Escolar Documentos
Profissional Documentos
Cultura Documentos
Ferramentas Quantitativas II
Complexo Industrial Piaçaguera
MBA – IESAE
Análises de Confiabilidade
e estratégia de manutenção
Marcelo Miranda
Professor MBA
Objetivos
3
1. REVISÃO CONCEITOS 2ª AULA
1. Revisão Conceitos 2ª Aula
6
1. Revisão Conceitos 2ª Aula
1 X
2 X
3 X
4 X
Até a primeira falha os equipamentos se
comportam de forma similar aos sistemas
5 X
não reparáveis
n X
5 X X X
Reparo Reparo
n X X X
Reparo Reparo
9
1. Revisão Conceitos 2ª Aula
Função de distribuição da
probabilidade
1. Revisão Conceitos 2ª Aula
P9,m pn
Função de distribuição da
probabilidade
Probabilidade falha em um
determinado intervalo
1. Revisão Conceitos 2ª Aula
Função de distribuição da
probabilidade
4) A função de taxa de falha h(t) é definido como o limite da taxa de falha quando Δt se
aproxima de zero. Representa a taxa instantânea de falha obtida como:
β < 1, mortalidade infantil β =1, falhas aleatórias β >1, falhas por desgaste
1. Revisão Conceitos 2ª Aula
1. Revisão Conceitos 2ª Aula
• Um sistema produtivo deve estar disponível para uso: a qualidade de seu projeto pode ser
medida pela disponibilidade
• A Disponibilidade considera o tempo entre falhas e o tempo até o reparo, representados pelo
MTBF e MTTR.
• Aceita-se que haverá falhas e reduz-se o MTTR através do projeto voltado à manutenibilidade
• Reduz-se o número de falhas, o que aumenta o MTBF, através do projeto voltado à confiabilidade
17
1. Revisão Conceitos 2ª Aula
1 X X X X X
Reparo Reparo Reparo Reparo Reparo
TTR = 1h TTR2 = 1h TTR3 = 1 h TTR4 = 1h TTR5 = 1h
Tempo em Operação
Disponibilidade = X 100
Tempo Total (Horas Calendário)
10 + 8 + 6 + 8 + 7
Disponibilidade = X 100
10 + 1 + 8 + 1 + 6 + 1 + 8 + 1 + 7 + 1
39
Disponibilidade = X 100 = 88,64%
44
1. Revisão Conceitos 2ª Aula
1 X X X X X
Reparo Reparo Reparo Reparo Reparo
TTR = 1h TTR2 = 1h TTR3 = 1 h TTR4 = 1h TTR5 = 1h
Tempo em Operação
Disponibilidade = X 100
Tempo Total (Horas Calendário)
19
1. Revisão Conceitos 2ª Aula
1 X X X X X
Reparo Reparo Reparo Reparo Reparo
TTR = 1h TTR2 = 1h TTR3 = 1 h TTR4 = 1h TTR5 = 1h
N
Disponibilidade = X 100
TBF1 + TBF2 + TBF3 + TBF4 + TBF5 + TTR1 + TTR2 + TTR3 + TTR4 + TTR5
N N
88,64%
1. Revisão Conceitos 2ª Aula
Tabela
Kaplan-Meier
de Vida
1. Revisão Conceitos 2ª Aula
1) Exponencial: λ
2) Weibull: β = forma; η = escala
3) LogNormal: α = locação; σ = escala
23
2. Revisão Conceitos 2ª Aula
η Parâmetro de escala
3 Escolha “Weibull”
Clicar em “Graph
Probability Distribution Plot”
1 Selecione “Vary Parameters”
Corresponde a β
2
Corresponde a η
Corresponde a t0
Clicar em “Ok”
1. Revisão Conceitos 2ª Aula
Distribution Plot
Weibull; Scale=100; Thresh=0
0,08 Shape
Corresponde a η 0,5
0,07 3,44
1
β = 20
20
0,06
0,05
β = 0,5
Density
0,04
β=1 β = 3,44
0,03 Aprox. Função Aprox. Função
exponencial Normal
0,02
0,01
0,00
0 20 40 60 80 100 120 140 160 180
X
f(t)
h (t)
Função Geral
t Tempo, ciclos, etc
2 Corresponde a λ
Corresponde a t0
Clicar em “Ok”
1. Revisão Conceitos 2ª Aula
Distribution Plot
Exponential; Thresh=0
Scale
10000
0,0003
0,0002
0,0001
8000 λ = 0,0001
6000
Density
λ = 0,0002
4000
2000 λ = 0,0003
0
0,0000 0,0002 0,0004 0,0006 0,0008 0,0010 0,0012 0,0014
X
1. Revisão Conceitos 2ª Aula
Distribuição Exponencial
R (t)
f(t)
1. Revisão Conceitos 2ª Aula
σ Parâmetro de escala
2 Corresponde a µ
Corresponde a σ
Corresponde a t0
Clicar em “Ok”
1. Revisão Conceitos 2ª Aula
Distribution Plot
Lognormal; Loc=3; Thresh=0
0,05 Scale
σ = 1,5
0,5
1
1,5
0,04
σ = 0,5
0,03
Density
0,02 σ = 1,0
0,01
0,00
0 25 50 75 100
X
1. Revisão Conceitos 2ª Aula
1 2 3
Propriedades:
• η = t0,63
• Percentil 100p%: tp = η [-ln(1-p)]1/β
• MTTF = ηΓ(1 + 1/β), onde Γ(r) = (r – 1)! Γ( r ) Função Gamma
33
1. Revisão Conceitos 2ª Aula
34
1. Revisão Conceitos 2ª Aula
DADOS COM CENSURA
35
1. Revisão Conceitos 2ª Aula
36
1. Revisão Conceitos 2ª Aula
Censura Intervalar
37
1. Revisão Conceitos 2ª Aula
Censura á Esquerda
1. Revisão Conceitos 2ª Aula
39
1. Revisão Conceitos 2ª Aula
40
1. Revisão Conceitos 2ª Aula
41
1. Revisão Conceitos 2ª Aula
• A estimativa de parâmetros pelo método dos mínimos quadrados aplica-se para funções
que podem ser linearizadas (maioria das distribuições usadas em estudos de
confiabilidade).
• Cálculos são relativamente simples e diretos, tendo solução fechada que produz
resultados sem interação ou consulta de tabelas.
• Determina-se o coeficiente de correlação, que é a medida adequada entre os dados do
modelo e os dados do experimento.
• O método de regressão, através do coeficiente de correlação, apresenta uma boa
medida de como os dados se adequaram à distribuição escolhida.
• O método dos mínimos quadrados é usualmente aplicado na análise de dados
completos de tempo até a falha.
42
1. Revisão Conceitos 2ª Aula
43
1. Revisão Conceitos 2ª Aula
• Suponhamos que você trabalha para uma empresa que fabrica pneus. Você está
interessado em descobrir quantas milhas ele leva para várias proporções de pneus
"falhar," ou se desgastar em 2/32 de uma polegada de rodagem. Você está
especialmente interessado em saber quantos dos pneus passaram das 45.000 milhas.
• Abra o arquivo “Análise Pneu.MPJ”
• Você inspeciona cada pneu bom em intervalos regulares (a cada 10.000 km) para ver se
o pneu falha e, em seguida, entra os dados para a worksheet do Minitab
44
1. Revisão Conceitos 2ª Aula
5
2
8
45
1. Revisão Conceitos 2ª Aula
P er cent
10 50
3,903
Loglogistic
10 2,384
1
1
0,1 0,1
10000 100000 10000 100000
Star t Star t
E xponential Loglogistic
99
90
50 90
P er cent
P er cent
50
10
10
1
1
0,1 0,1
100 1000 10000 100000 1000000 10000 100000
Star t Star t
1. Revisão Conceitos 2ª Aula
Percent
10 50
3,751
3-P arameter Loglogistic
10
1 2,367
1
0,1 0,1
5300000 5350000 5400000 5900000 5950000 6000000
Start - Threshold Start - Threshold
50
Percent
Percent
10
10
1
1
0,1 0,1
100 1000 10000 100000 1000000 5750000 5800000 5850000
47 Start - Threshold Start - Threshold
1. Revisão Conceitos 2ª Aula
Percent
10 50
2,369
10
1
1
0,1 0,1
0 50000 100000 0 40000 80000 120000
Start Start
Logistic
99
6
2
9
1. Revisão Conceitos 2ª Aula
P er cent
10
P DF
IQ R 21971,5
A D* 2,426
0,00001
1
0,00000 0,1
30000 60000 90000 0 50000 100000
Star t Star t
0,0002
Rate
50
0,0001
0 0,0000
30000 60000 90000 30000 60000 90000
Star t Star t
1. Revisão Conceitos 2ª Aula
• Esses quatro gráficos descrevem a taxa de falhas para no tempo. Com esses gráficos, você
pode determinar que aproximadamente 90% dos pneus passaram das 45.000 milhas.
P er cent
10
P DF
IQ R 21971,5
A D* 2,426
0,00001
1
0,00000 0,1
30000 60000 90000 0 50000 100000
Star t Star t
0,0002
Rate
50
0,0001
0 0,0000
30000 60000 90000 30000 60000 90000
Star t Star t
1. Revisão Conceitos 2ª Aula
• Duas máquinas de têmpera a indução, que executam a mesma função na empresa, foram
estudadas. A máquina A foi reformada nove meses antes do estudo, o que, para este
equipamento, é uma data recente.
• A máquina B ainda não reformada. A empresa dispõe de sistema informatizado de gestão
de manutenção, do qual coletaram-se os tempos entre falhas, apresentados abaixo:
Máquina A Máquina B
1 1 3 4 7 3 70 124
10 12 17 20 25 62 124 43
25 25 27 27 41 95 252 83
42 44 46 46 47 179 18 143
52
1. Revisão Conceitos 2ª Aula
53
1. Revisão Conceitos 2ª Aula
Como não se trata de dados com censura, teremos que repetir as colunas com os
dados de todas operações
1 2
54
1. Revisão Conceitos 2ª Aula
7 8
4
6
9
1. Revisão Conceitos 2ª Aula
Percent
0,953; 1,527
50
Lognormal
10
1,198; 1,820
10 E xponential
1,021; 1,634
1 1 N ormal
0,1 1 10 100 1000 1 10 100 1000 2,231; 1,503
Data Data
Exponential Normal
99
90
90
50
Percent
Percent
50
10
10
1 1
1 10 100 1000 -100 0 100 200
Data Data
1. Revisão Conceitos 2ª Aula
Percent
0,953; 1,527
50
Lognormal
10
1,198; 1,820
10 E xponential
1,021; 1,634
1 1 N ormal
0,1 1 10 100 1000 1 10 100 1000 2,231; 1,503
Data Data
Exponential Normal
99
90
90
50
Percent
Percent
50
10
10
1 1
1 10 100 1000 -100 0 100 200
Data Data
1. Revisão Conceitos 2ª Aula
2
3 6
5 8
1. Revisão Conceitos 2ª Aula
10
11
1. Revisão Conceitos 2ª Aula
20
10
3
2
1
0,1 1 10 100 1000
Data
60
1. Revisão Conceitos 2ª Aula
100 Variable
Interv alo entre Falhas Máq A
Interv alo entre Falhas Máq B
80 Table of S tatistics
S hape S cale A D*
0,90074 39,6257 0,953
1,24974 97,2901 1,527
60
Percent
40
20
100 Variable
Interv alo entre Falhas Máq A
Interv alo entre Falhas Máq B
80 Table of S tatistics
S hape S cale A D*
0,90074 39,6257 0,953
1,24974 97,2901 1,527
60
Percent
40
20
62
1. Revisão Conceitos 2ª Aula
Table of S tatistics
0,03 S hape S cale A D*
0,90074 39,6257 0,953
1,24974 97,2901 1,527
Rate
0,02
0,01
0,00
0 50 100 150 200 250 300 350
Data
63
1. Revisão Conceitos 2ª Aula
64
2. ESTRATÉGIAS DE
MANUTENÇÃO BASEADA NA
FUNÇÃO CONFIABILIDADE
2. Estratégias de Manutenção Baseada na Função
Confiabilidade
• A figura e a tabela a seguir apresentam a curva da banheira e estratégias de manutenção
mais apropriadas para cada fase (segundo Sellito, 2005).
β
β
β
66
2. Estratégias de Manutenção Baseada na Função Confiabilidade
Fases Estratégia Decorrências
emergência Retarda ou até impede o fim da mortalidade infantil ao não reforçar os itens que
quebraram ou não remover as causas das falhas de origem
Mortalidade corretiva Antecipa o fim da mortalidade infantil ao reforçar os itens que quebraram ou
infantil, remover as causas das falhas de origem
falhas de preditiva Monitora as falhas em progresso que podem resultar em quebra, mas estas são muito
origem poucas nesta fase, pois as quebras se dão mais por baixa resistência
preventiva Perpetua ou até agrava a mortalidade infantil ao trocar exatamente os sobrevivente, os
itens fortes, que não tem falhas de origem
emergência Como se limita a trocar componentes quebrados, pode fazer retornar à mortalidade
infantil se não selecionar os substitutos
corretiva É inócua quanto às falhas catastróficas, mas pode reduzir o patamar de expectativa de
Maturidade, falhas eliminando modos de falha que passaram na primeira fase
falhas
aleatórias preditiva Informa o início e monitora os processos de falhas progressivas que resultarão
em quebras, podendo predizer aumentos na probabilidade da quebra
preventiva Retorna à mortalidade infantil ao trocar exatamente os sobreviventes, os itens fortes,
que não têm falhas de origem e ainda não iniciaram o desgaste
emergência Permite que as quebras que vão ocorrer realmente ocorram a um custo interno
mais baixo do que a preventiva
corretiva Só será útil se for capaz de retardar ou o início da falha ou a quebra que realmente vai
Desgaste, ocorrer
falhas
progressivas preditiva Monitora os processos progressivos de falhas já iniciados, predizendo aumentos
na probabilidade de quebra
67 preventiva Previne a emergência antecipando a troca à quebra que realmente vai ocorrer,
2. Estratégias de Manutenção Baseada na Função
Confiabilidade
• Na gestão estratégica a fase de maturidade se inicia mais cedo (1), termina mais
tarde (2) e o patamar de expectativa de falha é mais baixo (3).
3
1 2
68
2. Estratégias de Manutenção Baseada na Função
Confiabilidade
• Iniciada a Fase de Desgaste, pode-se voltar à maturidade através de intervenções
preventivas ou reformas processo de renovação de mais largo alcance (4).
• Após reforma novo patamar de expectativa de falha: mais alto do que o anterior,
porém mais baixo do que sem uma estratégia (5).
69
2. Estratégias de Manutenção Baseada na Função
Confiabilidade
• Programas de gestão (TQC, TPM, 5S e manutenção autônoma) são úteis na maturidade:
aumentam a interação visual com o operador, evitam o mau uso da máquina e permitem a
detecção do início da fase de desgaste. Evitar o mau uso do equipamento e prevenir
catástrofes na maturidade pode baixar o patamar de expectativa de falha e retardar a
senilidade.
• Fora da maturidade, a eficácia destes programas cai, pois a causa estrutural das falhas
passa a ser intrínseca aos equipamentos e não mais extrínseca, por suas características
de projeto ou por características de uso.
70
2. Estratégias de Manutenção Baseada na Função
Confiabilidade
Tempo para o Reparo (TTR – Horas) Tempo entre as Falhas (TBF – Horas)
72
2. Estratégias de Manutenção Baseada na Função
Confiabilidade
Como não se trata de dados com censura, teremos que repetir as colunas com os dados de todas operações
1 2
3
2. Estratégias de Manutenção Baseada na Função
Confiabilidade
4
1
2 5
6
7
2. Estratégias de Manutenção Baseada na Função
Confiabilidade
1
4
2
7 8
2. Estratégias de Manutenção Baseada na Função
Confiabilidade
LOGNORMAL É O MELHOR MODELO
P er cent
50 2,201
10 N ormal
2,607
10
1 1
1 10 100 1000 1 10 100 1000
TTR TTR
E xponential N ormal
99
90
90
50
P er cent
P er cent
50
10
10
1 1
1 10 100 1000 0 250 500
TTR TTR
MTTR = 133,03
HORAS
2. Estratégias de Manutenção Baseada na Função
Confiabilidade
• Agora vamos modelar os dados de TBF e encontrar o MTBF.
77
2. Estratégias de Manutenção Baseada na Função
Confiabilidade
4
1
2
5
7 6
78
2. Estratégias de Manutenção Baseada na Função
Confiabilidade
Probability Plot for TBF
ML Estimates-Arbitrary Censoring
A nderson-Darling (adj)
Weibull Lognormal
Weibull
99
1,052
90
Lognormal
90
1,138
50
E xponential
P er cent
P er cent
50 2,360
10 N ormal
2,593
10
1 1
10 100 1000 10000 100000 10 100 1000 10000 100000
T BF T BF
E xponential N ormal
99
90
90
50
P er cent
P er cent
50
10
10
1 1
100 1000 10000 -10000 0 10000
T BF T BF
MTBF = 3856
HORAS
2. Estratégias de Manutenção Baseada na Função
Confiabilidade
• Baseado nos resultados de MTTR e MTBF, qual seria a disponibilidade para o sistema?
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
80
2. Estratégias de Manutenção Baseada na Função
Confiabilidade
5
1 2
7
2. Estratégias de Manutenção Baseada na Função
Confiabilidade
Distribution Overview Plot for TBF
ML Estimates-Arbitrary Censoring
Table of S tatistics
P robability Density F unction Weibull
S hape 0,735443
0,00075 S cale 3185,96
90
M ean 3856,41
50 S tDev 5332,55
0,00050 M edian 1935,56
P er cent
P DF
IQ R 4381,87
10 A D* 1,052
0,00025
0,00000
1
0 10000 20000 10 100 1000 10000 100000
T BF T BF
0,0006
P er cent
Rate
50
0,0004
0,0002
0
0 10000 20000 0 10000 20000
T BF T BF
82
2. Estratégias de Manutenção Baseada na Função
Confiabilidade
• Pela análise de Weibull, obteve-se um fator de forma para a bomba de 0,74 com
intervalo de confiança entre 0,54 e 1,01
• A posição mais provável que o equipamento ocupa na curva da banheira é mostrada
abaixo.
• A estratégia indicada é a manutenção corretiva.
83
2. Estratégias de Manutenção Baseada na Função
Confiabilidade
84
2. Estratégias de Manutenção Baseada na Função
Confiabilidade
• Observa-se que a principal falha apresentada na tabela, vazamento ou falha das selagens,
é caracterizada pela impossibilidade de acompanhamento preditivo, pois as falhas
possivelmente acontecem em virtude de deficiências estruturais do projeto
• A falha de maior incidência, vazamento ou falha das selagens, apresentada pelos registros
da empresa, pode ser explicado fato de tratar-se de um equipamento que sofreu
alterações na configuração das selagens ao longo dos anos de operação.
• No projeto original da bomba centrífuga, a vedação do produto bombeado era feita por
meio de anéis de gaxetas, que são elementos pré-formados e de estrutura mole.
• Os selos mecânicos de tecnologia superior, utilizados atualmente para esta finalidade,
foram instalados em função da legislação que reduziu os limites de emissão de
contaminantes para a atmosfera.
• Contudo, as características dos demais componentes da bomba centrífuga não foram
estudadas durante esta modificação. Esta melhoria feita no equipamento necessita de
soluções técnicas para uma operação confiável, como o aumento da rigidez do eixo para
menor flexão e a alteração do tipo de elemento acoplador para menor vibração, por
exemplo.
85
2. Estratégias de Manutenção Baseada na Função
Confiabilidade
86
2. Estratégias de Manutenção Baseada na Função
Confiabilidade
ESTRATÉGIA DE MANUTENÇÃO BASEADA EM FUNÇÕES DE CONFIABILIDADE:
ANÁLISE QUANTITATIVA DE UM FORNO ELÉTRICO A INDUÇÃO
87
2. Estratégias de Manutenção Baseada na Função
Confiabilidade
ESTRATÉGIA DE MANUTENÇÃO BASEADA EM FUNÇÕES DE CONFIABILIDADE:
ANÁLISE QUANTITATIVA DE UM FORNO ELÉTRICO A INDUÇÃO
Tempo para o Reparo (TTR – Horas) Tempo entre as Falhas (TBF – Horas)
• Determine qual a melhor estratégia de manutenção para o sistema, bem como sua
disponibilidade
88
2. Estratégias de Manutenção Baseada na Função
Confiabilidade
Lembre-se de deixar os dados preparados para as análises de MTTR e MTBF
89
2. Estratégias de Manutenção Baseada na Função
Confiabilidade
Três equipamentos tiveram seus tempos até a falha anotados conforme abaixo. Determinar
graficamente para os 3 equipamentos (considere uma distribuição Weibull):
• O Parâmetro de Forma ().
• Vida Característica ().
• A Confiabilidade R(t) e a Probabilidade Acumulada de Falha F(t) para 90h de operação.
• O momento da vida dos itens até o qual se tem uma Confiabilidade de pelo menos 80%.
• A Taxa de Falhas em 90 horas de operação e o MTBF.
• Em que fase da Curva da Banheira estes 3 equipamentos estão.
• Qual destes equipamentos foi aceito com problemas de controle de qualidade.
• Sem analisar outras implicações técnicas, que tipo de manutenção você recomendaria para cada
um destes equipamentos? Justifique sua resposta.
Equipamento 3 55 15 70 20 30 40 45 60 72
90
3. FUNDAMENTOS DE
DIAGRAMAS DE BLOCOS (RDBs)
1
n= 1
0.9 n= 2
n= 3
0.8 n= 4
n= 5
0.7
0.6
Rn(t)
0.5
0.4
0.3
0.2
0.1
0
0 1 2 3 4
Tempo (MTTF)
3. Fundamentos de Diagramas de Blocos (RDBs)
i b
a
3. Fundamentos de Diagramas de Blocos (RDBs)
93
3. Fundamentos de Diagramas de Blocos (RDBs)
Configuração em Série
1 2 3 n
n n n
1 1
RS (t ) Ri (t ), h(t ) S h(t )i ,
i 1 i 1 MTTFS i 1 MTTFi
94
3. Fundamentos de Diagramas de Blocos (RDBs)
Configuração em Série
95
3. Fundamentos de Diagramas de Blocos (RDBs)
Configuração em Série
Depósitos de
16 cópias
96
3. Fundamentos de Diagramas de Blocos (RDBs)
Configuração em Série
Exemplo: Impressora à laser
Componente Confiabilidade
1 0,8760
2 0,8200
• Confiabilidade do sistema é:
3 0,9187 RS = (0,8760×0,8200×...×0,8034)
4 0,9789 RS= 0,111
5 0,9760
• P/ obtermos uma confiabilidade de, digamos, 80% p/ o
6 0,9907
sistema:
7 0,8029
8 0,8811
R ≈ 1 – n.(1 – R)
9 0,9718 0,8 ≈ 1−16.(1− R)
10 0,8276 • R ≈ 0,9875 Confiabilidade necessária p/ componentes.
11 0,8488
12 0,8090
13 0,8064
14 0,8327
15 0,8437
16 0,8034
3. Fundamentos de Diagramas de Blocos (RDBs)
Configuração em Paralelo
• Num sistema em paralelo, todos os componentes devem falhar p/ que o sistema falhe.
• ‹Expressão da Confiabilidade:
QS = P [E1 ∩ E2 ∩ ... ∩ En]
não-confiabilidade do sistema
n
RS (t ) 1 1 Ri (t ) p.ex., 2 faróis em um automóvel.
i 1
1 1 1
MTTFS MTTF 1 ...
2 3 n
3. Fundamentos de Diagramas de Blocos (RDBs)
Configuração em Paralelo
...
• RS é maior que a confiabilidade do melhor componente. ‹
n
• Qdo comp. apresentam somente dois modos de falha, RS
aumenta com o no de componentes.
99
3. Fundamentos de Diagramas de Blocos (RDBs)
Configuração em Stand by
• Confiabilidade do sistema:
• Dois exemplos:
A B C
n
RS (t ) 1 1 Ri (t )
i 1
n
RS (t ) Ri (t ),
i 1
A B C G
n
RS (t ) Ri (t ),
i 1
D E F H
0,50
n
RS (t ) 1 1 Ri (t ) 1 – [(1 – 0,50) x (1 – 0,34)]
i 1
0,34
RGH = 0,67
3. Fundamentos de Diagramas de Blocos (RDBs)
Combinações Paralelo Serie
106
3. Fundamentos de Diagramas de Blocos (RDBs)
Combinações Paralelo Serie
A B
A
BC
D D
C
107
3. Fundamentos de Diagramas de Blocos (RDBs)
Sistemas k-em-n
No arranjo k-em-n, pelo menos k componentes devem estar operantes (de um total de n
componentes) para que sistema
Exemplos:
• Centrais de geração de energia operam c/ dois ou três geradores, mas necessitam de
um único operante para suprir demanda.
• Pontes suspensas e guindastes constituídos de cabos c/ milhares de fios de aço;
somente uma fração dos fios garante a sustentação da carga.
• Carros c/ cinco pneus (um step) precisam de pelo menos quatro funcionando p/ poder
funcionar.
108
3. Fundamentos de Diagramas de Blocos (RDBs)
Sistemas k-em-n
109
3. Fundamentos de Diagramas de Blocos (RDBs)
Sistemas k-em-n
110
3. Fundamentos de Diagramas de Blocos (RDBs)
Sistemas k-em-n
Sistema de comunicações c/ quatro canais, três dos quais devem estar operantes p/ que
o sistema esteja operante.
111
3. Fundamentos de Diagramas de Blocos (RDBs)
Sistemas k-em-n
Combinações expressas através do coeficiente binomial
Power Supply
Power Supply
Array Controllers
Array Controllers
Power Supply
Power Supply
Configuração 2 de 3 Configuração 2 de 3
Configuração 2 de 4
3. Fundamentos de Diagramas de Blocos (RDBs)
Considere que:
• O subsistema de potência (“Power Supply”) está com configuração 2 de 4
• Os ventiladores estão com configuração 2 de 3
• Os hard drives estão em configuração 2 de 3
114
3. Fundamentos de Diagramas de Blocos (RDBs)
115
3. Fundamentos de Diagramas de Blocos (RDBs)
Para esta linha de produção foram coletados os tempos de falha até o reparo de cada
bloco.
116
3. Fundamentos de Diagramas de Blocos (RDBs)
Dias entre falhas das operações representadas no diagrama de blocos.
117
3. Fundamentos de Diagramas de Blocos (RDBs)
Neste exemplo, vamos considerar que as falhas, para cada operação, apresentam dados
se “encaixando” na distribuição de Weibull 3 parâmetros. Para as análises, vamos
considerar o modelo de Máxima Verossimilhança.
Abra o arquivo “Análise RDB – 1.MPJ”
Como não se trata de dados com censura, teremos que repetir as colunas com os
dados de todas operações
118
3. Fundamentos de Diagramas de Blocos (RDBs)
3
4
7
119
3. Fundamentos de Diagramas de Blocos (RDBs)
10
120
3. Fundamentos de Diagramas de Blocos (RDBs)
11
12
13
121
3. Fundamentos de Diagramas de Blocos (RDBs)
Table of S tatistics
20 S hape S cale Thres A D*
1,99202 5,33970 1,3162 1,858
10 1,68052 4,36350 1,3446 1,845
1,92049 6,02620 1,4515 0,758
1,26279 3,61270 1,9347 0,644
5 1,09124 4,13296 11,7432 0,796
1,34945 9,02384 10,5594 0,901
3
2
1
0,1 1 10 100 Forma = β
Data - Threshold
3. Fundamentos de Diagramas de Blocos (RDBs)
Table of S tatistics
S hape S cale Thres A D*
1,99202 5,33970 1,3162 1,858
40 1,68052 4,36350 1,3446 1,845
1,92049 6,02620 1,4515 0,758
1,26279 3,61270 1,9347 0,644
1,09124 4,13296 11,7432 0,796
20 1,34945 9,02384 10,5594 0,901
0 10 20 30 40
Data
3. Fundamentos de Diagramas de Blocos (RDBs)
Table of S tatistics
S hape S cale Thres A D*
1,99202 5,33970 1,3162 1,858
40 1,68052 4,36350 1,3446 1,845
1,92049 6,02620 1,4515 0,758
1,26279 3,61270 1,9347 0,644
1,09124 4,13296 11,7432 0,796
20 1,34945 9,02384 10,5594 0,901
0 10 20 30 40
Data
3. Fundamentos de Diagramas de Blocos (RDBs)
0,0
0 10 20 30 40
Data
125
3. Fundamentos de Diagramas de Blocos (RDBs)
Máquina A
Máquina B1
3. Fundamentos de Diagramas de Blocos (RDBs)
Máquina B2
Máquina C
3. Fundamentos de Diagramas de Blocos (RDBs)
Máquina D
Máquina E
128
3. Fundamentos de Diagramas de Blocos (RDBs)
Máquinas A B1 B2 C D E
129
3. Fundamentos de Diagramas de Blocos (RDBs)
R (t) A B1 B2 C D E
R(1 dia) 1,0 1,0 1,0 1,0 1,0 1,0
130
3. Fundamentos de Diagramas de Blocos (RDBs)
R (t) B1 B2 RB
B R(1 dia) 1,0 1,0 1 – [(1-1)*(1-1)] = 1,0
131
3. Fundamentos de Diagramas de Blocos (RDBs)
R (t) A B C D E A-E
B R(1 dia) 1,0 1,0 1,0 1,0 1,0 1,0
132