Baixe o app para aproveitar ainda mais
Prévia do material em texto
Prof. Jairo José de Oliveira Andrade Porto Alegre, agosto de 2018 Distribuições de tempos até falha (TTF) Engenharia da Manutenção 1 • Confiabilidade de uma unidade → probabilidade de operação até um tempo t de projeto – Como? → modelagem dos tempos até a falha – Aspecto importante nos estudos de confiabilidade Introdução 2 Introdução https://doi.org/10.1016/B978-0-7506-8987-8.00011-1 3 Introdução http://bit.ly/2DHzhA6 4 Introdução http://bit.ly/2xpZBfo 5 Introdução https://goo.gl/images/5Cq8Yg 6 • Dados de falha → modelos de probabilidade – Por quê? • Generalização de comportamento ao invés de olhar um caso isolado – Comportamento típico → verificar o comportamento futuro • Desde que não ocorram mudanças nos padrões de funcionamento do sistema avaliado • Duas etapas 1) Escolher os modelos candidatos 2) Verificar a aderência (erro) do ajuste do modelo aos dados Introdução 7 • Eventualmente 2 modelos podem representar o mesmo comportamento de falhas – Escolher o mais adequado à realidade do comportamento/sistema – Quanto menor o erro de estimação maior a aderência do modelo Introdução 8 • Efeito de múltiplos modos de falha em conjunto Introdução Tam e Nagarajan (2008) https://www.researchgate.net/publication/221787189 9 • Amostra de dados de uma população – Ex.: submeter 1000 lâmpadas a um teste e registrar o tempo até a falha (TTF) de cada uma delas – 1000 dados → amostra aleatória dos TTF • Determinar o tipo de distribuição • Média • Desvio-padrão Introdução 10 • Conhecimento acumulado da equipe – Experiência com o sistema estudado – Análises em produtos similares – Conhecimento dos modos de falha • Justificativas com base estatística – Outros setores da empresa (financeiro...) Introdução Importante!! Métodos de teste de aderência Experiência do analista/equipe 11 Introdução Exemplo!! Avaliação da taxa de mortalidade ao longo do tempo para 2 distribuições: Cuidado no momento da escolha do modelo!!! http://bit.ly/2vVV9a8 Experiência do analista/equipe 12 • Distribuição de probabilidade → definida pela função densidade de probabilidade (f.d.p.) – f(x) • Variável aleatória X → valores individuais xi Introdução 13 Introdução Aziz e Chassapis (2011) 14 Introdução http://www.controldesign.com/articles/2004/194/ 15 • Modelo matemático que representa o desempenho de um item → desempenho adequado • Modelo matemático mais simples → modelo binário – Estado de funcionamento ou falha Introdução 16 http://bit.ly/2ftfixI Distribuições aplicadas à confiabilidade 17 • Distribuições discretas – Binomial – Poisson • Distribuições contínuas – Normal – Lognormal – Gamma – Exponencial – Weibull Distribuições aplicadas à confiabilidade 18 • Mais usadas em confiabilidade – Normal ou gaussiana – Exponencial – Lognormal – Gamma – Weibull Distribuições contínuas http://bit.ly/2g2IY68 19 • Função densidade de probabilidade – f.d.p. Distribuição normal – µ = média (parâmetro de localização) – σ = desvio-padrão (parâmetro de forma) • Cuidado → aceita valores negativos de x – -∞ < x < +∞ – Problemas em alguns casos 20 Distribuição normal • Valor médio (MTTF) http://www.cbpf.br/cat/pdsi/gauss.html 21 Distribuição normal • Valor médio (MTTF) http://bit.ly/2DHzhA6 22 • Aplicação – Grande concentração de observações em torno da média – Probabilidades iguais de ocorrência das observações acima e abaixo da média – Modela processos de fadiga e desgaste • Taxa de falha sempre crescente com o tempo Distribuição normal 23 • Muito empregada em confiabilidade • Fácil de usar matematicamente – Quantificação de apenas um parâmetro • Lei das falhas – Admite-se que a taxa de falhas é constante – Padrão de falhas aleatório e imprevisíveis individualmente – Não admite-se o efeito de desgaste do elemento • A probabilidade de falha é independente do que tenha se passado • Ex.: um fusível é “tão bom quanto novo” enquanto estiver em funcionamento Distribuição exponencial 24 Distribuição exponencial https://doi.org/10.1016/B978-0-7506-8987-8.00011-1 25 Distribuição exponencial • Lei das falhas - O componente/sistema não apresenta maior ou menor probabilidade de vir a falhar com o acúmulo do tempo operacional - Admitindo-se esse tipo de distribuição → não há razão para substituir um item que está funcionando • Pode-se assumir que a taxa de renovação é constante 26 • Aplicações – Idealmente → modelagem do período de vida útil – Caso tenha-se distintos comportamentos de h(t) • Distribuição exponencial → região cuja h(t) constante é dominante – Sistemas com dados de falhas mostrando causas muito heterogêneas • Sistemas complexos → dados de falha limitados ou insuficientes para ajustar distribuição complexa • Não se justifica empregar uma distribuição mais complicada do que os dados disponíveis permitam! Distribuição exponencial 27 Distribuição exponencial • Função densidade de probabilidade – f.d.p. • Para sistemas onde a variável é o tempo (t), λ é chamada de taxa de falhas 28 • Confiabilidade – R(t) Distribuição exponencial • Função densidade acumulada – F(t) • Valor médio (MTTF) 29 Distribuição exponencial Adaptado de Kapur (1988) http://bit.ly/2xpZBfo 30 • A variabilidade do tempo de falha aumenta com a confiabilidade – Maiores valores de MTTF • Um equipamento cujos TTF sigam uma distribuição exponencial tem uma chance um pouco maior que 33% de sobreviver até o MTTF Distribuição exponencial 31 • Mais versátil que a distribuição normal – Melhores ajustes da população – Peças sujeitas a desgastes – Não aceita valores negativos • Modelagem no tempo até o reparo para unidades reparáveis Distribuição lognormal 32 Distribuição lognormal • Função densidade de probabilidade – f.d.p. – µ = parâmetro de localização – σ = parâmetro de forma • MTTF http://www.portalaction.com.br/1192-densidade-da-distribuição-log-normal 33 Distribuição lognormal • Confiabilidade – R(t) – Φ(x) = valor da função de distribuição normal padronizada avaliada em x • Determinação → verificar tabela correspondente 34 Distribuição lognormal • Taxa de falha – h(t) – Comportamento pouco comum na prática • Falhas recentes → dominam o comportamento do equipamento 35 • Aplicações – Determinação dos ciclos para a falha à fadiga de metais e componentes metálicos – Determinação da distribuição de tempos para a falha de componentes mecânicos sujeitos à desgaste – Determinação da vida útil de equipamentos – Determinação do tempo médio para manutenção de componentes mecânicos Distribuição lognormal 36 • Também bastante empregada em confiabilidade • Generalização da exponencial • É uma distribuição “coringa” – Depende dos parâmetros de entrada • Caso não se tenha uma idéia da distribuição dos dados, pode-se supor inicialmente um ajuste a tal tipo de distribuição Distribuição de Weibull 37 • Função densidade de probabilidade – f.d.p. Distribuição de Weibull – γ = parâmetro de forma (shape parameter) – θ = parâmetro de escala (scale parameter) – t0 = parâmetro de localização • Alguns autores → vida característica da unidade 38 http://bit.ly/2wlj6J4 Distribuição de Weibull 39 • Função densidade de probabilidade – f.d.p. Distribuição de Weibull http://bit.ly/2DHzhA6 40 • Função densidade de probabilidade – f.d.p. Distribuição de Weibull 41 Distribuição de Weibull http://bit.ly/2vmnSBr 42 Distribuição de Weibull • Confiabilidade – R(t) • Função densidade acumulada – F(t) • Taxa de falha - h(t) 43 Distribuição de Weibull • Confiabilidade – R(t) http://bit.ly/W2Y2Ru 44 Distribuição de Weibull • Tempo médio até a falha - MTTF – Γ = função gama (integral indefinida com valor tabelado) • Determinação → verificar tabela correspondente 45 • Modela casos onde há funções de risco distintas Distribuição de Weibull γ = 3,26 γ = 1 γ = 2 γ =0,5 t h(t) γ < 1 → h(t) decrescente γ = 1 → h(t) constante Weibull → exponencial γ = 2 → h(t) reta com inclinação (2/θ)2 Weibull → Rayleigh γ = 3,26 → f.d.p. ≅ normal 46 Distribuição de Weibull • Exemplo – γ = 2,50; θ = 700 h – MTBF = 621 h R(500) = 0,65 = 65% F(500) = 0,35 = 35% 47 http://bit.ly/2HHZ1Cf 48 Verificação do ajuste de dados a distribuições de probabilidade http://www.belge.com.br/fluxus/2013/Outono/artigo_tecnico.htm 49 Ajustes dos dados a distribuições Gráficos Analíticos Papéis de probabilidade Testes de Qui-Quadrado e de Kolmogorov-Smirnov Verificação do ajuste de dados a distribuições de probabilidade 50 • Gráfica – Histograma de frequência – Papéis de probabilidade • Analítica – Testes de aderência Verificação do ajuste de dados a distribuições de probabilidade 51 • Papéis de probabilidade – Dados amostrais são transformados para serem distribuídos em torno de uma reta • Comportamento esperado • Distribuição hipotetizada – Quanto mais próximos os dados transformados estiverem da reta-base que representa a distribuição → melhor o ajuste à distribuição hipotetizada Verificação do ajuste de dados a distribuições de probabilidade 52 Verificação do ajuste de dados a distribuições de probabilidade 53 • Testes analíticos – Geralmente mais preferidos para verificar ajustes de dados – Requerem o emprego de um software ou planilha eletrônica – Calcula um erro de ajuste • Diferença entre os valores obtidos na amostra e os esperados, caso o modelo escolhido seja adequado – Estima se esse erro é grande ou pequeno • Erros grandes levam à rejeição do modelo Verificação do ajuste de dados a distribuições de probabilidade 54 • Comparativos entre os testes analíticos – Qui-Quadrado • Apropriado para dados discretos • Apresenta sensibilidade ao agrupamento dos dados em classes (histograma) • Normalmente precisa de uma quantidade maior de amostras – Kolmogorov-Smirnov • Mais apropriado para dados contínuos • Emprega toda a amostra para a realização das análises • Funciona com qualquer tamanho de amostra – Amostras pequenas Verificação do ajuste de dados a distribuições de probabilidade 55 • Exemplo – Os tempos até a falha de um dado componente estão apresentados na tabela a seguir. O analista deseja saber o tipo de distribuição que mais se ajusta dos dados de falha (em horas). Verificação do ajuste de dados a distribuições de probabilidade 15 23 62 80 85 97 105 110 112 119 121 125 128 132 137 140 145 149 153 158 162 167 171 175 183 189 190 197 210 218 225 230 237 242 255 264 273 282 301 312 330 345 360 383 415 436 457 472 78 Fogliatto e Ribeiro (2009) 56 • Exemplo Verificação do ajuste de dados a distribuições de probabilidade Weibull Lognormal Fogliatto e Ribeiro (2009) 57 • Exemplo Verificação do ajuste de dados a distribuições de probabilidade Weibull Lognormal Fogliatto e Ribeiro (2009) 58 • Exemplo – Qui-Quadrado • Weibull → Nível de significância = 62% • Lognormal → Nível de significância = 82% Verificação do ajuste de dados a distribuições de probabilidade Fogliatto e Ribeiro (2009) Pacotes estatísticos (Weibull++7®, Statistica®, Statigraphics®, Proconf®) 59 • Teste de aderência – Não vai dizer que aquele modelo é o que representa os dados – Vai dizer que o modelo pode ser usado para representar os dados – Vai dizer que o modelo não é adequado para representar os dados Verificação do ajuste de dados a distribuições de probabilidade 60 • Quando tem-se apenas o conjunto dos dados e sabe-se o tipo de distribuição – Exponencial, normal, entre outras • Como determinar os parâmetros da distribuição? → estimadores – Gera informações sobre os parâmetros de interesse Estimadores 61 Estimador da distribuição exponencial Parâmetro a ser estimado • Estimador 62 Estimador da distribuição exponencial • Exemplo – Os tempos até a falha de um sistema de comunicação apresentam uma distribuição exponencial. Determine a estimativa da taxa de falha considerando os seguintes TTF • 84, 96, 110, 125, 132, 148 63 Estimador da distribuição normal Parâmetros a serem estimados • Estimadores 64 Estimador da distribuição lognormal Parâmetros a serem estimados • Estimadores 65 • Lafraia, J. R. B. Manual de confiabilidade, mantenabilidade e disponibilidade. Qualitymark. Rio de Janeiro, 2001. • Siqueira, I. P. Manutenção centrada na confiabilidade. Qualitymark. Rio de Janeiro, 2005. • Piazza, G. Introdução à engenharia da confiabilidade. EDUCS. Caxias do Sul, 2000. • Elsayed, E. A. Reliability engineering. Addison Wesley Longman. 1996. • Aziz, E.; Chassapis, C. Probabilistic Simulation Approach to Evaluate the Tooth-Root Strength of Spur Gears with FEM-Based Verification. Engineering, Vol. 3 No. 12, 2011, pp. 1137-1148. doi: 10.4236/eng. 2011.312142. • Este documento não se destina a fins comerciais, onde são reproduzidas imagens e croquis disponíveis na bibliografia e eventualmente em sites da internet com objetivos didático-pedagógicos. Preservam-se os direitos dos autores originais, recomendando- se fortemente a consulta à bibliografia citada para aprofundamento do conteúdo. Bibliografia 66
Compartilhar