1 42.46642 32.16117 6.56044
2 42.36874 30.89133 6.559218 Resultado
3 42.36874 29.32845 6.557998 6.595
PH da saída (filtrado)
4 42.3199 29.23077 6.56044

6.59
5 42.41758 31.20879 6.56044
6.585
6 42.53968 30.15873 6.561661
7 42.71062 29.67033 6.561661 6.58
8 42.63736 29.40171 6.56044 6.575
9 42.73504 29.42613 6.557998 6.57
10 42.88156 30.64713 6.557998 6.565
6.56
0 20 40 60 80 100 120
Turbidez da saída (filtrada)
38
36
34
32
30
0 41.90476 31.37973 6.557998 28
1 42.46642 32.16117 6.56044 26
2 42.36874 30.89133 6.559218 24

0 20 40 60 80 100 120
3 42.36874 29.32845 6.557998
4 42.3199 29.23077 6.56044
5 42.41758 31.20879 6.56044 1300
Turbidez da entrada (filtrada)
6 42.53968 30.15873 6.561661

1250
7 42.71062 29.67033 6.561661
8 42.63736 29.40171 6.56044 1200
9 42.73504 29.42613 6.557998 1150
10 42.88156 30.64713 6.557998

1100
1050
1000
0 20 40 60 80 100 120
Aplicação:
Predição 2 horas a frente (120 pontos)
Turbidez de saída real e simulada

1 Turbide z de saída real e simulada
1
0.9
0.9
0.8
0.8
0.7 0.7
amplitude
0.6 0.6 dados reais
amplitude
0.5 0.5
0.4 0.4
dados reais
0.3 0.3
0.2 0.2
predição predição
0.1 0.1
0 0
100 200 300 400 500 600 700 560 580 600 620 640 660
tempo(min) tempo(min)
Qual o tipo de modelo
adequado a estudos de confiabilidade?
f(t) 1.00
β =0,5
Qual o tipo de modelo 0.75
adequado a estudos de β =3
0.50
confiabilidade?
0.25
β =1
0 t
0 1.25 2.50 3.75 5.00
0.9
1.0
6.0
4.0
3.0
2.0
1.6
1.4
1.2
F(t) 99.00
Usaremos o conceito 90.00
de probabilidade! 50.00
h
10.00
5.00
1.00
10000 100000.
O resultado de um experimento aleatório não necessariamente
é representado em termos numéricos. Considerando se a
necessidade de se expressar resultados probabilísticos através
de valores quantificáveis surgiu o conceito de variável aleatória.
S X () =x

x 
Função que associa um

número real X( ) para cada
Variável Aleatória X
resultado  de um experimento
em um espaço amostral S
Definição Quantitativa de Confiabilidade
É possível considerar a condição de operação de um sistema

como um experimento aleatório no qual podem ser identificados
qualitativamente dois estados:
falha operação normal
Estes estados podem ser expressos numericamente

utilizando-se o conceito de variável aleatória !
Conceito de função densidade de probabilidade
Exemplo: função densidade de probabilidade discreta
Universo amostral = lançamento de dois dados
número 2 P(2) = 1/ 36
número 3 P(3) = 2/ 36
Cálculo da probabilidade para cada elemento do universo amostral
Função Densidade de Probabilidade (fdp) - discreta
Distribuição discreta: quando a variável a ser medida só pode
assumir certos valores, por exemplo números inteiros 0,1,2...
P x  xi   p ( xi )
Distribuição continua: quando a variável a ser medida é expressa
em uma escala continua. b
P a  x  b   f ( x ) dx
a
p(xi) f(x)
p(x3)
p(x2) p(x4)
p(x1) p(x5)
x1 x2 x3 x4 x5 x a b x
Seja um item qualquer em operação em um instante de tempo especificado
(t = 0). Se este item for observado até que falhe, a duração do tempo até
falhar T, pode ser considerada uma variável aleatória contínua com alguma
função densidade de probabilidade.
F (t )  P(T  t )
t
F (t )  

f (t )dt
t
R (t )  P (T  t )  1  F (t )  1   f (t ) dt
0
R(t) F(t)
t t
R(t)

MTTF  E T  
A
t
0
f (t ) dt
B

MTTF   R(t )dt
C
0 t
Uma análise de confiabilidade deve ser realizada a partir do

maior número possível de informações e somente o valor do
MTTF não é suficiente para traduzir o comportamento de falhas
de um determinado item.
Função Taxa de falhas
Aproximação:
Relação entre o número total de falhas e o período de tempo observado

(definição clássica de probabilidade)
f
l  Onde f : número de falhas
T T : período de tempo
Taxa de falhas instantânea h (t)
(baseada na definição de probabilidade condicional )
Este parâmetro exprime a probabilidade de ocorrência de uma falha

em um intervalo de tempo T dado que não ocorreu falha no instante
de tempo anterior t1, considerando um intervalo  t.
P[T  (t1, t 2)T  t1]
h(t )  lim t 0
t
P[T  (t1, t 2)  T  t1]

h(t )  lim  0
P(T  t1)t
P[t1  T  t 2)]
h(t )  lim  0
P(T  t1)t
Reescrevendo em termos da função confiabilidade R(t)
R(t1)  R(t  t )]
h(t )  lim  0
R(t )t
Substituindo R(t) por 1- F(t)
1  F (t )  [1  F (t  t )] 1
h(t )  lim 0
t R(t )
Considerando a definição de derivada

f (t )
h(t ) 
R(t )
Taxa média de falhas ou taxa de falhas acumulada
Razão entre o do número total de falhas ocorridas e o tempo total do ensaio acumulado.
td
 h(t )dt Onde N(t): número de unidades sobreviventes

hm edio (t )  td
0 td: tempo de duração do ensaio
0
N (t ) dt
Onde t : intervalo de tempo considerado

f f : número de falhas no intervalo t
hm edio (t )  N : número de unidades em teste no intervalo t
Nt
Comportamento da Taxa de Falha e
Curva da Banheira
Define-se falha como o término da capacidade de um item

desempenhar uma função requerida.
É preciso definir claramente o que é considerado falha!
O mesmo modo de falha pode ter consequências
muito distintas dependendo do sistema analisado!
No dia 1 de fevereiro de 2003 a nave Columbia desintegrou-se

ao realizar a reentrada na atmosfera terrestre devido a um
“buraco” de aproximadamente 25 cm em sua asa esquerda.
As condições que provocaram o acidente foram reproduzidas em laboratório
A velocidade de ocorrência de falhas pode ser expressa através
do parâmetro taxa de falhas sendo a análise de falhas um
processo interativo cujo sucesso depende de se determinar
relações implícitas entre causa e efeito.
h(t) crescente
constante
t decrescente
Definições Básicas:
Curva da Banheira
Fase de Fase de vida útil Fase de velhice

mortalidade infantil
Região A - Mortalidade infantil
Caracterizada por taxa de falhas alta e rapidamente decrescente
com o tempo. Como exemplo de causas podem ser citadas:
- Inspeções inadequadas
- Processos impróprios de manufatura
- Manuseio e transporte ou instalação inadequados
- Materiais ou peças de baixo padrão
- Procedimentos impróprios de estoque, embalagem ou transporte
- Erros de projeto
Região B - Vida Útil
As falhas ocorrem aleatoriamente e a taxa de falhas pode ser

considerada constante. Podem ser citadas as causas:
- Fator de segurança insuficiente

- Manutenção inadequada
- Ocorrência aleatória de cargas acima do esperado
- Erros humanos no uso do produto
- Condições ambientais
-Falhas que não podem ser eliminadas através de testes
de vida acelerados ou manutenção preventiva
- Falhas inexplicáveis
Região C- Velhice
Etapa caracterizada por taxas de falhas crescentes causadas por:
- Deterioração ou envelhecimento
- Degradação
- Fadiga
- Deficiências na manutenção preventiva e/ou corretiva
Quanto maior a complexidade
do equipamento em estudo,
maiores as chances de
predominância dos padrões
de falha E e F
Fonte: MOUBRAY (1999)
Exemplos
Softwares Equipamentos mecânicos

Fonte: (LEWIS, 1987)
f(t)
Definições Básicas:
FT (t )  P(T  t )
RT (t )  P(T  t ) t
F(t)
dFT (t )
fT (t ) 
dt
f (t )
h(t ) 
R(t )
t
R(t)
 A
MTTF  t f (t ) dt
0 B

C
MTTF   R(t )dt
0
t

Aula 2 Modelagem

Enviado por

Dados do documento

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

Aula 2 Modelagem

Enviado por

Direitos autorais:

Formatos disponíveis

PÓS-GRADUAÇÃO EM ENGENHARIA DE CONFIABILIDADE E GESTÃO DE ATIVOS

IEC PUC MINAS

Este material é de uso exclusivo de alunos matriculados

Escolha de uma f(t)

Representação mental (abstrata) ou física (concreta) de observações

•Entender e explicar os fenômenos observados na natureza

• Projeto se sistemas de monitoração e controle

A escolha não é única!

• Finalidade a que se destina o modelo

• Modelos estáticos e dinâmicos

Modelos dinâmicos representam dependência temporal

Quando utilizar modelos estáticos?

Modelos discretos representam a evolução temporal

Modelo não autônomo

Modelo não paramétrico

(modelos de programação linear que exibem

•De absorção pelos destinos: x12 + x22 = 10

•De absorção pelos destinos: x11 + x21 = 20

XE-001 XE-00 PHE-001

4 42.3199 29.23077 6.56044

8 42.63736 29.40171 6.56044 6.575

9 42.73504 29.42613 6.557998 6.57

10 42.88156 30.64713 6.557998 6.565

0 41.90476 31.37973 6.557998 28

1 42.46642 32.16117 6.56044 26

2 42.36874 30.89133 6.559218 24

6 42.53968 30.15873 6.561661

9 42.73504 29.42613 6.557998 1150

10 42.88156 30.64713 6.557998

Turbidez de saída real e simulada

0.6 0.6 dados reais

Função que associa um

É possível considerar a condição de operação de um sistema

falha operação normal

Estes estados podem ser expressos numericamente

Exemplo: função densidade de probabilidade discreta

Universo amostral = lançamento de dois dados

Função Densidade de Probabilidade (fdp) - discreta

Uma análise de confiabilidade deve ser realizada a partir do

Relação entre o número total de falhas e o período de tempo observado

Este parâmetro exprime a probabilidade de ocorrência de uma falha

P[T  (t1, t 2)  T  t1]

Substituindo R(t) por 1- F(t)

Considerando a definição de derivada

 h(t )dt Onde N(t): número de unidades sobreviventes

Onde t : intervalo de tempo considerado

Define-se falha como o término da capacidade de um item

É preciso definir claramente o que é considerado falha!

No dia 1 de fevereiro de 2003 a nave Columbia desintegrou-se

Fase de Fase de vida útil Fase de velhice

As falhas ocorrem aleatoriamente e a taxa de falhas pode ser

- Fator de segurança insuficiente

Etapa caracterizada por taxas de falhas crescentes causadas por:

Fonte: MOUBRAY (1999)

Softwares Equipamentos mecânicos

Você também pode gostar