GAE/1492

GRUPO DE ESTUDO DE ASPECTOS EMPRESARIAIS - GAE

METODOLOGIA DE ANÁLISE ATUARIAL COM LÓGICA NEBULOSA PARA INVESTIMENTOS EM

SISTEMAS DE MONITORAMENTO DA CONDIÇÃO DE ATIVOS FÍSICOS

ANDRÉ TOMAZ DE CARVALHO(1);FREDERICO TASSI DE SOUZA SILVA(1);PAULA DA SILVA

NOGUEIRA(1);LUÍS ADRIANO DE MELO CABRAL DOMINGUES(1); BENEDITO DAS GRAÇAS DUARTE
RODRIGUES(2); FRANCISCO FIGUEIREDO SILVA NETO(2)
CENTRO DE PESQUISAS DE ENERGIA ELÉTRICA (1);
CENTRAIS ELÉTRICAS DO NORTE DO BRASIL S/A (2)

RESUMO

Para avaliar objetivamente a relação custo/benefício do investimento em sistemas de monitoramento da condição de

ativos críticos, este artigo propõe uma metodologia para racionalizar decisões de investimento tratando o
monitoramento da condição como um seguro. A partir do custo da falha estimado, da probabilidade de ocorrência
dos modos de falha, da efetividade do sistema de monitoramento e da aversão ao risco do usuário, é possível calcular
o custo máximo que um decisor racional deverá pagar pelo sistema de monitoramento, e analisar se o investimento
vale ou não a pena comparando esse custo máximo com seu custo total de propriedade.

PALAVRAS-CHAVE
Retorno do Investimento, Monitoramento da Condição, Análise Atuarial, Transformação Digital, Teoria da Escolha
Racional, Lógica Fuzzy.

1. INTRODUÇÃO

As áreas de O&M nas empresas do Setor de Energia Elétrica, em sua busca contínua por melhores resultados,
devem maximizar a disponibilidade de seus ativos físicos tendo em vista a maior confiabilidade do sistema elétrico e
a sustentabilidade do negócio corporativo. Evitar indisponibilidades não programadas torna-se, portanto, tarefa da
mais alta importância em qualquer empreendimento.

Para elevar a confiabilidade do sistema, o monitoramento da condição de ativos críticos é frequentemente apontado
como um vantajoso aporte tecnológico para a gestão de ativos. O monitoramento da condição permite alertar
gestores de manutenção para defeitos ou falhas potenciais, não só evitando paradas não programadas, mas
otimizando a própria programação de toda a manutenção.

No entanto, diante da perspectiva de transformação digital no monitoramento da condição está a dificuldade essencial
de avaliar objetivamente a relação custo/benefício deste tipo de investimento. Sem bases objetivas, verifica-se que
os investimentos ainda são frequentemente decididos de forma heurística em cada empresa. Este artigo propõe uma
metodologia para racionalizar decisões de investimento tratando o de monitoramento da condição como um seguro,
associando teoria da decisão racional à Lógica Nebulosa para incorporar dados não quantificáveis de intangíveis no
processo de decisão.

O fato de os sistemas de monitoramento da condição aumentarem a confiabilidade dos ativos monitorados é

percebido pelas próprias seguradoras, que oferecem uma redução do prêmio de seguros em função da existência e
da abrangência do monitoramento. Não raro essa redução do prêmio, por si só, justifica o investimento. No entanto,
a análise aqui proposta das variáveis que compreendem o custo do sistema de monitoramento e a aversão ao risco
das empresas detentoras dos ativos é capaz de oferecer subsídios adicionais para a tomada de decisão.

A metodologia proposta, a partir de dados estimados para o custo da falha, da probabilidade de ocorrência dos modos
de falha contemplados pelo sistema de monitoramento, da efetividade do sistema de monitoramento em detectar e
prevenir falhas (sua detectabilidade efetiva), e da aversão ao risco do detentor do ativo, permite calcular o custo
máximo que um decisor racional deverá pagar pelo sistema de monitoramento, e analisar se o investimento vale ou
não a pena comparando esse custo máximo com seu custo total de propriedade. Adicionalmente, é proposta uma
métrica de cálculo do retorno do investimento em sistemas de monitoramento da condição.

tomaz@cepel.br

Classificação da informação: Público

 2

O item 2 deste artigo apresenta uma fundamentação elementar sobre a teoria da precificação de seguros. O item 3
apresenta a modelagem do cálculo do valor máximo a pagar pelo custo total de propriedade de um sistema de
monitoramento tratando-o como um seguro. O item 4 estende esta modelagem adotando lógica nebulosa para o
cálculo da aversão ao risco do detentor do ativo. O item 5 apresenta uma sistematização para o cálculo e o
rastreamento do retorno de investimento. Finalmente, o item 6 ilustra a metodologia com estudos de caso aplicados
à geração e a transmissão, seguindo-se uma conclusão com considerações finais.

2 SISTEMAS DE MONITORAMENTO COMO SEGUROS

Um seguro é um tipo de contrato que determina que uma das partes — denominada segurador — obriga-se, mediante
o recebimento de um pagamento — o prêmio —, a indenizar a outra parte — denominada segurado — em relação a
prejuízos previstos no acordo [1]. Na prática, o segurado paga um determinado valor ao segurador para minimizar
um possível prejuízo futuro.

Empresas de energia elétrica contratam seguros para minimizar prejuízos decorrentes de eventuais falhas nos seus
ativos. A mesma lógica se pode aplicar ao investimento em sistemas de monitoramento da condição: trata-se de um
investimento que, ao permitir a previsão e a evitação de falhas, elimina possíveis prejuízos futuros.

2.1. PRECIFICAÇÃO DE SEGUROS PELA PERSPECTIVA DO SEGURADO

Em estatística, o valor esperado 𝐸[𝑋] de uma variável aleatória 𝑋 é a soma do produto de cada probabilidade de
saída da experiência pelo seu respectivo valor, representando o valor médio "esperado" da experiência se repetida
muitas vezes. Assim, o valor esperado do custo de uma possível falha é igual ao custo da falha multiplicado pela sua
probabilidade de ocorrência, mais o custo da não-falha multiplicado pela probabilidade de não-ocorrência.
Algebricamente, seja 𝑝 a probabilidade de uma falha em um horizonte de tempo 𝑇, e seja 𝐹 o custo total da falha
(incluindo PVI, lucro cessante, manutenção, multas etc.). O valor esperado do custo da falha é dado por:

𝐸[𝐹] = 𝑝 × 𝐹 + (1 − 𝑝) × 0 = 𝑝𝐹.

Para um usuário indiferente ao risco, tanto faz pagar um prêmio 𝑝𝐹 certo no presente, ou arcar com o custo total da
falha 𝐹 caso esta ocorra, dada sua probabilidade 𝑝. No entanto, a aversão ao risco faz com que o segurado prefira
pagar um prêmio inclusive maior que 𝑝𝐹 para não ter que arcar com o prejuízo 𝐹 em hipótese alguma. Para o decisor,
há mais utilidade em pagar um prêmio certo 𝐺 do que correr o risco de ter que pagar pelos custos 𝐹.

A teoria da escolha sob risco [2] postula que um usuário possuidor de riqueza 𝑊 inconscientemente atribui uma
função utilidade 𝑈(𝑊) sobre esse valor. Entre possíveis perdas 𝑋 e 𝑌, um decisor racional compara 𝐸[𝑈(𝑊 − 𝑋)] e
𝐸[𝑈(𝑊 − 𝑌)] e opta pela perda com maior função utilidade.

Na contratação de um seguro, o usuário pode determinar qual o máximo prêmio 𝐺 que está disposto a pagar por
uma perda aleatória 𝐹, resolvendo a seguinte equação de equilíbrio:

𝐸[𝑈(𝑊 − 𝐹)] = 𝑈(𝑊 − 𝐺).

Note que 𝐸[𝑈(𝑊 − 𝐺)] = 𝑈(𝑊 − 𝐺), visto que não há incerteza no pagamento do prêmio.

Portanto, o usuário racional escolhe pagar o prêmio de um seguro 𝐺 quando julga que a utilidade decorrente deste
pagamento é maior ou igual à utilidade do valor esperado do sinistro.

2.2. FUNÇÃO UTILIDADE ESPERADA

A função utilidade esperada é uma formulação matemática que visa expressar as preferências subjetivas de um
decisor racional. Sendo definida sobre o valor monetário 𝑥, espera-se que uma função 𝑈(𝑥) com características de
aversão ao risco:

 Seja crescente (𝑈′ (𝑥) > 0). Isto é, quanto maior o valor monetário, mais útil é uma opção.
 Tenha derivada decrescente (𝑈′′ (𝑥) > 0). Isto é, quanto mais se tem, menos utilidade há em ter mais.

O decisor avesso ao risco possui, portanto, uma curva de utilidade côncava, indicando que a perda decorrente de
um mau resultado ∆𝑈 não é compensada pelo ganho advindo de um bom resultado ∆𝑈 de mesma magnitude,
como ilustra a Fig. 1.

Classificação da informação: Público

 3

Como uma função utilidade esperada não deve perder suas características por transformações afins (multiplicação
por constantes e soma de constantes), torna-se inconveniente definir a aversão ao risco (concavidade) pela sua
derivada segunda 𝑈′′(𝑥). Logo, a aversão absoluta ao risco é definida como [2]:

( )
𝐴(𝑥) = − .
( )

Fig. 1 – Representação de uma função utilidade com aversão ao risco.

3. MODELAGEM DO PROBLEMA DE DECISÃO PELA AQUISIÇÃO DE UM SISTEMA DE MONITORAMENTO DA

CONDIÇÃO

3.1. DETERMINAÇÃO DA FUNÇÃO UTILIDADE

A função utilidade foi introduzida Von Neumann e Morgenstern, no famoso teorema homônimo [3], demonstrando
que, satisfeitos alguns axiomas, as preferências de um decisor sob condições de risco podem ser representadas
matematicamente. Entretanto, note que a função utilidade expressa preferências subjetivas. Sua determinação para
modelagem de comportamentos de consumo é um trabalho árduo, que envolve campos muito distintos como
economia, matemática e psicologia. No escopo deste trabalho adotamos as seguintes premissas para a adoção de
uma função utilidade equacionável.

3.1.1. PREMISSA FUNDAMENTAL: AVERSÃO AO RISCO CONSTANTE

Essa premissa estabelece que o grau de aversão ao risco do decisor não depende do montante do prejuízo financeiro
da falha, ou mesmo do montante do investimento no sistema de monitoramento.

Justificativa. Os riscos envolvidos no sistema elétrico de potência são de naturezas distintas, podendo ser
ambientais, de segurança, operacionais, econômicos, ou mesmo de imagem corporativa. Destes riscos, apenas os
riscos econômicos são facilmente quantificáveis. Entretanto, a avaliação global do risco de uma falha no Sistema
Elétrico de Potência (SEP) possui fatores que transcendem o aspecto estritamente econômico – particularmente em
se tratando de impactos ambientais, de segurança pessoal e de imagem corporativa. Assume-se, portanto, que
consideradas todas as consequências de uma possível falha, os fatores econômicos, apesar de influenciarem na
aversão ao risco, não são capazes de sensibilizar a aversão em virtude de pequenas alterações nos valores
envolvidos. Além do mais, frente ao faturamento de uma empresa do SEP, os custos envolvidos em uma falha são
relativamente pequenos em relação à riqueza total da companhia.

Por esses motivos, adotamos como hipótese a aversão absoluta ao risco constante, ou seja, independente dos
valores envolvidos na análise.

3.1.2. NORMALIZAÇÃO

Seguindo o próprio desenvolvimento do teorema de Von Neumann-Morgenstern, e prevendo a aplicação da

metodologia proposta de forma uniforme a uma maior variedade de situações, adotamos uma normalização de 0 a 1
para os resultados financeiros possíveis (da maior à menor perda), e de 0 a 1 para a função utilidade, conforme
ilustra a Fig. 2.

Classificação da informação: Público

 4

3.1.3. FUNÇÃO UTILIDADE NORMALIZADA COM AVERSÃO ABSOLUTA AO RISCO CONSTANTE

A aversão absoluta ao risco 𝐴(𝑥) é definida pela equação apresentada na seção 2.2. Uma aversão ao risco
constante implica uma função utilidade exponencial. Para obtermos uma exponencial normalizada, propomos como
função utilidade:
𝑈(𝑥) = .

Note que sua aversão absoluta ao risco será 𝐴(𝑥) = 𝛼. Note ainda que quando 𝛼 → 0, a função se aproxima de uma
reta (utilidade indiferente ao risco). Quanto maior o valor de 𝛼, maior será a concavidade (segunda derivada) da
curva, como mostra a Fig. 2.

A principal vantagem desta formulação é que o grau de aversão ao risco do decisor pode ser traduzida em um valor
numérico, como mostraremos no Item 4.

Fig. 2. Funções de utilidade esperada normalizadas com aversão absoluta ao risco (alfa) constante.

3.2. MODELAGEM DO PROBLEMA

Consideremos agora o problema da escolha pela instalação ou não de um sistema de monitoramento da condição
capaz de detectar (e evitar) certos modos de falha em um ativo crítico. À luz da teoria da escolha sob risco [3],
devemos comparar a utilidade esperada dos dois cenários: com e sem sistema de monitoramento. Em cada situação,
o conjunto dos possíveis resultados com suas respectivas probabilidades é chamado de Loteria. A decisão racional
consistirá em selecionar qual loteria resultará em maior utilidade.

 Seja 𝑇 o horizonte de tempo da análise.

 Seja 𝐶 o custo total de propriedade (no horizonte 𝑇) de um sistema de monitoramento da condição capaz de
detectar e evitar certo(s) modo(s) de falha de um ativo.
 Seja 𝐹 o custo estimado da falha pelo(s) modo(s) de falha observável(is) pelo sistema de monitoramento.
 Seja 𝑝 a probabilidade de ocorrência deste(s) modo(s) de falha no horizonte 𝑇.
 Seja 𝑑 a detectabilidade efetiva do sistema. Isto é, dado que um modo de falha está ocorrendo, a probabilidade
do sistema identificar antecipada e efetivamente uma falha com capacidade de evitá-la.
 Seja 𝑊 o montante de recursos da empresa disponível para melhorias, investimento, e para arcar com os custos
da Falha.
 O valor máximo do domínio é 𝑊, correspondente à situação sem sistema de monitoramento e sem falha, e o
valor mínimo do domínio é 𝑊 − 𝐶 − 𝐹 , correspondente à pior situação, com falha apesar do sistema de
monitoramento.

Modelando segundo a teoria da decisão sob risco, teremos duas loterias a analisar, indicadas nas Tabelas 1 e 2.

Tabela 1 - Loteria L1, considerando cenários possíveis sem a instalação do sistema de monitoramento.
Possibilidades em L1 Descrição Utilidade Probabilidade
A Não ocorre falha. 𝑈(𝑊) 1−𝑝
B Ocorre falha. 𝑈(𝑊 − 𝐹) 𝑝

Tabela 2 - Loteria L2, considerando cenários possíveis com a instalação do sistema de monitoramento.
Possibilidades em L2 Descrição Utilidade Probabilidade
A Não ocorre falha. 𝑈(𝑊 − 𝐶) 1 − (𝑝 − 𝑝𝑑)
B Ocorre falha. 𝑈(𝑊 − 𝐶 − 𝐹) 𝑝 − 𝑝𝑑

Classificação da informação: Público

 5

Por definição, uma função utilidade, para ser uma utilidade esperada tem necessariamente que ser linear em
probabilidades, ou seja:

𝐿 = 𝐸[𝑈(𝑝 𝐴 + 𝑝 𝐵)] = 𝑝 𝑈(𝐴) + 𝑝 𝑈(𝐵)

Aplicando às loterias 𝐿 e 𝐿 temos:

𝐿 = (1 − 𝑝)𝑈(𝑊) + 𝑝𝑈(𝑊 − 𝐹)

𝐿 = (1 − 𝑝 + 𝑝𝑑)𝑈(𝑊 − 𝐶) + (𝑝 − 𝑝𝑑)𝑈(𝑊 − 𝐶 − 𝐹)

Desejamos investigar em que circunstâncias 𝐿 será preferível a 𝐿 , em termos de 𝐶, 𝑑, 𝑝 e 𝐹 .

Para um usuário indiferente ao risco, a função utilidade será uma reta, expressa por: 𝑈(𝑥) = 𝑎𝑥 + 𝑏. Com alguma
manipulação algébrica, pode-se mostrar que para 𝐿 ≥ 𝐿 devemos ter:

𝐶 ≤ 𝑝𝑑𝐹.

Esta inequação, que chamaremos de inequação do máximo custo com indiferença ao risco, indica que, caso o
usuário seja indiferente ao risco, o investimento no sistema de monitoramento será uma escolha racional se o valor
𝐶 do ciclo de vida do sistema de monitoramento for menor ou igual ao custo da falha 𝐹 vezes a probabilidade 𝑝 de
ocorrência do modo de falha durante a vida útil do sistema, vezes a detectabilidade efetiva 𝑑 do sistema de
monitoramento da condição. Note, finalmente, que o custo total de propriedade do sistema de monitoramento 𝑝𝑑𝐹
não equivale, ao contrário do que se poderia imaginar, ao valor esperado da falha, que corresponde a 𝑝(1 − 𝑑)𝐹.

Considerando um usuário com aversão absoluta ao risco expressa pela equação definida no item 3.1.3, pode-se
mostrar que para 𝐿 ≥ 𝐿 devemos ter:

𝐶 ≤ ln .
( ) ( )

A inequação acima, que chamaremos de inequação do máximo custo com aversão ao risco, calcula o máximo
valor que um decisor racional deve pagar pelo sistema de monitoramento da condição, considerando um custo de
falha 𝐹, uma probabilidade de falha 𝑝, uma detectabilidade efetiva 𝑑 e uma constante de aversão absoluta ao risco
𝛼.

Quando 𝛼 → 0, o valor do máximo custo com aversão ao risco converge para o máximo custo com indiferença ao
risco 𝑝𝑑𝐹. No entanto, para 𝛼 > 0, este valor será sempre maior que 𝑝𝑑𝐹, indicando que na medida em que o usuário
é avesso ao risco, mais decide pagar pelo sistema de monitoramento.

3.3. METODOLOGIA PROPOSTA

A decisão racional pela instalação ou não do sistema de monitoramento da condição pode ser evidenciada de duas
formas. A primeira delas é através do cálculo da Utilidade Esperada de cada opção, onde a loteria ou opção que
resultar no maior valor de Utilidade Esperada deverá ser adotada. A segunda, mais intuitiva, é pela comparação do
preço do Custo Total de Propriedade do Sistema de Monitoramento da Condição com o seu limite dado pelas
inequações definidas na seção 3.2.

Deste modo, propomos uma metodologia na qual o usuário entre com os seguintes dados:

 Dado um sistema de monitoramento da condição, qual o seu custo total de propriedade 𝑪 no horizonte de
análise de sua vida útil 𝑻, e qual a sua detectabilidade efetiva d, isto é, dada uma falha potencial presente,
qual a probabilidade da falha ser detectada pelo sistema e evitada pela engenharia de manutenção.
 Considerando o ativo que se pretende monitorar, qual o custo estimado 𝑭 e a probabilidade 𝒑 de ocorrência
de um modo de falha observável pelo sistema de monitoramento da condição.

A partir desses dados, para uma certa aversão absoluta ao risco 𝜶, podemos calcular o máximo custo admissível
para o sistema de monitoramento à luz da teoria da decisão racional, e ter uma indicação objetiva se tal
investimento vale ou não a pena.

Classificação da informação: Público

 6

Resta ainda mostrar como calcular a aversão absoluta ao risco 𝛼 ou grau de aversão ao risco do decisor. Na seção
seguinte apresentaremos uma metodologia de cálculo para este grau de aversão ao risco utilizando lógica nebulosa.

4. DETERMINAÇÃO DA AVERSÃO AO RISCO UTILIZANDO LÓGICA NEBULOSA

De acordo com a ISO 31000 [4], risco é “o efeito da incerteza nos objetivos”, e nível de risco é a “magnitude de um
risco, expressa em termos da combinação das consequências e de suas probabilidades”. Para uma consequência
quantificável, o nível do risco será o produto do valor da consequência pela sua probabilidade. A gestão de riscos
engloba sua identificação, análise e avaliação. A análise de riscos envolve a determinação do nível do risco, e sua
avaliação provê suporte à tomada de decisão considerando a tolerância ao risco do decisor. Assumindo um modo
de falha de um equipamento elétrico com certa probabilidade associada em um horizonte de tempo, os riscos
associados serão a combinação dessa probabilidade com as consequências da falha.

Segundo a metodologia da Manutenção Centrada em Confiabilidade [5, 6], as consequências de cada modo de falha
podem ser categorizadas em: Impactos Ambientais, de Segurança, Econômicos e Operacionais. A essas
categorias acrescentamos também os Impactos de Imagem Corporativa, de suma importância em serviços
essenciais como o fornecimento de energia elétrica.

Impactos Econômicos, por serem quantificáveis (são o custo total da falha), são aderentes a tomadas de decisão
racionais. Entretanto, os demais impactos acima são imprecisos e difíceis de quantificar. Para superar essa
dificuldade, recorremos a Variáveis Linguísticas e à Lógica Nebulosa, que pressupõe inexistência de dados precisos
e permite uma descrição linguística do problema, de modo que modelos lógicos se assemelhem mais intuitivamente
ao raciocínio humano.

A metodologia proposta qualifica linguisticamente os impactos supracitados, inclusive o impacto econômico, e utiliza
Lógica Nebulosa [7] para calcular o grau de aversão ao risco do decisor. Consideremos, para cada tipo de impacto,
variáveis linguísticas que podem assumir os termos mostrados na Fig. 5. Uma base de regras é aplicada para o
cálculo dos graus de veracidade dos termos da aversão ao risco, e a variável de saída é finalmente convertida em
valor numérico pela inferência nebulosa. A Fig. 6 exemplifica o resultado do cálculo da variável 𝛼 por este processo.

Fig. 5 – Variáveis linguísticas de impactos da falha e seus possíveis termos de qualificação.

Fig. 6 – Exemplo de cálculo do grau de aversão ao risco com lógica nebulosa. Valor indicado: alfa = 6,69.

Classificação da informação: Público

 7

5. METODOLOGIA PARA CONTABILIZAÇÃO DO RETORNO DO INVESTIMENTO

Quanto ao Retorno do Investimento, se não há uma metodologia de acompanhamento da efetividade de um sistema

de monitoramento da condição, a ausência de falhas pode ser atribuída a fatores ao acaso, impossibilitando o cálculo
do retorno do investimento realizado no monitoramento da condição.

Para o cálculo desse retorno, propomos que:

 Todas as ações de manutenção realizadas em decorrência de decisões pautadas nos dados de

monitoramento da condição sejam sempre registradas.
 Uma ação será considerada efetiva se trouxer o ativo monitorado de volta às suas condições normais,
neutralizando, portanto, uma falha potencial.
 Os impactos da falha evitada, incluindo o custo da falha, deverão, para todas as ações efetivas, ser
contabilizados como Retorno do Investimento do sistema de monitoramento.

6. ESTUDOS DE CASO

Uma ferramenta Web de suporte à decisão foi implementada para suporte à tomada de decisão. Apresentamos a
seguir dois estudos de caso hipotéticos, um aplicado à geração e outro à transmissão de energia elétrica.

Caso 1. Consideremos a aquisição de um sistema de monitoramento de descargas parciais para hidrogeradores de

idade avançada. O sistema possui um custo total de propriedade (considerando aquisição e manutenção) C = R$
200 mil e vida útil estimada em T = 15 anos. Levando em conta a capacidade do sistema de monitoramento em
detectar modos de falha, e a habilidade da manutenção para responder prontamente e evitar a falha, estima-se que
falhas serão evitadas em 80% dos casos, isto é, que o sistema terá uma detectabilidade efetiva d = 80%. Estima-se
que o reparo de uma falha custe à empresa em média F = R$ 5,3 milhões. O gestor de manutenção estimou que,
em um universo de 25 máquinas, se nenhuma ação for tomada, é provável que 6 falhas ocorram nos próximos 5
anos, o que resulta em uma probabilidade de falha p = 3,6% no horizonte da vida útil do sistema de monitoramento.

Como primeiro resultado da análise, nota-se que a probabilidade de falha considerando a efetividade do sistema de
monitoramento cai para p.(1-d) = 0,72%. Logo, o valor esperado da falha, que era de R$ 190.800,00 sem o sistema,
passa a ser de apenas R$ 38.160,00 em decorrência do sistema de monitoramento.

Desconsiderando qualquer aversão ao risco, o custo máximo que um decisor racional deveria pagar pelo sistema de
monitoramento é de C = pdF = R$ 152.640,00. Como o sistema possui um custo de R$ 200 mil, a decisão racional
apontaria para a não aquisição do sistema.

Entretanto, o decisor avaliou as consequências de uma possível falha da seguinte forma: impactos ambientais e de
segurança muito baixos (1/10), impacto operacional muito alto (10/10), impacto econômico alto (8/10) e impacto de
imagem corporativa médio (6/10). Esta análise, processada em lógica nebulosa, resultou em um grau de aversão
ao risco de 2,91. Aplicando a inequação do máximo custo, obtemos o limite de R$ 639.511,18, muito superior ao
custo do sistema, indicando a decisão racional pela aquisição do sistema de monitoramento pela empresa.

Aprofundando a análise, sabe-se que o tempo médio de indisponibilidade decorrente da falha é estimado em 6 meses
para uma unidade geradora, e que se a falha fizer o Índice de Disponibilidade (ID) da usina inferior ao ID regulatório,
a usina terá uma redução de receita de R$ 14,4 milhões por mês, totalizando R$ 86,5 milhões. Nesse cenário, o
custo total de uma falha seria F = R$ 91,8 milhões. Nesse caso, considerando o mesmo grau de aversão absoluta
ao risco e mantidos todos os demais parâmetros, o decisor indiferente ao risco concluirá que poderá investir até R$
2,6 milhões no sistema de monitoramento, e o decisor avesso ao risco que poderá investir até R$ 11,5 milhões.

Fig. 7 – Curva de utilidade esperada obtida para alfa = 2,91.

Classificação da informação: Público

 8

A Tabela 3 sumariza os resultados dessas análises, e a Fig. 7 ilustra a curva de utilidade esperada calculada para o
problema considerando um grau de aversão ao risco de 2,91. Note que a utilidade esperada L2 (cenários com
monitoramento) é maior que a utilidade esperada L1 (cenários sem monitoramento).

Tabela 3 – Resultado das análises dos valores máximos a pagar pelo sistema de monitoramento de DP em
geradores.
Valor Máximo do Investimento no Sistema de Monitoramento
Custo da Falha
Com Indiferença ao Risco Com Aversão ao Risco α = 2,91
R$ 5,3 milhões R$ 152.640,00 R$ 639.511,18
R$ 91,8 milhões R$ 2.643.840,00 R$ 11.584.100,52

Caso 2. Consideremos agora a aquisição de um sistema de monitoramento de capacitância e tangente de delta

(CTD) em buchas de transformadores de potência de 230 kV no SEP, com custo de propriedade de C = R$ 300 mil
em um horizonte de vida útil de T = 15 anos, e detectabilidade efetiva d = 98%. O custo de uma falha é estimado em
F = R$ 3.4 milhões, e um gestor de manutenção considera que a cada 5 anos podem ocorrer até 2 falhas em um
parque de 120 equipamentos, o que equivale a uma probabilidade de falha p = 1,2% no horizonte considerado.

Nesse caso, a instalação do sistema de monitoramento faz com que a probabilidade de falha caia para p.(1-d) =
0,02%, e o valor esperado de uma falha cairá de R$ 40.800,00 para R$ 816,00.

Desconsiderando a aversão ao risco, a análise aponta para um valor máximo a pagar de C = pdF = R$ 39.984,00
pelo sistema monitoramento, indicando sua não aquisição. Entretanto, as consequências da falha foram avaliadas
como: impactos ambientais baixos (2/10), impacto de segurança alto (8/10), impacto operacional muito alto (10/10),
impacto econômico alto (8/10) e impacto de imagem corporativa muito alto (10/10). Esta análise, processada em
lógica nebulosa, resultou em um grau de aversão absoluta ao risco de 4,94. Aplicando a inequação do máximo
custo, obtemos um limite de R$ 542.970,07, superior ao custo do sistema, indicando a decisão racional pela aquisição
do sistema de monitoramento pela empresa. A Tabela 4 sumariza os resultados da análise.

Tabela 4 – Resultado das análises dos valores máximos a pagar pelo sistema de monitoramento de CTD em
Transformadores de 230 kV.
Valor Máximo do Investimento no Sistema de Monitoramento
Custo da Falha
Com Indiferença ao Risco Com Aversão ao Risco α = 4,94
R$ 3,4 milhões R$ 39.984,00 R$ 542.970,07

7. CONCLUSÃO

A metodologia desenvolvida representa um esforço por racionalizar a decisão pela aquisição ou não de sistemas de
monitoramento da condição, tão debatidos na atual vertente de digitalização do setor elétrico. O tratamento de
sistemas de monitoramento como seguros fornece uma base matemática para avaliar, considerando certa aversão
ao risco, se valerá ou não a pena o investimento. Embora alguns dados de entrada necessitem ser estimados,
acreditamos que a sistematização proposta oferece um avanço em relação a critérios menos objetivos de decisão.
Os exemplos apresentados no item 6 ilustram o potencial desta análise para tomada de decisão.

O simples equacionamento do problema, considerando a efetividade do sistema de monitoramento para detectar

defeitos e evitar falhas, por si só, seja qual for essa efetividade, já mostra que a probabilidade de falha dos
equipamentos é sempre reduzida pelo monitoramento. Tal fato, bem compreendido, abre possibilidades para uma
renegociação do prêmio dos seguros dos ativos baseada em argumentos técnicos. Este ganho colateral não foi
considerado em nossa análise, mas certamente deverá ser levado em consideração no processo decisório.

A inequação do máximo custo com indiferença ao risco é um critério simples para verificar, com base apenas no
custo da falha, na sua probabilidade e na efetividade do sistema de monitoramento, se sua aquisição vale ou não a
pena. Entretanto, a aversão ao risco sempre existe, e deve ser de alguma forma considerada pelo decisor. Se a
análise prévia com indiferença ao risco indicar a opção pelo investimento, evidentemente a consideração dos riscos
só reforçará essa indicação.

Considerada a aversão ao risco, surge, no entanto, a dificuldade de determinar uma curva de utilidade esperada. A
função utilidade esperada é uma formulação matemática que visa expressar as preferências subjetivas de um decisor
racional, e sua determinação pode ser muito mais complexa do que apresentamos. A opção por uma função
normalizada e parametrizável com aversão absoluta ao risco constante em todo o domínio pareceu ser um bom ponto
de partida em uma abordagem inicial. Trabalhos futuros podem aprimorar a determinação desta curva, adotando
inclusive técnicas de aprendizado de máquina para inferir a real aversão ao risco manifesta nas escolhas do decisor.

Para a parametrização da função utilidade adotada, foi implementado um sistema de lógica nebulosa para a
determinação da aversão absoluta ao risco com base na avaliação linguística dos impactos de uma possível falha. A

Classificação da informação: Público

 9

lógica nebulosa se mostrou aderente ao problema, produzindo uma determinação numérica de alfa com base nas
avaliações linguísticas do decisor. Entretanto, novamente aqui se abrem possibilidades de aprimoramentos futuros,
através da sintonia do sistema por aprendizado de máquina, refinando os conjuntos nebulosos das variáveis de
entrada e saída para a obtenção de resultados mais aderentes à real aversão ao risco do decisor.

Finalmente, além da ferramenta de suporte à decisão para aquisição de sistemas de monitoramento da condição, foi
apresentada uma metodologia para sistematizar o registro e o cálculo do retorno deste tipo de investimento, amiúde
ignorado no balanço das organizações.

8. REFERÊNCIAS
[1] Aula online sobre Teoria dos Seguros, Prof. Victor Navarrete, UFPE, 2019.
https://www.youtube.com/watch?v=srxG_cMZ-WY acessado em 24/06/2023.
[2] Website: https://en.wikipedia.org/wiki/Risk_aversion acessado em 24/06/2023.
[3] Website: https://en.wikipedia.org/wiki/Von_Neumann%E2%80%93Morgenstern_utility_theorem acessado em
24/06/2023.
[4] Norma Brasileira ABNT ISO 31000:2018 Gestão de riscos ― Diretrizes, 2ª Edição, 2018.
[5] Reliability-centered Maintenance. John Moubray. Industrial Press Inc., 2001.
[6] Manutenção Centrada na Confiabilidade. Manual de Implementação. Iony Patriota de Siqueira, Ed. Quality
Mark, 2005.
[7] Website: https://en.wikipedia.org/wiki/Fuzzy_logic acessado em 24/06/2023.

9. DADOS BIOGRÁFICOS
(1) (1) ANDRÉ TOMAZ DE CARVALHO
Engenheiro Eletricista pela Universidade Federal do Rio de Janeiro (2001), Mestre em Ciências pela Escola
Politécnica da Universidade de São Paulo (2005) e Doutor em Ciências pela Universidade Federal do Rio de
Janeiro (2014). Pesquisador do Centro de Pesquisas de Energia Elétrica – CEPEL, atua desde 2001 em
pesquisa aplicada nas áreas de monitoramento, diagnóstico e prognóstico da condição de equipamentos de alta
tensão. Atualmente está à frente do Departamento de Tecnologia em Gestão de Ativos do CEPEL, responsável
por impulsionar ações de transformação digital em gestão de ativos na Eletrobras e no setor elétrico brasileiro.
(2) FREDERICO TASSI DE SOUZA SILVA
Possui Graduação em Engenharia Elétrica (2014) e Mestrado em Sistemas de Energia Elétrica (2016) pela
Universidade Federal de Juiz de Fora. Realizou Graduação Sanduíche pela Universidade do Porto, Portugal
(2012/13) pelo Programa Ciência sem Fronteiras. Pesquisador do Centro de Pesquisas de Energia Elétrica (CEPEL)
desde Janeiro/2015, onde atua com os temas gestão de ativos no setor elétrico, monitoramento online da condição
de equipamentos de subestação, Transformação Digital e Engenharia de Manutenção 4.0.
(3) PAULA DA SILVA NOGUEIRA
Graduada em Engenharia Elétrica com Ênfase em Eletrônica pela Faculdade de Engenharia de Resende (FER). Pós-
graduada em Eletrônica Embarcada pelo Centro Universitário Salesiano de São Paulo (UNISAL). Pós-graduada em
Ciência de Dados e Big Data pela Pontifícia Universidade Católica de Minas Gerais (PUC Minas). Engenheira no
Centro de Pesquisas de Energia Elétrica – CEPEL / NTL Tecnologia/ Departamento de Tecnologia em Gestão de
Ativos.
(4) LUÍS ADRIANO DE MELO CABRAL DOMINGUES
Luís Adriano de Melo Cabral DominguesEngenheiro Eletricista formado em 1980 pela Universidade Federal do Rio
de Janeiro (UFRJ). Mestrado em Engenharia de Sistemas pela Pontifícia Universidade Católica do Rio de Janeiro
(PUC-RJ).Trabalha como Pesquisador no Centro de Pesquisas de Energia Elétrica em temas ligados ao cálculo e
medição de campos eletromagnéticos e estudos de confiabilidade.Tem diversos trabalhos publicados em Seminários
Nacionais e Internacionais, em especial sobre exposição humana a campos elétricos e magnéticos.Desde 2009
representa o Brasil no Conselho Consultivo do Projeto Campos Eletromagnéticos da Organização Mundial da Saúde
(IAC-WHO).
(5) FRANCISCO FIGUEIREDO SILVA NETO
Francisco Figueiredo Silva Neto é formado em engenharia elétrica pela UTFPR com MBA na FGV em gestão do
setor elétrico. Possui mais de 15 anos na área de engenharia de manutenção de equipamentos tendo atuado neste
período na coordenação de comissionamento, manutenção especial, diagnóstico de equipamento e análise de
ocorrências. Atualmente coordena grupos de gestão preditivas equipamentos e faz parte da equipe de análise e
diagnostico de monitoramento de equipamento de área de transmissão de energia da Eletronorte.
(6) BENEDITO DA GRAÇAS DUARTE RODRIGUES
Benedito das Graças Duarte Rodrigues possui graduação em Engenharia Elétrica Opção Eletrotécnica pela
Universidade Federal do Pará (1988), mestrado em Engenharia Elétrica, na área de sistemas de energia pela
Universidade Federal do Pará (2014). Atualmente exercendo a função de engenheiro de manutenção elétrica no
Centro de Tecnologia e Inovação da Eletronorte em Belém – PA, nas áreas de ensaios elétricos de alta tensão e
sistemas de monitoramento da condição de equipamentos. Tem experiência na área de manutenção de usinas
hidrelétricas, termoelétricas e subestações.

Classificação da informação: Público