AGRUPAMENTO DE PLANOS DE MANUTENÇÃO

UTILIZANDO LÓGICA FUZZY

JOÃO LUIS REIS E SILVA (1)

RESUMO

As técnicas comumente utilizadas para agrupamentos de intervalos de

manutenção envolvem o uso de algoritmos do tipo k-mean. Este algoritmo
possui características de simplicidade de implementação devido às
características de cálculo da distância euclidiana, agrupamentos disjuntos e
padrões pertencendo a um único agrupamento (conjuntos crisp). Neste
trabalho é utilizado o agrupamento nebuloso ou fuzzy, denominado fuzzy c-
means, que permite melhor qualidade e eficiência de agrupamento devido às
características de extensão da noção de associatividade de cada padrão aos
grupos e utilização do conceito de função de pertinência. Neste conceito, cada
padrão (intervalo) possui um grau de pertinência para cada agrupamento.

1.0 INTRODUÇÃO

A determinação dos intervalos ótimos de manutenção adotados comumente

nas indústrias quase sempre são mono-objetivo, i.e., adotam-se intervalos
otimizados para funções mono-objetivo de custo ou disponibilidade do ativo. A
utilização da otimização multiobjetivo para as estratégias de manutenção
possibilita a escolha de intervalos ótimos de manutenção com base num
equilíbrio simultâneo das funções objetivo de custo e disponibilidade,
flexibilizando a escolha das estratégias para o tomador de decisão frente aos
diversos interesses estratégicos do negócio.

A distribuição q-Weibull, utilizada para implementar os modelos de otimização

multiobjetivo, é utilizada devido às características particulares desta função em
modelar toda a vida do ativo em suas diversas fases de vida através de quatro
parâmetros de distribuição: parâmetros q, beta, eta e gama. A aplicação da
função q-Weibull em conjunto com os modelos multiobjetivo para calcular os
intervalos ótimos de manutenção geram, dependendo do número de ativos
analisados, uma grande quantidade de intervalos otimizados. Tais intervalos
nem sempre podem ser executados independentemente, uma vez que podem
necessitar de um grande número de paradas operacionais para a realização
das ações de manutenção individuais, em especial, as estratégias de
manutenção preventiva de reparo ou troca.

(1) - Engenheiro Eletricista (UFMG), Mestre em Engenharia Elétrica (UFMG), Especialista em

Manutenção em Sistemas Industriais (CEFET-MG), Especialista em Qualidade da Energia
(UFMG) e Engenheiro Consultor na Simula7 Soluções Ltda.
Uma maneira de solucionar o problema de múltiplas paradas para execução
dos intervalos de manutenção reside em agrupar tais intervalos em função de
um número desejado de paradas operacionais. As principais técnicas de
agrupamento utilizadas residem nos agrupamentos do tipo k-mean, que
possuem características de simplicidade de implementação. Neste trabalho
buscou-se explorar o agrupamento nebuloso do tipo fuzzy c-means, que possui
melhores características em relação à qualidade e eficiência de agrupamento,
principalmente devido às características de extensão da noção de
associatividade de cada padrão aos grupos e utilização do conceito de função
de pertinência.

Os resultados obtidos para os cases analisados, oriundos de diversas

indústrias, possibilitou comparar a efetividade do agrupamento fuzzy em
relação ao agrupamento tradicional crisp, permitindo determinar variados
números de agrupamentos de forma precisa e rápida mesmo para grandes
números de intervalos otimizados de estratégias de manutenção.

2.0 FUNÇÃO DE DISTRIBUIÇÃO Q-WEIBULL

A função de distribuição escolhida neste trabalho para a obtenção dos

intervalos de manutenção foi a distribuição q-Weibull:

 1 
  t     t   
f q (t )  2  q    exp q     (1)
        

Esta distribuição é uma generalização da distribuição Weibull e foi proposta

inicialmente em 2003 dentro do contexto da mecânica estatística não extensiva
juntamente com o uso da função exponencial generalizada [8].

A função q-Weibull apresenta quatro parâmetros na sua formulação, sendo eles

definidos por: q – índice entrópico; β – parâmetro de forma; η – parâmetro de
escala e γ - parâmetro de posição ou vida mínima. A função densidade de
probabilidade de falha (pdf), em função de diversos valores para o índice
entrópico q, é representada pela figura 1.

A função confiabilidade Rq(t):

2q

   t   


Rq (t )  exp q      (2)

      


para a função q-Weibull, dada por (2), é representada pela figura 2 em função
de diversos valores para o parâmetro q.
Figura 1 – Função densidade de probabilidade de falha para a distribuição q-Weibull, FONTE
[12].

Figura 2 – Função confiabilidade para a distribuição q-Weibull, FONTE [12].

A função de probabilidade de falha Fq

2q

  t  

 
Fq (t )  1  exp q     (3)

      


ou função de distribuição acumulada (cdf), representa a probabilidade de falha

da distribuição ao longo do tempo. Uma representação desta função cdf para
diversos valores do parâmetro q é representada pela figura 3.

Figura 3 – Função de distribuição acumulada para a distribuição q-Weibull, FONTE [12].

A função taxa de falha λ(t) ou função de risco h(t):

q 1
f q (t ) 2  q   t   
 1

  t   


hq (t )   exp q      (4)
   
Rq (t )   
      


para a distribuição q-Weibull, representa a unidade de falhas por unidade de

tempo entre unidades sobreviventes, i.e., que ainda não falharam. A função
taxa de falha para diversos valores de q é representada pela figura 4.
 Figura 4 – Função taxa de falha para a distribuição q-Weibull, FONTE [12].

3.0 MODELOS DE OTIMALIDADE PARA INTERVALOS DE

MANUTENÇÃO

Os modelos matemáticos para determinação dos intervalos ótimos de

manutenção preventiva podem ser definidos basicamente em função de duas
funções objetivo. A primeira formulação reside na definição da função objetivo
para a minimização do custo de manutenção [2]:

C p Rt   Cu 1  Rt 
t *  min f CUSTO t   (5)
 Rt dt
t

A segunda formulação reside na definição da função objetivo para a

maximização da disponibilidade ou minimização da indisponibilidade [3]:

T p Rt   Tu 1  Rt 
t *  min f INDISP. t   (6)
t  T p Rt    0tRt dt   Tu 1  Rt 
 

Uma formulação alternativa para (6) pode ser obtida em função do número total
de falhas H(t):
 H (t )Tu  T p
t *  min f INDISP. t   (7)
t  Tp

Para a formulação do intervalo ótimo baseado na minimização do custo de

manutenção (5), as variáveis Cu e Cp correspondem respectivamente aos
custos de manutenções corretivas e preventivas. Para a formulação baseada
na maximização da disponibilidade (6) e (7), as variáveis Tu e Tp correspondem
respectivamente aos tempos das ações de manutenções corretivas e
preventivas [12].

4.0 MODELOS DE AGRUPAMENTOS

Agrupamento é definido como a classificação não-supervisionada de padrões,

i.e., observações, vetores de características, em grupos [7]. Algoritmos de
agrupamentos são utilizados para tarefas de segmentação de imagens,
categorização de documentos, diagnósticos de falhas dentre outros. Os tipos
de algoritmos utilizados em agrupamentos podem ser caracterizados por
agrupamentos de conjuntos crisp e agrupamentos utilizando conjuntos
nebulosos (fuzzy).

4.1 AGRUPAMENTOS CRISP

Os agrupamentos do tipo crisp utilizam a lógica convencional de conjuntos

bivalentes. O principal algoritmo de agrupamento desta classe é chamado de
agrupamento k-mean (k-médias). Este algoritmo é o mais simples e
comumente utilizado. A ideia principal do k-mean é otimizar a função custo:

SSE    dist c j , xi 
k
(8)
j 1 xC i

onde k é o número de grupos utilizado para definir o agrupamento. O

agrupamento crisp utiliza a função de distância euclidiana sendo sensível a
condição de agrupamento inicial.

As condições de parada do algoritmo k-mean podem ser as seguintes:

 Nenhum padrão muda de grupo;

 Baixa variação da função objetivo SSE.

4.2 AGRUPAMENTOS NEBULOSOS (FUZZY)

Agrupamentos nebulosos utilizam a teoria de conjuntos difusos, conjuntos

nebulosos ou conjuntos fuzzy. Estes conjuntos são os quais os elementos têm
graus de pertinência. Em teoria clássica dos conjuntos, a pertinência de
elementos a um conjunto é avaliada em termos de acordo binário a
uma condição bivalente (um elemento pertence ou não ao conjunto). Na teoria
de conjuntos difusos, a avaliação gradual da associação de elementos em um
conjunto é descrito com o auxílio de uma função de pertinência valorada no
intervalo unitário real [0, 1]. Conjuntos difusos generalizam conjuntos clássicos,
uma vez que a função indicadora dos conjuntos clássicos são casos especiais
das funções de pertinência dos conjuntos difusos [13].

O algoritmo para agrupamento nebuloso mais conhecido é o c-means, que

assim como o algoritmo k-mean, otimiza uma função de custo:

SSE   u im, j dist c j , xi 

k n
(9)
j 1 i 1

onde m é uma constante que determina a influência dos pesos m ϵ [1, ∞[. O
valor de m geralmente é definido como 2. O algoritmo c-means é mais robusto
que o k-mean, sendo que a convergência também é sensível ao valor inicial
dos centros dos grupos [7].

A figura 5 ilustra um exemplo de agrupamento de dados onde os pontos azuis

representam uma informação dada por um par (x, y). Os símbolos
representados por uma cruz vermelha, representam os centros dos
agrupamentos utilizando o algoritmo k-mean. Os círculos verdes, representam
os centros dos agrupamento definidos pelo algoritmo c-means. Neste exemplo,
6 tipos diferentes de agrupamentos foram identificados pelos algoritmos,
contudo, somente o algoritmo c-means conseguiu identificar corretamente
todos os centroides dos agrupamentos.

Figura 5 – Exemplo de agrupamentos utilizando algoritmos crisp e fuzzy.

5.0 RESULTADOS

As tabelas 1, 2 e figura 6, apresentam os resultados para os agrupamentos

crisp e fuzzy utilizados para obtenção dos intervalos ótimos de manutenção
preventiva de equipamentos de um típico setor industrial. Neste exemplo foi
escolhido 4 agrupamentos desejáveis para a programação das tarefas de
manutenção durante um ano. As tabelas e a figura apresentam os resultados
ótimos dos intervalos em função dos objetivos de custo (5) e disponibilidade (6)
(7). Todos os intervalos estão na unidade de hora calendário.

Tabela 1 – Agrupamentos ótimos de manutenção utilizando algoritmo k-mean.

# Grupo Intervalo Intervalo

Min. F. Custo (h) Max. F. Disp. (h)
1 1939 1866
2 5252 3749

Tabela 2 – Agrupamentos ótimos de manutenção utilizando algoritmo c-means.

# Grupo Intervalo Intervalo

Min. F. Custo (h) Max. F. Disp. (h)
1 1848 1680
2 2645 2436
3 4669 4380
4 5499 2814

Figura 6 – Agrupamentos ótimos utilizando algoritmos crisp e fuzzy.

6.0 CONCLUSÃO

Os resultados apresentados pelas tabelas 1 e 2 mostram a robustez do

agrupamento fuzzy em comparação com o agrupamento crisp na determinação
dos agrupamentos ótimos das tarefas de manutenção preventiva tanto para a
minimização dos custos quanto para a maximização da disponibilidade.

Esta robustez pode ser observada através da localização dos grupos de tarefas
otimizadas conforme figura 6. O agrupamento tipo crisp identificou somente 2
grupos enquanto o agrupamento fuzzy identificou todos os 4 grupos, sendo
estes de melhor distribuição para fins de redução dos riscos e programação de
tarefas.

7.0 REFERÊNCIAS

[1] CAVALLO A, SETOLA R., VASCA F. Using MATLAB, SIMULINK and Control System
Toolbox – A Practical Approach. Prentice Hall Europe, 1996.

[2] JARDINE, A. K. S. Maintenance, Replacement and Reliability. Pitman Publishing

Corporation, 1973.

[3] JARDINE, A. K. S.; TSANG, A. H. C. Maintenance, Replacement and Reliability -

Theory and Applications. 2. ed. Boca Raton, FL, USA: CRC Press, 2013. 330 p.

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

acesso em 29 de julho de 2019.

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

Engineering. Butterworth-Heinemann, 2002.

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

[7] LEMOS, A. P. Sistemas Nebulosos. Notas de Aula. Programa de Pós-Graduação em

Engenharia Elétrica. Universidade Federal de Minas Gerais, Belo Horizonte/MG. 2017.

[8] PICOLI, S.; MENDES, R. S.; MALACARNE, L. C. q-exponential, weibull and q-weibull
distributions: An empirical analysis. Physica A, v.1, n. 324, p. 678–688, 2003.

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

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

[11] 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.

[12] SILVA, J. L. R. Optimum Asset Availability Modeled by q-Weibull Distribution and Non-
Perfect Repairs. 95p. Dissertação de Mestrado. Universidade Federal de Minas Gerais,
Belo Horizonte/MG. 2017.

[13] Wikipedia: Conjunto Difuso. Disponível em:

<https://pt.wikipedia.org/wiki/Conjunto_difuso>. Último acesso em 31 de julho de
2019.