See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/319068743

Otimização de intervalos de manutenção preditiva -estudo de caso para

análise do óleo lubrificante em plantas industriais

Conference Paper · August 2017

CITATIONS READS

0 695

3 authors:

João Luis Reis E Silva Rodney R. Saldanha

Federal University of Minas Gerais
5 PUBLICATIONS   17 CITATIONS   
176 PUBLICATIONS   1,793 CITATIONS   
SEE PROFILE
SEE PROFILE

Adriano Chaves Lisboa

Gaia
124 PUBLICATIONS   491 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Desenvolvimento de ferramentas computacionais de otimização multiobjetivo aplicadas ao problema da matriz energética considerando as incertezas dos cenários,
impacto ambiental e novas tecnologias View project

Modelling and Performance Evaluation of Stochastic Discrete-Event Systems View project

All content following this page was uploaded by Adriano Chaves Lisboa on 11 August 2017.

The user has requested enhancement of the downloaded file.

 OTIMIZAÇÃO DE INTERVALOS DE MANUTENÇÃO PREDITIVA – ESTUDO
DE CASO PARA ANÁLISE DE ÓLEO LUBRIFICANTE EM PLANTAS
INDUSTRIAIS

JOÃO LUIS REIS E SILVA (1)

RODNEY REZENDE SALDANHA (2)
ADRIANO CHAVES LISBOA (3)

RESUMO

A técnica preditiva de análise de óleo lubrificante comumente utilizada nas

indústrias proporciona um excelente ganho em confiabilidade, disponibilidade e
redução de custos operacionais dos ativos monitorados, sendo uma técnica
imprescindível em qualquer programa de gestão de ativos classe mundial [4].
Embora diversas técnicas preditivas sejam bastante difundidas nas indústrias,
a periodicidade na qual são realizadas nem sempre são definidas com base no
contexto operacional do ativo e nos requisitos de otimalidade de custos e
disponibilidade, fazendo com que tais técnicas não operem no seu potencial
máximo. O objetivo deste trabalho visa aplicar técnicas de otimização e de
confiabilidade na determinação de intervalos ótimos de manutenção preditiva
para o caso especial da análise de óleo lubrificante.

1.0 INTRODUÇÃO

As técnicas de otimização e de confiabilidade utilizadas para a determinação

dos intervalos ótimos de manutenção preditiva são baseadas nas análises de
degradação de diversos parâmetros de uma análise preditiva e do estudo dos
tempos ótimos que minimizam parâmetros globais de um ativo. Para o caso da
análise de óleo lubrificante, os parâmetros utilizados são provenientes das
análises físico-químicas (água, TAN, TBN, viscosidade, contagem de partículas
etc), análises espectrométricas para desgastes de metais (Ferro, Cobre,
Cromo, Alumínio etc), análises espectrométricas para aditivos (Molibdênio,
Magnésio, Cálcio etc) e análises espectrométricas para contaminantes (Sódio,
Silício, Potássio etc) [3].

(1) - Engenheiro Eletricista (UFMG), Especialista em Manutenção em Sistemas Industriais

(CEFET-MG), Especialista em Qualidade da Energia (UFMG) e Engenheiro Consultor na
Simula7 Soluções Ltda.
(2) - Doutor em Engenharia Elétrica, Professor Titular do Programa de Pós-Graduação em
Engenharia Elétrica da Universidade Federal de Minas Gerais (UFMG).
(3) - Doutor em Engenharia Elétrica, Residente Pós-Doutorado em Engenharia Elétrica na
Universidade Federal de Minas Gerais (UFMG).
Os parâmetros preditivos podem ser analisados de forma isolada ou agrupada.
Na análise por parâmetro isolado, um único parâmetro da análise de óleo,
geralmente o mais crítico para o equipamento, é escolhido para fazer a análise
de degradação, exemplo: ppm de Ferro. Na análise por parâmetros mistos, um
grupo de parâmetros da análise de óleo são escolhidos para fazer a análise de
degradação. Exemplo: ppm de Cobre e ppm de Água. Os ativos também
podem ser analisados de forma agrupada ou não agrupada. Para a análise não
agrupada, um ativo, geralmente classe A (mais crítico), é analisado
isoladamente dos demais, resultando em um intervalo de análise de óleo
específico ao ativo estudado. Na análise agrupada, os diversos ativos,
geralmente classes B e C (menos críticos), são analisados agrupadamente
resultando em um intervalo de análise de óleo comum a todos.

Os modelos estatísticos utilizados na análise de degradação envolvem

formulações do tipo Linear, Exponencial, Potência, Logarítmico, Gompertz e
Lloyd-Lipow, utilizadas para estimar os pontos de alerta e alarme dos
parâmetros de análise de óleo. As distribuições estatísticas do tipo Weibull,
Normal e Lognormal são utilizadas para modelar tais pontos e para calcular os
intervalos ótimos de manutenção preditiva.

2.0 ANÁLISE DE DEGRADAÇÃO

A análise de degradação é uma técnica muito aplicada na área de engenharia

da confiabilidade para obtenção de modelos estatísticos baseados no
comportamento degradativo de um dado mecanismo de falha. Esta técnica
baseia-se nas medições, ao longo do tempo, de um parâmetro de degradação,
permitindo a extrapolação dos dados até o ponto da falha e desta forma obter o
modelo estatístico do modo de falha de um ativo [7].

A análise de degradação pode ser destrutiva ou não destrutiva. No caso

destrutivo, o método de medição requer uma metodologia invasiva ou
destrutiva do item analisado, sendo possível a obtenção de somente uma única
medida. Exemplos para a análise destrutiva são as medições de corrosões
químicas em tanques e medições das resistências mecânicas de corpos de
prova. Para o caso não destrutivo, é possível a medição de várias medidas de
degradação uma vez que o item não é destruído [7]. Exemplos de análises não
destrutivas: análises ferrográficas de óleo lubrificantes, análises de vibração,
termografia, análise de gases dissolvidos em óleo isolante, ultrassom e demais
técnicas preditivas não destrutivas [3].

2.1 MODELO DETERMINÍSTICO PARA ANÁLISE DE DEGRADAÇÃO

Tanto para as análises de degradação destrutiva quanto não destrutiva, deve-

se definir os limites de degradação de alerta (yalerta) e alarme (yalarme) que
caracterizam respectivamente os níveis de quase falha e falha. Para o modelo
de degradação não destrutivo, objeto deste trabalho, uma vez que tais níveis
são definidos, o processo seguinte reside na escolha de um modelo
matemático de predição de falha que extrapole o conjunto de dados de
degradação medidos (1), tais modelos podem ser: Linear (2), Exponencial (3),
Potência (4), Logarítmico (5), Gompertz (6) e Lloyd-Lipow (7) [7]. Nestes
modelos a variável yn representa o nível de degradação observado, e xn o
tempo decorrido entre as medições. Os parâmetros a, b e c são constantes de
ajuste estimadas para o modelo.

(x1 , y1 ), (x2 , y 2 ), K, (x N , y N ) (1)

Linear : y = a ⋅ x + b (2)

Exponencial : y = b ⋅ e a ⋅ x (3)

Potência : y = b ⋅ x a (4)

Logarítmico : y = a ⋅ ln( x ) + b (5)

Gompertz : y = a ⋅ bc
x
(6)

b
Lloyd − Lipow : y = a − (7)
x

As expressões (2) a (7) devem ser linearizadas conforme (8) para que os
parâmetros a, b e c possam ser estimados. O processo de linearização envolve
o método de mínimos quadrados ou regressão em y (9), onde os parâmetros
do coeficiente angular ou inclinação b e o coeficiente linear a são obtidos
respectivamente pelas expressões (11) e (10). Uma medida da qualidade da
aderência dos modelos (2) a (7) ao conjunto de dados (1), pode ser obtido
através do cálculo do coeficiente de correlação (12) do modelo. Quanto mais
próximo o módulo do coeficiente de correlação for da unidade, melhor será a
aderência dos dados ao modelo escolhido.

y = aˆ + bˆ ⋅ x ∴ y = aˆ + bˆ ⋅ x (8)

∑( )
N 2 N 2

aˆ + bˆ ⋅ x i − y i = min ∑ (a + b ⋅ x i − y i ) (9)
i =1 i =1

N N

∑y i ∑x i
aˆ = i =1
− bˆ ⋅ i =1
(10)
N N

N N

N ∑ xi ∑ yi
∑x y − i i
i =1
N
i =1

bˆ = i =1
2
(11)
 N 
N
 ∑ xi 
∑ xi −  i =1 
2

i =1 N
 N

σ ∑ (x i − x )( yi − y )
ρ = xy ∴ ρ̂ = i =1
(12)
σ xσ y N N

∑ (x − x ) ⋅ ∑ ( yi − y )
2 2
i
i =1 i =1

O vetor para os tempos até a falha (TTF do inglês “time to failure”) (13) são
obtidos para valores de xTTF que resultam nos níveis de degradação para o
ponto de alarme yalarme. As expressões (14) a (19) apresentam os modelos para
xTTF em função do ponto de alarme yalarme:

TTF = [ xTTF1 , xTTF2 , K , xTTFN ] (13)

yalarme − b
Linear : xTTF = (14)
a

ln ( yalarme ) − ln (b )
Exponencial : xTTF = (15)
a

 ln ( y alarme )− ln (b ) 
 
Potência : xTTF = e  a 
(16)

 y alarme −b 
 
Logarítmico : xTTF = e  a 
(17)

 ln ( y alarme ) − ln (a )   1 
Gompertz : xTTF = ln  ⋅   (18)
 ln (b )   ln (c ) 

b
Lloyd − Lipow : xTTF = (19)
a − yalarme

2.2 MODELO ESTATÍSTICO PARA ANÁLISE DE DEGRADAÇÃO

O modelo estatístico a ser utilizado nas formulações de otimalidade dos tempos

de manutenção preditiva pode ser obtido através de dois possíveis modelos:

i – Vetor de falha TTF de tamanho unitário:

Para o caso onde só existem um conjunto de amostras de degradação e

consequentemente um único elemento do vetor TTF (13), o modelo estatístico
é obtido através de um processo bem simples. Primeiramente um par de
valores (20) é determinado utilizando os tempos e valores de degradação para
os níveis de alerta e alarme. Em sequência, duas probabilidades são atribuídas
aos valores yalerta e yalarme, como por exemplo F(xalerta) = 0.80 e F(xalarme) = 0.95
(21), para serem aplicadas ao modelo de regressão linear conforme abordado
em 2.1. Por último, é utilizado uma função de distribuição, por exemplo a
distribuição Weibull, na forma linearizada (22), (23) e (24), igualando o modelo
de regressão linear com os parâmetros (25) e (26).

(xalerta , y alerta ), (xalarme , y alarme ) (20)

(xalerta , F (xalerta )), (x alarme , F (xalarme )) (21)

ii – Vetor de falha TTF de tamanho maior ou igual a 2:

Neste caso os parâmetros da distribuição são obtidos através das análises de

dados de vida (LDA do inglês Life Data Analysis) [7], utilizando modelos de
regressão em Y, por exemplo. Os parâmetros são obtidos da mesma forma que
em i, i.e, igualando o modelo linear da regressão ao modelo linear da função
Weibull conforme (22) a (26).
β
t 
− 
F (t ) = 1 − e η 
(22)

ln{− ln[1 − F (t )]} = β ln(t ) − β ln(η ) (23)

y = ln{− ln[1 − F (t )]} (24)

b=β (25)

a
−
β
a=e (26)

2.3 MODELOS DE OTIMALIDADE PARA TEMPOS DE MANUTENÇÃO

PREDITIVA

O modelo estatístico para análise de degradação, obtido anteriormente, irá

compor os modelos para determinação dos tempos ótimos de manutenção
preditiva. Basicamente dois tempos ótimos podem ser determinados, i.e, tempo
ótimo baseado na minimização de custo (27) e tempo ótimo baseado na
maximização da disponibilidade ou minimização da indisponibilidade (28). Para
a formulação de tempo ótimo baseado na minimização de custo, as variáveis
Cu e Cp correspondem respectivamente aos custos de manutenções corretivas
e preventivas. Para a formulação baseada na maximização da disponibilidade,
as variáveis Tu e Tp correspondem respectivamente aos tempos das ações de
manutenções corretivas e preventivas [8].

C p R(t ) + Cu (1 − R(t ))
t * = min f CUSTO (t ) = (27)
∫ R(t )dt
t

T p R(t ) + Tu (1 − R(t ))
t * = max f DISP. (t ) = (28)
(t + T p )R(t ) +  ∫0tR(t )dt  + (Tu )(1 − R(t ))
 
3.0 TIPOS DE ANÁLISES E ESTUDO DE CASO

A técnica preditiva de análise de óleo lubrificante fornece diversos parâmetros

físico-químicos e espectrométricos que podem ser utilizados na análise de
degradação e por seguinte na determinação dos intervalos ótimos de
manutenção preditiva [3]. Alguns dos principais parâmetros desta análise
preditiva são apresentados abaixo:

Análises Físico-Químicas:
• Água;
• TAN (Número de Acidez Total);
• TBN (Número de Basicidade Total);
• Viscosidade;
• Contagem de Partículas.

Análise Espectrométrica de Metais:

• Desgastes (Ferro, Cobre, Cromo, Alumínio e outros);
• Aditivos (Molibdênio, Magnésio, Cálcio e outros);
• Contaminantes (Sódio, Silício, Potássio e outros).

Os itens 3.1 e 3.2 a seguir ilustram a forma como as análises físico-químicas

podem ser utilizadas em função do número de parâmetros analisados. O item
3.3 aborda como os ativos podem ser analisados em função de seu
agrupamento quanto à criticidade. Finalmente, o item 3.4 ilustra o caso
estudado neste trabalho.

3.1 ANÁLISE POR PARÂMETRO ISOLADO

Na análise por parâmetro isolado, um único parâmetro da análise de óleo,

geralmente o mais crítico para o equipamento, é escolhido para fazer a análise
de degradação. A Figura 1 ilustra o exemplo para amostras de análise de óleo
referente ao parâmetro de desgaste (Ferro), dado em ppm (partes por milhão).

Figura 1 – Análise de degradação para parâmetro isolado.

3.2 ANÁLISE POR PARÂMETROS MISTOS

Na análise por parâmetros mistos, um grupo de parâmetros da análise de óleo

são escolhidos para fazer a análise de degradação. A Figura 2 ilustra o
exemplo para amostras de análise de óleo referente às medições dos
parâmetros de desgaste (Cobre) e físico-químico (Água), dados em ppm.
 Figura 2 – Análise de degradação para parâmetros mistos.

3.3 AGRUPAMENTO DE ANÁLISES

As análises por parâmetros isolados e mistos podem ainda serem combinadas

com análises agrupadas e não agrupadas em relação às classificações dos
ativos. Na análise não agrupada, um ativo, geralmente classe A (crítico), é
analisado isoladamente dos demais (Figuras 1 e 2), resultando em um intervalo
de análise de óleo específico ao ativo estudado. Para a análise agrupada
(Figuras 3 e 4), diversos ativos, geralmente classes B e C (médio crítico e não
crítico) são analisados agrupadamente, resultando em um intervalo de análise
de óleo comum a todos.

Figura 3 – Análise agrupada para parâmetro isolado.

Figura 4 – Análise agrupada para parâmetros mistos.

3.4 ESTUDO DE CASO

Neste trabalho foi estudado a análise por parâmetro isolado não agrupado
relativo ao teor de Ferro presente no óleo lubrificante de um redutor crítico
(classe A), de um processo de Mineração. A Tabela 1 apresenta os históricos
das análises de óleo lubrificante realizadas inicialmente a cada 4 meses.
 Tabela 1 – Histórico de medições do teor de Ferro em óleo lubrificante.

# Medição Intervalo Medição Teor de Ferro

(mês acumulado) (ppm)
1 4 7
2 8 10
3 12 12
4 16 20
5 20 28
6 24 32
7 28 36
8 32 40
9 36 44

Os teores críticos de Ferro para pontos de alerta e alarme foram obtidos

através do manual do redutor e de informações extraídas da literatura [1], [5] e
[6]. Estes pontos serão utilizados juntamente com as probabilidades de falha
para os pontos de alerta e alarme para determinação do modelo estatístico de
falha do redutor relativo à presença de Ferro no óleo lubrificante. Os dados
para serem utilizados na análise de degradação são apresentados a seguir:

Dados para Análise de Degradação:

• Intervalo de Preditiva Inicial: 4 meses;

• Histórico de Análises: 9 medições;
• Nível Alerta (yalerta): 50 ppm Fe;
• Nível Alarme (yalarme): 60 ppm Fe;
• Probabilidade Alerta: 0.80;
• Probabilidade Alarme: 0.95.

4.0 ANÁLISE DOS RESULTADOS OBTIDOS

A determinação dos intervalos ótimos de preditiva inicia com a análise de

degradação para os dados da Tabela 1. Os dados abaixo e as Figuras 5 e 6
apresentam respectivamente os resultados obtidos para o modelo matemático
de predição de falha linear e função de distribuição Weibull bi-paramétrica,
ambos desenvolvidos em códigos do MatLab [2]. Os parâmetros da distribuição
Weibull [10] foram obtidos através da utilização do processo i (Vetor de falha
TTF de tamanho unitário) do item 2.2, utilizando os tempos de alerta e alarme
obtidos pelo modelo de degradação linear.

Modelo de Degradação:

• Modelo Matemático de Predição de Falha: y = ax + b (linear);

• Coeficiente Angular: a = 1.24;
• Coeficiente Linear: b = 0.61;
• Coeficiente de Correlação: ρ = 0.98.
Predição para Pontos de Alerta e Alarme:

• Tempo p/ Alerta = 39.78 meses;

• Tempo p/ Alarme = 47.83 meses.

Modelo Estatístico de Degradação (Processo i):

• Função de Distribuição: Weibull 2p;

• Parâmetro de Forma: β = 3.37;
• Parâmetro de Escala: η = 34.54.

Figura 5 – Histórico e análise de degradação para o teor de Ferro em óleo isolante.

Figura 6 – Função densidade de probabilidade de falha para degradação do teor de Ferro.

Os parâmetros da distribuição Weibull, obtidos a partir do modelo de
degradação, serão utilizados para determinar o intervalo ótimo da análise de
óleo lubrificante com base na função para mínimo custo (27) e função para
máxima disponibilidade ou mínima indisponibilidade (28). Os dados de custos e
tempos de reparo e os resultados das análises são dados a seguir e pelas
Figuras 7 e 8.

Parâmetros para Otimização:

• Custo Corretiva (Cu) = 60 x Custo Preditiva (Cp);

• Tempo Corretiva (Tu) = 5 x Tempo Preventiva (Tp).

Figura 7 – Função de custo para determinação do intervalo de manutenção preditiva.

Figura 8 - Função de indisponibilidade para determinação do intervalo de manutenção preditiva.

 Resultados das Análises:

• Tempo Ótimo para Minimização de Custo: Tcusto = 7,98 meses;

• Tempo Ótimo para Maximização da Disponibilidade: Tdisp = 16,86 meses.

5.0 CONCLUSÃO

Apesar das técnicas de análise de degradação e otimização serem

direcionadas para determinar os intervalos ótimos das análises de óleo
lubrificante, tais técnicas podem ser estendidas a demais técnicas de
inspeções instrumentadas e preditivas tais como termografia, ultrassom,
análise de vibração etc [9].

A otimização possibilitou, para o caso estudado e pela escolha do tempo para

minimização de custo, uma redução de 50% no número de análises de óleo
lubrificante em comparação com o intervalo original de medições a cada 4
meses. A redução do número de análises permitiu a empresa estender a
técnica para outros equipamentos não monitorados sem impactar em
acréscimos significativos ao atual valor do contrato.

6.0 REFERÊNCIAS

[1] GRESHAM, R. M, TOTTEN, G. E. Lubrication and Maintenance of Industrial

Machinery - Best Practices and Reliability. CRC Press, 2009.

[2] MATHWORKS. Disponível em: <http://www.mathworks.com/help/matlab/ref/>. Último

acesso em 25 de maio de 2017.

[3] MOBLEY, R. K. An Introduction to Predictive Maintenance. Second Ed. Plant

Engineering. Butterworth-Heinemann, 2002.

[4] MOUBRAY, J. Reliability-centred Maintenance. Butterworth-Heinemann, 1997.

[5] NEALE, M. J. Lubrication and Reliability Handbook. Butterworth-Heinemann, 2001.

[6] NORIA CORPORATION. Fundamentos da Lubrificação de Máquinas. Curso

Preparatório para a Certificação Internacional ICML MLT I e MLA I. São Paulo, 2014.

[7] RELIASOFT CORP. Life Data Analysis Reference. ReliaSoft Publishing. Tucson, AZ,
USA, 2003.

[8] RELIASOFT CORP. System Analysis Reference - Reliability, Availability & Optimization.
ReliaSoft Publishing. Tucson, AZ, USA, 2003.

[9] SCHEFFER, C., GIRDHAR, P. Practical Machinery Vibration Analysis and

Predictive Maintenance. Elsevier, 2004.

[10] SILVA, J. L. R. Avaliação da Confiabilidade em Sistemas Elétricos com Base nos

Parâmetros de Qualidade da Energia. 79p. Monografia (Especialização em Sistemas
de Energia Elétrica Ênfase em Qualidade da Energia). Universidade Federal de Minas
Gerais, Belo Horizonte/MG. 2008.

View publication stats