Confiabilidade II

Confiabilidade
Ferramentas Quantitativas II
Complexo Industrial Piaçaguera
MBA – IESAE
Análises de Confiabilidade
e estratégia de manutenção
Marcelo Miranda
Professor MBA
Objetivos
 Preparar os participantes para conhecer e realizar análises de

confiabilidade para equipamentos e sistemas.
 Preparar os participantes para definir estratégias de manutenção

baseadas nas análises de tempo entre falhas e reparo.
 Apresentar metodologias para:
 Conhecimento e aplicação dos conceitos relacionados à

confiabilidade e análise de dados de vida p/ equipamentos e
sistemas
 Estabelecer a estratégia e a gestão mais adequada, baseando-se em
análises de confiabilidade
 Comparar diferentes equipamentos, sistemas e projetos através das
análises de confiabilidade
 Consolidar o uso Minitab nas análises de Dados de Vida
 Resolução de exemplos práticos, usando Minitab
2
Programa
• Revisão Conceitos 2ª Aula

1
• Estratégias de Manutenção Baseada na Função Confiabilidade

2
• Fundamentos de Diagramas de Blocos

3
• Confiabilidade em Sistemas Reparáveis

4
3
1. REVISÃO CONCEITOS 2ª AULA
1. Revisão Conceitos 2ª Aula
Conceitos e medidas importantes utilizados na confiabilidade:

• 1 - Função densidade da probabilidade de falha  f(t)
• 2 - Função acumulativa de falhas  F(t)
• 3 - Função de Confiabilidade (também chamada função de sobrevivência)  R(t)
• 4 - Taxa de Falha (ou risco) e Função de Risco  h(t)
• 5 - Tempo Médio até a Falha  MTTF

• 6 - Tempo Médio entre Falhas  MTBF
• 7 - Tempo Médio de Reparo  MTTR
O que são MTBF e MTTR

• MTBF (tempo médio entre falhas): média de tempo decorrido entre uma falha e a
próxima vez que ela ocorrerá.
• MTTR (tempo médio para reparo): média de tempo para executar um reparo após a
ocorrência da falha  tempo gasto de intervenção em um determinado processo.
A diferença de MTTR e MTBF para MTTF

• No caso acima, estamos tratando de sistemas, instalações, equipamentos ou processos
que podem ser reparados.
• No caso de sistemas e equipamentos que não são reparáveis, o KPI correto seria MTTF
(“mean time to failure”, ou tempo médio até a falha).
6
Uma classificação importante de sistemas provém de suas Fator de Restauração

característica em termos de reparabilidade
• Sistemas Reparáveis: passíveis de manutenção, ou seja,
uma vez detectada uma falha, sua condição operacional
pode ser restaurada através de intervenções.
• Sistemas Não Reparáveis: não passíveis de manutenção,
ou seja, uma vez que apresentaram falha, não podem ter
sua função reestabelecida, não havendo outro tipo de
manutenção possível (são descartados).
Muitos sistemas são reparáveis: carros, aviões,
computadores, etc.
A maioria da literatura apresenta modelos estocásticos p/
sistemas não reparáveis  formalização da literatura de
sistemas reparáveis é nova
Os conceitos e terminologia utilizados para o estudo de ambos os tipos de sistemas são

similares, com algumas sutis diferenças
7
• Sistemas reparáveis são passíveis de alguma ação de manutenção após falhar. O tempo
até a primeira falha de um sistema reparável é modelado de forma similar aos
sistemas não-reparáveis.
Exemplo – Bombas de um mesmo modelo aplicadas sob mesmas condições
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
• Após a primeira falha, uma ação de manutenção (reparo) pode ser

executada, e o sistema volta a sua condição de operação.
8
• O tempo até a próxima falha depende do tipo de reparo realizado, o qual não é
necessariamente explicado pela distribuição de probabilidade utilizada p/ descrever o tempo
até a primeira falha.
1 X X X
Reparo Reparo
2 X X X
Reparo
Os tempos até as próximas
Reparo
falhas dependem da
3 X X X
Reparo Reparo qualidade dos reparos
realizados
4 X X X
Reparo Reparo
5 X X X
Reparo Reparo
n X X X
Reparo Reparo
• Assim, as suposições de independência dos tempos de falha e de que os mesmos sejam

identicamente distribuídos não são sempre válidas.
• Consequentemente, os dados de falha de sistemas reparáveis precisam receber um
tratamento estatístico diferente dos sistemas não reparáveis
9
Funções importantes dentro da avaliação de confiabilidade de um determinado

componente, equipamento ou sistema:
1) A função de distribuição da probabilidade é a distribuição f(t) dos tempos de falha. O

valor de f(t) é a frequência de falhas exatamente no tempo t
Função de distribuição da
probabilidade
2) A função de distribuição acumulativa F(t) representa a probabilidade do

equipamento/sistema/componente falhar a algum tempo antes de t. É a integral da
função de distribuição da probabilidade de falha, considerando o intervalo de 0 a t.
P9,m pn
probabilidade
Probabilidade falha em um
determinado intervalo
3) A função de confiabilidade R(t) é a probabilidade de um

sistema/componente/equipamento não falhar antes de t.
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:
A função taxa de falha h(t) é a probabilidade condicional de falha no intervalo de t até t

+ Δt, dado que não existe falha em t. Isto pode ser expressado por :
As taxas de falhas podem ser classificadas em três categorias
Falhas por desgaste -

Falhas Precoces - Infância Velhice Falhas Casuais – Vida últil
Em alguns casos pode-se reduzir ou Não é fácil a eliminação deste tipo de

Podem ser totalmente depuradas falhas, porém em alguns casos existem
eliminar as falhas por desgaste
através de um rigoroso controle na técnicas que nos permitem fazer um
mediante a um sistema de manutenção
fabricação e mediante testes antes do acompanhamento de componentes
preventiva.
envio do produto ao consumidor (uso adequados, através de projetos. São
demasiadamente intenso, as Acontecem devido ao envelhecimento falhas que ocorrem ao acaso, em
anormalidades de fabricação, um do equipamento ou desgaste real (pela intervalos de tempo inesperados.
projeto defeituoso). A classificação da perda ou degeneração de
taxa de falha é decrescente. características importantes). A taxa de
falha é classificada como crescente
A conhecida “Curva da Banheira” descreve a ocorrência de falhas que se iniciam com um

alto índice de falha, seguidas de desgaste por uso (falhas precoces seguidas de falhas por
desgaste).
IMPORTANTE:
Alterando o valor de β, a função dens. de probabilidade toma formas de outras distribuições
β < 1, mortalidade infantil β =1, falhas aleatórias β >1, falhas por desgaste
5 - Tempo Médio até a Falha  MTTF
O MTTF é função da confiabilidade:
Também pode ser dado pela expressão similar:
6 - Tempo Médio entre Falhas  MTBF
7 - Tempo Médio de Reparo  MTTR

• Um sistema produtivo é um conjunto de componentes interligados que desempenham uma
dada função
• Um sistema produtivo deve estar disponível para uso: a qualidade de seu projeto pode ser
medida pela disponibilidade
• A Disponibilidade é a probabilidade de que um sistema esteja disponível no momento em

que for requisitado pela operação
• A Disponibilidade considera o tempo entre falhas e o tempo até o reparo, representados pelo
MTBF e MTTR.
Para melhorar a disponibilidade  duas abordagens são possíveis e complementares

Disponibilidade
• 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
TBF1 =10 h TBF2 = 8 h TBF3 = 6 h TBF4 = 8 h TBF5 = 7 h
1 X X X X X
Reparo Reparo Reparo Reparo Reparo
TTR = 1h TTR2 = 1h TTR3 = 1 h TTR4 = 1h TTR5 = 1h
Tempo Total (Horas Calendário) – Horas de Reparo

Disponibilidade = Tempo Total (Horas Calendário)
X 100
Tempo em Operação
Disponibilidade = X 100
Tempo Total (Horas Calendário)
10 + 8 + 6 + 8 + 7
10 + 1 + 8 + 1 + 6 + 1 + 8 + 1 + 7 + 1
39
Disponibilidade = X 100 = 88,64%
44
1 X X X X X
Tempo Total (Horas Calendário) – Horas de Reparo

Disponibilidade = Tempo Total (Horas Calendário)
X 100
Tempo em Operação
Tempo Total (Horas Calendário)
TBF1 + TBF2 + TBF3 + TBF4 + TBF5

TBF1 + TBF2 + TBF3 + TBF4 + TBF5 + TTR1 + TTR2 + TTR3 + TTR4 + TTR5
19
1 X X X X X
TBF1 + TBF2 + TBF3 + TBF4 + TBF5
N
TBF1 + TBF2 + TBF3 + TBF4 + TBF5 + TTR1 + TTR2 + TTR3 + TTR4 + TTR5
N N
Disponibilidade = MTBF = 7,8

X 100
MTBF = 7,8 + MTTR = 1
88,64%
A definição de métodos corretos de análise de vida / falha de um componente ou sistema

estão baseados nos seguintes pontos:
1) Se é possível ou não assumir um distribuição paramétrica para os dados de falha;
2) Avaliar que tipo de censura está associado ao problema ou análise.
Técnicas de Análise Vida/ Tempos de Falha
Análises Não Paramétricas Análises Paramétricas
Usadas quando não é possível Usadas quando os dados

assumir distribuições seguem distribuições estatísticas
estatísticas (Ex: Weibull, LogNormal, Normal
e Exponencial)
Tabela
Kaplan-Meier
de Vida
• Se a distribuição de probabilidade for corretamente especificada, as técnicas

paramétricas serão mais eficientes que as não-paramétricas.
• Embora exista uma série de modelos probabilísticos utilizados em análise de

confiabilidade, alguns deles ocupam posição de destaque por sua comprovada
adequação a várias situações práticas.
Modelos destaque: Exponencial, Weibull e Lognorrmal.
Muitas das distribuições que tendem a melhor

representar os dados de vida são comumente
chamadas de distribuições de vida.
• Os modelos probabilísticos (Exponencial, Weibull e Lognormal) apresentados são

caracterizados por quantidades desconhecidas, denominadas parâmetros.
1) Exponencial: λ
2) Weibull: β = forma; η = escala
3) LogNormal: α = locação; σ = escala
• Estas quantidades conferem uma forma geral ao modelo probabilístico.
• Entretanto, em cada estudo de confiabilidade, tais parâmetros devem ser estimados a

partir dos dados amostrais, de tal forma que o modelo fique determinado e possibilite
responder às perguntas de interesse.
23
• DISTRIBUIÇÃO WEIBULL: Flexível, amplamente utilizada  diferentes formatos

(aproxima de outras distribuições)
- Representa falhas típicas de partida, falhas aleatórias e falhas devido ao desgaste.
- Obter parâmetros significativos da configuração das falhas.

Função Geral
t  Tempo, ciclos, etc
β  Parâmetro de forma da distribuição (características de falha)
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”
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
β = 0,5 Falhas Precoces β = 20 Falhas por desgaste

IMPORTANTE:
β > 1- Fim de vida útil
f(t)
h (t)
R (t) β < 1- Início de β = 1- Taxa

operação constante de falha
• DISTRIBUIÇÃO EXPONENCIAL: caso especial da distribuição de Weibull com ß = 1 (ex:

componentes eletrônicos como diodos, transistores, resistores e capacitores).
• Bom modelo quando a probabilidade de falha é sempre a mesma (antes que o item comece a
envelhecer e se desgastar durante sua aplicação esperada).
Função Geral
λ Constante - parâmetro da distribuição
Clicar em “Graph  Probability Escolha “Exponencial”

Distribution Plot” 3
1 Selecione “Vary Parameters”
2 Corresponde a λ
Corresponde a t0
Clicar em “Ok”
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
Distribuição Exponencial
R (t)
f(t)
• DISTRIBUIÇÃO LOGNORMAL: fortemente relacionada com a distribuição normal. Útil

para modelar dados mais ou menos simétricos ou com assimetria para a direita.
• Assim como Weibull, a distribuição Lognormal possui aparências muito diferentes
dependendo do parâmetro de escala.
Função Geral
µ Parâmetro relacionado à localização /posição
σ Parâmetro de escala
Clicar em “Graph  Probability Escolha “LogNormal”

Distribution Plot”
3
1
Selecione “Vary Parameters”
2 Corresponde a µ
Corresponde a σ
Corresponde a t0
Clicar em “Ok”
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
Confiabilidade Taxa de Falha

1 2 3
• Em que Φ é a função de distribuição acumulada de uma distribuição normal padrão.
1 2 3
f(t) R (t) h (t)

A função taxa de falha é dada por

h(t) = (β/η) (t/η) β -1, t ≥ 0
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
TABELA FUNÇÃO GAMMA
34
DADOS COM CENSURA
Dados Completos Dados Suspensos
Dados Censurados à esquerda Dados Por Inspeção
35
Dados Censurados à Direta
36
Censura Intervalar
37
Censura á Esquerda
Duas abordagens comumente usadas para estimar parâmetros de populações em uma

amostra aleatória são:
• Estimativa da máxima verossimilhança (MLE); e
• Estimativa de mínimos quadrados.(LSE)
Método de estimativa da máxima verossimilhança (MLE)

Indica o quão provável a amostra observada é função de possíveis valores de parâmetro.
Portanto, maximizar a função de verossimilhança determina os parâmetros que têm maior
probabilidade de produzir os dados observados. Trata-se de um método versátil, aplicável à
maioria dos modelos e diferentes tipos de dados, e produz as estimativas mais precisas.
Método de estimativa de mínimos quadrados (LSE)

As estimativas de mínimos quadrados são calculadas ajustando-se uma linha de
regressão aos pontos de um conjunto de dados com a soma mínima dos desvios padrão
elevados ao quadrado (erro mínimo quadrado). Em análises de confiabilidade, a linha e os
dados são representados graficamente em um gráfico de probabilidade.
39
Método de Máxima Verossimilhança (MLE)
O método de máxima verossimilhança trata o problema da estimação dos parâmetros da

seguinte forma:
• Baseando-se nos resultados obtidos pela amostra, qual é a distribuição, entre todas
aquelas definidas pelos possíveis valores de seus parâmetros, com maior possibilidade
de ter gerado tais resultados?
• Em outras palavras, se por exemplo a distribuição do tempo de falha é Weibull, para
cada combinação diferente de β e η e tem-se diferentes distribuições Weibull. O método
de máxima verossimilhança escolhe aqueles valores de β e η que melhor expliquem os
resultados gerados pelo teste.
40
Método de Máxima Verossimilhança (MLE)
• Os estimadores da máxima verossimilhança são consistentes e assintoticamente eficientes.

• Para amostras pequenas, olhando os gráficos de distribuição pelo método MLE, podemos ter
indícios se esta suposição é razoável.
• O estimador da máxima verossimilhança é mais requerido quando trabalhamos com
pequenas amostras, desde que elas tragam resultados conservadores, comparados com o
estimador dos mínimos quadrados.
• As resoluções pelo MLE são bem adequadas a distribuições com um e dois parâmetros.
• Suporta melhor dados com censura do que a regressão. Baseado nas propriedades do MLE,
os limites de confiança podem ser quantificados.
41
Método da Regressão (Mínimos Quadrados) (LSE)
• 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
• Para amostras grandes e completas os dois métodos geram resultados consistentes.

• Observação: Em aplicações de confiabilidade, os conjuntos de dados são tipicamente de
tamanho pequeno ou moderado.
• Estudos de simulação extensivos mostram que, no caso de pequenas amostras, onde
há apenas algumas falhas, o método MLE é melhor do que o método LSE.
• Vantagens do método MLE em relação ao método LSE:
- As estimativas do parâmetro de distribuição são mais precisas.
- A variância estimada é menor.
- Os cálculos usam mais informações dos dados. Quando há apenas algumas falhas
devido aos dados estarem pesadamente censurados, o método MLE usa as informações no
conjunto de dados inteiro, incluindo os valores censurados. O método LSE ignora as informações
nas observações censuradas.
Para amostras com “muita censura”, o MLE é mais

acurado que o método LSE
43
• 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
Dados mostram uma censura intervalar

(frequência de falhas)
44
5
2
8
45
Probability Plot for Start

ML Estimates-Arbitrary Censoring
A nderson-Darling (adj)
Weibull Lognormal
Weibull
99
90 2,534
90 Lognormal
50
2,685
E xponential
P er cent
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

A nderson-D arling (adj)
3-Parameter Weibull 3-Parameter Lognormal
3-P arameter Weibull
99
90 2,427
90 3-P arameter Lognormal
50
2,488
2-P arameter E xponential
Percent
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
2-Parameter Exponential 3-Parameter Loglogistic

99
90
50 90
50
Percent
Percent
10
10
1
1
0,1 0,1
100 1000 10000 100000 1000000 5750000 5800000 5850000
47 Start - Threshold Start - Threshold

A nderson-D arling (adj)
Smallest Extreme Value Normal
S mallest E xtreme V alue
99
90 2,426
90 N ormal
50
2,490
Logistic
Percent
Percent
10 50
2,369
10
1
1
0,1 0,1
0 50000 100000 0 40000 80000 120000
Start Start
Logistic
99
90 Verificando o valor de Anderson Darling e o formato da

50
distribuição  podemos concluir que os melhores
Percent
modelos são “Smallest Extreme Value” e “3-parameter

10 loglogistic”.
1
Vamos escolher “Smallest Extreme Value”
0,1
0 40000 80000 120000
Start
48
6
2
9
Distribution Overview Plot for Start

Table of S tatistics
P robability Density F unction S mallest E xtreme V alue
Loc 77538,0
0,00003
90 S cale 13972,0
M ean 69473,1
50
S tDev 17919,8
0,00002
M edian 72417,0
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
S urv iv al F unction H azard F unction

100
0,0003
P er cent
0,0002
Rate
50
0,0001
0 0,0000
30000 60000 90000 30000 60000 90000
Star t Star t
• 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.
Distribution Overview Plot for Start

P robability D ensity F unction S mallest E xtreme V alue
Loc 77538,0
0,00003
90 S cale 13972,0
M ean 69473,1
50
S tD ev 17919,8
0,00002
M edian 72417,0
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

45000
100
90 0,0003
P er cent
0,0002
Rate
50
0,0001
0 0,0000
30000 60000 90000 30000 60000 90000
Star t Star t
• 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:
Intervalo entre falhas, em horas, para as Máquinas A e B
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
71 116 126 219 11 70
52
Neste caso, estamos analisando dados de sistemas reparáveis ou não reparáveis?

____________________________________________________________________________
____________________________________________________________________________
____________________________________________________________________________
____________________________________________________________________________
____________________________________________________________________________
____________________________________________________________________________
53
• Abra o arquivo “Análise Máquinas de Tempera. MPJ”

• Vamos avaliar os modelos de distribuição Exponencial, Weibull, LogNormal e Normal
Como não se trata de dados com censura, teremos que repetir as colunas com os
dados de todas operações
1 2
• Vamos avaliar os modelos de distribuição acima citados
54
7 8
4
6
9
Probability Plot for Intervalo entre ; Intervalo entre

V ariable
Weibull Lognormal
Interv alo entre F alhas M áq A
99
Interv alo entre F alhas M áq B
90
10
90 A nderson-Darling (adj)
50 Weibull
Percent
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

V ariable
Weibull Lognormal
Interv alo entre F alhas M áq A
99
Interv alo entre F alhas M áq B
90
10
90 A nderson-Darling (adj)
50 Weibull
Percent
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
2
3 6
5 8
10
11

Weibull
Arbitrary Censoring - ML Estimates
99
Variable
90 Interv alo entre Falhas Máq A
80 Interv alo entre Falhas Máq B
70 Table of S tatistics
60 S hape S cale A D*
50 0,90074 39,6257 0,953
40
1,24974 97,2901 1,527
30
Percent
20
10
3
2
1
0,1 1 10 100 1000
Data
60
Survival Plot for Intervalo entre Falhas M; Intervalo entre Falhas M

Weibull
100 Variable
Interv alo entre Falhas Máq A
Interv alo entre Falhas Máq B
S hape S cale A D*
0,90074 39,6257 0,953
1,24974 97,2901 1,527
60
Percent
40
20
0 50 100 150 200 250 300 350

Data
61
Cumulative Failure Plot for Intervalo entre ; Intervalo entre

Weibull
100 Variable
S hape S cale A D*
0,90074 39,6257 0,953
1,24974 97,2901 1,527
60
Percent
40
20
0 50 100 150 200 250 300 350

Data
62
Hazard Plot for Intervalo entre Falhas M; Intervalo entre Falhas M

Weibull
0,04 Variable
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
O que podemos concluir desta análise?

____________________________________________________________________________
____________________________________________________________________________
____________________________________________________________________________
____________________________________________________________________________
____________________________________________________________________________
____________________________________________________________________________
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,
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
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
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
Confiabilidade
Mortalidade Infantil  falhas prematuras causadas principalmente por má especificação,

mau projeto, má instalação ou por má fabricação de componentes (estratégia corretiva
identifica e sana estas deficiências).
Na fase de Maturidade (i) ultrapassagens de resistências ainda não manifestadas na
fase inicial, o que indica que a mortalidade infantil ainda não estava totalmente encerrada;
(ii) falhas ligadas ao mau uso do equipamento; e (iii) grandes ultrapassagens de
resistências causadas por catástrofes.
Fase de Desgaste: quebras por processos progressivos de falhas, sendo importantes o

momento de início da falha e o momento da quebra.
• O início da falha pode ser detectado e a quebra pode ser predita por técnicas de
manutenção preditiva que devem ser adotadas na fase de maturidade, quando ainda
não se sabe quando se iniciará o período de desgaste.
• Após o início deste período, técnicas preditivas continuam sendo úteis, pois podem
auxiliar na predição do momento da ruptura, que será prevenida por uma estratégia de
manutenção preventiva.
Confiabilidade
ESTRATÉGIA DE MANUTENÇÃO BASEADA EM FUNÇÕES DE CONFIABILIDADE

PARA UMA BOMBA CENTRÍFUGA PETROLÍFERA
• Foram levantados os dados de intervalos de tempo entre intervenções de manutenção
de emergência entre os anos de 2001 e 2011(apenas paradas não programadas do
equipamento).
Tempo para o Reparo (TTR – Horas) Tempo entre as Falhas (TBF – Horas)
8 24 8 408 96 9336 1728 240 936 1224
264 96 24 8 72 2544 2376 1224 72 12912
168 408 48 24 336 17136 336 2976 5736 48
72 192 8 24 120 888 168 6768 3720 576
48 8 72 24 360 2088 144 7704 11208
72
Confiabilidade
• Inicialmente vamos modelar os dados de TTR e encontrar o MTTR. Vamos transferir os

dados da tabela para o Minitab.
Como não se trata de dados com censura, teremos que repetir as colunas com os dados de todas operações
1 2
3
Confiabilidade
4
1
2 5
6
7
Confiabilidade
1
4
2
7 8
Confiabilidade
LOGNORMAL É O MELHOR MODELO
Probability Plot for TTR

Weibull Lognormal
Weibull
99
1,914
90
Lognormal
90
1,901
50
E xponential
P er cent
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
Confiabilidade
• Agora vamos modelar os dados de TBF e encontrar o MTBF.
77
Confiabilidade
4
1
2
5
7 6
78
Confiabilidade
Probability Plot for TBF
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
Confiabilidade
• Baseado nos resultados de MTTR e MTBF, qual seria a disponibilidade para o sistema?
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
___________________________________________________________________________
80
Confiabilidade
5
1 2
7
Confiabilidade
Distribution Overview Plot for TBF
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

100 0,0008
0,0006
P er cent
Rate
50
0,0004
0,0002
0
0 10000 20000 0 10000 20000
T BF T BF
82
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
Confiabilidade
• A equipe usa uma estratégia de manutenção preditiva. Esta estratégia realiza a

monitoração para predizer o momento em que se iniciará o processo de desgaste. Após
iniciada a operação do equipamento, a monitoração poderá predizer o momento em que
aumenta a chance de quebra do mesmo, por meio de monitoração de variáveis-chave:
vibração de rolamentos e análise de contaminação de óleo lubrificante.
• O objetivo do monitoramento é acompanhar falhas em progresso para evitar a possível
quebra da bomba centrífuga. As principais falhas que têm sido observadas são
apresentadas na Tabela a seguir.
84
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
Confiabilidade
• Como causas contribuintes para a redução da confiabilidade do posto de bombeio, têm-se

as características negativas de operação das bombas centrífugas, como a aspiração
difícil, necessidade de escorva e possibilidade de cavitação que causam danos severos às
selagens, além das particularidades do fluído bombeado que podem potencializar estas
características.
• Somado a isto, existem as especificidades de operação da bomba centrífuga, como
procedimentos estabelecidos pelo fabricante do equipamento e das selagens, que são de
responsabilidade do cliente, o que demanda o seu treinamento e comprometimento.
• Como o equipamento se encontra na fase de mortalidade infantil, a Engenharia de

Manutenção pode optar pela manutenção corretiva
86
Confiabilidade
ESTRATÉGIA DE MANUTENÇÃO BASEADA EM FUNÇÕES DE CONFIABILIDADE:
ANÁLISE QUANTITATIVA DE UM FORNO ELÉTRICO A INDUÇÃO
• Foram coletados e analisados dados históricos referentes à manutenção de um forno de

indução entre janeiro e dezembro de 2012. Foram consideradas apenas as paradas não
programadas, ou seja, quebras de equipamentos. Foram coletados os dados de tempo
até o reparo ou Time to Repair (TTR) e tempo entre falhas ou Time Between Failures
(TBF).
• O forno em estudo foi instalado em 2009 e é revisado anualmente, durante o período de

férias coletivas da empresa. As informações pertinentes às atividades de manutenção
são registradas no sistema de informação da empresa. Para este artigo interessam os
TTR e TBF, apresentados respectivamente nas Tabelas 2 e 3.
87
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)
50 60 75 20 4860 540 7020 17280
90 150 120 495 3240 1620 12960 1620
600 150 60 120 1080 23220 2700 18360
50 80 180 90 3780 12420 22680 2700
180 310 120 135 10800 2160 2700 16200
• Determine qual a melhor estratégia de manutenção para o sistema, bem como sua
disponibilidade
88
Confiabilidade
Lembre-se de deixar os dados preparados para as análises de MTTR e MTBF
89
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.
Tempo para a Falha (h)
Equipamento 1 330 900 5 15 180 30 75 45 60
Equipamento 2 5 170 30 25 75 45 100 80 74
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)
Suposições comuns a todos os sistemas analisados:

• Confiabilidade de sistemas é avaliada num ponto t no tempo; ou seja, componentes
apresentam confiabilidades estáticas em t. ‹
• Componentes dos sistemas apresentam-se em dois estados: operantes ou não-
operantes. ‹
• Componentes falham independentemente.
• Diagrama descreve função do sistema;

• Sistemas c/ mais de uma função  mais de um diagrama. ‹
Componente representado por bloco:
i b
a
• Ei = evento do componente i estar operante no momento da verificação. ‹

• Ri = P(Ei) = confiabilidade do componente. ‹
• RS = confiabilidade do sistema.
Atenção: medidas avaliadas no tempo t de interesse para o analista.
93
Configuração em Série
Na prática, esta é a configuração mais comum. ‹

Todos os componentes devem funcionar para que o sistema funcione. ‹
O diagrama de blocos p/ este sistema é:
1 2 3 n
R1(t) R2(t) R3(t) Rn(t)
RS = P [E1 ∩ E2 ∩...∩ En] ou seja, o sistema funciona se todos os componentes

funcionarem (por isso a intersecção de eventos).
Supondo independência entre falhas:
ou RS = P(E1) × P(E2) ×...× P(En)
n n n
1 1
RS (t )   Ri (t ), h(t ) S   h(t )i , 
i 1 i 1 MTTFS i 1 MTTFi
94
Propriedades do arranjo em série
Confiabilidade do sistema decresce rapidamente a medida que no de componentes

aumenta.
Exemplo: Impressora à laser
95

1
Defletor Fonte do Estação de Estação de
Laser laser sobreposição sobreposição
ótico
Estação de Estação de Estação de Rolo Estação de

descarga limpeza revelação copiador carga
Estação de Estação de Transportador Depósito de Rolos

alimentação transferência de papel cópias estabilizadores
Depósitos de
16 cópias
96
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
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
QS = P (E1) x P(E2) x ...P(En)
n
RS (t )  1   1  Ri (t )  p.ex., 2 faróis em um automóvel.
i 1
Para componentes iguais:
 1 1 1
MTTFS  MTTF 1    ...  
 2 3 n
Configuração em Paralelo
• Paralelo puro - componentes em operação simultânea; falhas não afetam desempenho

dos componentes sobreviventes.
A expressão de confiabilidade apresentada anteriormente

serve p/ este tipo de sistema.
1
Considere sistema c/ 3 componentes 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
Configuração em Stand by
• Componente em standby: somente é ativado quando componente ativo falhar.
Expressão de confiabilidade deste sistema no

caso de chave de troca (C) perfeita dada a seguir.
Ti = tempo-até-falha do i-ésimo componente, c/ densidade fi(t).

Configuração em Stand by
• Modos de sucesso não podem ocorrer simultaneamente
• Confiabilidade do sistema:
• No caso especial de componentes c/ taxa de falhas constante (=λ):

Combinações Paralelo Serie
• Dois exemplos:
• Análise feita decompondo sistemas em subsistemas em série e paralelo.

• Decompor em 3 subsistemas em paralelo:
A B C
RA(t) RB(t) RC(t)
n
RS (t )  1   1  Ri (t )
i 1
1 – [(1-0,9) x (1 – 0,8)] 1 – [(1-0,7) x (1 – 0,6)] 1 – [(1-0,8) x (1 – 0,7)]

• Decompor em 3 subsistemas em paralelo:
RA(t) RB(t) RC(t)
1 – [(1-0,9) x (1 – 0,8)] 1 – [(1-0,7) x (1 – 0,6)] 1 – [(1-0,8) x (1 – 0,7)]
0,98 0,88 0,94
RA(t) RB(t) RC(t)
n
RS (t )   Ri (t ),
i 1
0,98 x 0,88 x 0,94 = 0,81

• Decompor em 2 subsistemas em série:
0,9 0,7 0,8
0,8 0,6 0,7
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
• Série-paralelo = redundância no nível do componente (de baixo nível).

• Paralelo-série = redundância no nível do sistema (de alto nível)
• Pode-se demonstrar, p/ sistemas c/ mesmos componentes:
R(série - paralelo) ≥ R(paralelo - série)
• Diferença menos pronunciada em sistemas de componentes altamente confiáveis (R >

0,9).
• Arranjos paralelo-série / série-paralelo podem apresentar-se combinados em arranjos

mistos.
106
• Diagrama de Blocos de Confiabilidade:

• Sistemas em série-paralelo (do ponto de vista da confiabilidade):
A B
A
BC
D D
C
107
Sistemas k-em-n
Sistemas série e paralelo puro são casos especiais de sistemas k-em-n:

• Série puro = sistema n-em-n
• Paralelo puro = sistema 1-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
Sistemas k-em-n
Assuma que uma aeronave de 4 turbinas necessite, no mínimo, de 2 funcionado (quaisquer

2) para uma viagem segura. Neste caso, as quatro turbinas estão conectadas em uma
configuração paralela 2 boas em 4 (2-out-of-4). Onde k = 2 e n = 4.
109
Sistemas k-em-n
110
Sistemas k-em-n
Sistema de comunicações c/ quatro canais, três dos quais devem estar operantes p/ que
o sistema esteja operante.
Possíveis combinações de componentes que

caracterizam um sistema operante. Situação
onde todos os componentes estão operantes
{1,2,3,4} foi omitida.
111
Sistemas k-em-n
Combinações expressas através do coeficiente binomial
No caso de componentes c/ confiabilidades idênticas e

iguais a R, expressão de confiabilidade do sistema é:
Considere canais do ex. anterior c/ R = 0.65 (p/ missão de 2 anos)
Sistema é do tipo 3-em-4, c/ confiabilidade dada por:
Sistemas k-em-n costumam apresentar boa confiabilidade (já

112 que oferecem algum grau de redundância).
Considere o seguinte “vetor de hard drives”:
Power Supply
Fan Hard Drive
Power Supply
Array Controllers
Fan Hard Drive
Array Controllers
Power Supply
Fan Hard Drive
Power Supply
Configuração 2 de 3 Configuração 2 de 3
Configuração 2 de 4
As distribuições de probabilidade e parâmetros do comportamento de falha de cada

componente são:
Componente Distribuição Parâmetros
Array Controllers Weibull β = 1,2 η = 1953 dias
Power Supply Lognormal µ = 7,01202 σ = 1,2123
Fan Exponencial λ = 0,000070265 falhas / dia
Hard Drive Weibull Β = 2,5 η = 3000 dias
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
• Determine a função de confiabilidade para o sistema

• Estime a confiabilidade do sistema para uma missão de 182 dias
• Qual é a duração de uma missão para o sistema se um nível de confiabilidade de 90% é
requerido
• Determine a função de confiabilidade para cada subsistema
• Sabendo que o sistema tem operado por 182 dias, qual é a probabilidade de que o
mesmo irá operar sem falhas por mais 182 dias?
• Sistema em paralelo no qual algumas unidades ficam fora de serviço

• Somente chamadas a entrarem em operação quando a unidade principal falha
• A detecção de falha da unidade principal e mudança para uma unidade standby é feita
por um Sistema Sensor e Chaveamento
115
Exemplo: Considere uma linha de produção com 6 operações, conforme mostrado no

diagrama de blocos abaixo:
Para esta linha de produção foram coletados os tempos de falha até o reparo de cada
bloco.
116
Dias entre falhas das operações representadas no diagrama de blocos.
117
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
4
7
119
10
120
11
12
13
121
Probability Plot for A; B1; B2; C; D; E

3-Parameter Weibull
99
Variable
90 A
80 B1
70 B2
60 C
50 D
40 E
30
Percent
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
Survival Plot for A; B1; B2; C; D; E

3-Parameter Weibull
Variable
100
A
B1
B2
80 C
D
E
60
Percent
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
Cumulative Failure Plot for A; B1; B2; C; D; E

3-Parameter Weibull
Variable
100
A
B1
B2
80 C
D
E
60
Percent
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
Hazard Plot for A; B1; B2; C; D; E

3-Parameter Weibull
2,0 Variable
A
B1
B2
1,5 C
D
E
Rate
1,0 S hape S cale Thres A D*

1,99202 5,33970 1,3162 1,858
1,68052 4,36350 1,3446 1,845
1,92049 6,02620 1,4515 0,758
1,26279 3,61270 1,9347 0,644
0,5 1,09124 4,13296 11,7432 0,796
1,34945 9,02384 10,5594 0,901
0,0
0 10 20 30 40
Data
125
Máquina A
Máquina B1
Máquina B2
Máquina C
Máquina D
Máquina E
128
Máquinas A B1 B2 C D E
to 1,32 1,34 1,45 1,93 11,74 10,56
β 1,99 1,68 1,92 1,27 1,09 1,35
η 5,34 4,36 6,02 3,61 4,13 9,02
t10 3,04 2,49 3,32 2,54 12,27 12,26
t50 5,76 4,85 6,43 4,64 14,70 17,44
MTTF 6,05 5,24 6,80 5,29 15,74 18,83
129
R (t) A B1 B2 C D E
R(1 dia) 1,0 1,0 1,0 1,0 1,0 1,0
R (2 dias) 0,98 0,96 0,99 0,99 1,0 1,0
R (3 dias) 0,90 0,82 0,93 0,81 1,0 1,0
R (4 dias) 0,78 0,65 0,83 0,61 1,0 1,0
R (5 dias) 0,62 0,48 0,70 0,44 1,0 1,0
R (6dias) 0,46 0,33 0,56 0,31 1,0 1,0
R (7 dias) 0,32 0,21 0,43 0,21 1,0 1,0
R (8 dias) 0,21 0,13 0,31 0,15 1,0 1,0
130
R (t) B1 B2 RB
B R(1 dia) 1,0 1,0 1 – [(1-1)*(1-1)] = 1,0
R (2 dias) 0,96 0,99 1 – [(1-0,96)*(1-0,99)] = 0,96
R (3 dias) 0,82 0,93 1 – [(1-0,82)*(1-0,93)] = 0,987

n
RS (t )  1   1  Ri (t ) R (4 dias) 0,65 0,83 1 – [(1-0,65)*(1-0,83)] = 0,94
i 1 R (5 dias) 0,48 0,70 1 – [(1-0,65)*(1-0,83)] = 0,94
R (6dias) 0,33 0,56 1 – [(1-0,33)*(1-0,56)] = 0,705
R (7 dias) 0,21 0,43 1 – [(1-0,21)*(1-0,43)] = 0,45
R (8 dias) 0,13 0,31 1 – [(1-0,13)*(1-0,31)] = 0,40
131
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
R (2 dias) 0,98 0,96 0,99 1,0 1,0 0,93
R (3 dias) 0,90 0,987 0,81 1,0 1,0 0,72

n
RS (t )  1   1  Ri (t ) R (4 dias) 0,78 0,94 0,61 1,0 1,0 0,45
i 1 R (5 dias) 0,62 0,94 0,44 1,0 1,0 0,26
R (6dias) 0,46 0,705 0,31 1,0 1,0 0,10
R (7 dias) 0,32 0,45 0,21 1,0 1,0 0,03
R (8 dias) 0,21 0,40 0,15 1,0 1,0 0,013
132

Confiabilidade II

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

Confiabilidade II

Enviado por

Direitos autorais:

Formatos disponíveis

Confiabilidade

 Preparar os participantes para conhecer e realizar análises de

 Preparar os participantes para definir estratégias de manutenção

 Apresentar metodologias para:

 Conhecimento e aplicação dos conceitos relacionados à

• Revisão Conceitos 2ª Aula

• Estratégias de Manutenção Baseada na Função Confiabilidade

• Fundamentos de Diagramas de Blocos

• Confiabilidade em Sistemas Reparáveis

Conceitos e medidas importantes utilizados na confiabilidade:

• 5 - Tempo Médio até a Falha  MTTF

O que são MTBF e MTTR

A diferença de MTTR e MTBF para MTTF

Uma classificação importante de sistemas provém de suas Fator de Restauração

Os conceitos e terminologia utilizados para o estudo de ambos os tipos de sistemas são

• Após a primeira falha, uma ação de manutenção (reparo) pode ser

• Assim, as suposições de independência dos tempos de falha e de que os mesmos sejam

Funções importantes dentro da avaliação de confiabilidade de um determinado

1) A função de distribuição da probabilidade é a distribuição f(t) dos tempos de falha. O

2) A função de distribuição acumulativa F(t) representa a probabilidade do

3) A função de confiabilidade R(t) é a probabilidade de um

A função taxa de falha h(t) é a probabilidade condicional de falha no intervalo de t até t

As taxas de falhas podem ser classificadas em três categorias

Falhas por desgaste -

Em alguns casos pode-se reduzir ou Não é fácil a eliminação deste tipo de

A conhecida “Curva da Banheira” descreve a ocorrência de falhas que se iniciam com um

5 - Tempo Médio até a Falha  MTTF

O MTTF é função da confiabilidade:

Também pode ser dado pela expressão similar:

6 - Tempo Médio entre Falhas  MTBF

7 - Tempo Médio de Reparo  MTTR

• A Disponibilidade é a probabilidade de que um sistema esteja disponível no momento em

Para melhorar a disponibilidade  duas abordagens são possíveis e complementares

TBF1 =10 h TBF2 = 8 h TBF3 = 6 h TBF4 = 8 h TBF5 = 7 h

Tempo Total (Horas Calendário) – Horas de Reparo

TBF1 =10 h TBF2 = 8 h TBF3 = 6 h TBF4 = 8 h TBF5 = 7 h

Tempo Total (Horas Calendário) – Horas de Reparo

TBF1 + TBF2 + TBF3 + TBF4 + TBF5

TBF1 =10 h TBF2 = 8 h TBF3 = 6 h TBF4 = 8 h TBF5 = 7 h

TBF1 + TBF2 + TBF3 + TBF4 + TBF5

Disponibilidade = MTBF = 7,8

A definição de métodos corretos de análise de vida / falha de um componente ou sistema

1) Se é possível ou não assumir um distribuição paramétrica para os dados de falha;

2) Avaliar que tipo de censura está associado ao problema ou análise.

Técnicas de Análise Vida/ Tempos de Falha

Análises Não Paramétricas Análises Paramétricas

Usadas quando não é possível Usadas quando os dados

• Se a distribuição de probabilidade for corretamente especificada, as técnicas

• Embora exista uma série de modelos probabilísticos utilizados em análise de

Modelos destaque: Exponencial, Weibull e Lognorrmal.

Muitas das distribuições que tendem a melhor

• Os modelos probabilísticos (Exponencial, Weibull e Lognormal) apresentados são

• Estas quantidades conferem uma forma geral ao modelo probabilístico.

• Entretanto, em cada estudo de confiabilidade, tais parâmetros devem ser estimados a

• DISTRIBUIÇÃO WEIBULL: Flexível, amplamente utilizada  diferentes formatos

- Representa falhas típicas de partida, falhas aleatórias e falhas devido ao desgaste.

- Obter parâmetros significativos da configuração das falhas.

β  Parâmetro de forma da distribuição (características de falha)

β = 0,5 Falhas Precoces β = 20 Falhas por desgaste

β > 1- Fim de vida útil

R (t) β < 1- Início de β = 1- Taxa

• DISTRIBUIÇÃO EXPONENCIAL: caso especial da distribuição de Weibull com ß = 1 (ex:

λ Constante - parâmetro da distribuição

Clicar em “Graph  Probability Escolha “Exponencial”