Baixe o app para aproveitar ainda mais
Prévia do material em texto
PROF. WAGNER BARBOSA, M.Sc. ENG DA CONFIABILIDADE Uma Ferramenta para a Gestão da Manutenção e Operações Wagner Barbosa, Eng Mecânico formado pelo UFPE, Mestre em Eng de Produção pela UFPE, Doutorando em Eng de Produção também pela UFPE; Atuação na área de Petróleo E&P, Armazenagem e Distribuição; Atuação também em Eólica, especificamente na érea de fabricação e construção de equipamentos e parques Eólicos; Forte atuação na área de Qualidade; Ger. Técnico de OIC-‐INMETRO; Pesquisador do CEERMA na área de Risco e Confiabilidade; Professor do curso de Engenharia de Produção. Apresentação do Professor 1. Fundamentos da Análise da Confiabilidade 2. Base Matemática da Confiablidade 3. Elementos da Confiabilidade de Componentes 4. Análise da Confiabilidade de Sistemas 5. Confiabilidade e Disponibilidade de Itens Reparáveis SUMÁRIO FUNDAMENTOS DA ANÁLISE DA CONFIABILIDADE 1.1 Porque Estudar Confiabilidade? 1.2 Entendendo Falha 1.3 Modelos de Falha 1.4 Domínimos e Dimensões da Confiabilidade 1.5 Mecanismos de Falha 1.6 Definição Incial de Confiabilidade/Manutenabilidade/ Disponibilidade e Riscos FUNDAMENTOS DA ANÁLISE DA CONFIABILIDADE • Equipamentos falham • Sistemas e componentes não são perfeitos • O que seria um sistema perfeito? • Sistema perfeito é aquele que sempre se mantém operacional e atinge os objetivos sem a ocorrência de falha durante a sua vida útil • Na prática isto não acontece! • Sistema perfeito é inviável: • Economicamente • Tecnologicamente Porque Estudar Confiabilidade? O Nosso Conhecimento É Limitado! Entendendo Falha Exemplos de falhas em equipamentos do dia a dia ü Máquina de lavar: Causa: falha devido ao desgaste “normal” de componentes ü Torradeira elétrica pegou fogo: Causa: projeto ineficiente da tomada do mesmo dada a quantidade de corrente passando na tomada ü Controle remoto parou de funcionar: Causa: falha “aleatória” de um componente eletrônico do controle remoto Exemplos de falhas mais significantes: maior impacto econômico e social ü Em 1946 a totalidade da frota do Lockheed Constellation "Connie" foi retida após acidente com uma das aeronaves matando quatro dos cinco tripulantes Causa: falha no projeto dos condutores elétricos que levaram a fuselagem pegar fogo ü Em 1979 a turbina esquerda de um DC-‐10 partiu-‐se, descolou-‐se da fuselagem durante a decolagem matando 271 pessoas (tripulação e passageiros) e 2 pessoas em solo, foi considerado o pior acidente aéreo até 11 de setembro, e continua sendo o pior acidente individual em solo americano até hoje. Causa: procedimentos de manutenção inadequados, os quais introduziam estresses excessivos nos pinos de sustentação quando da remoção da turbina Entendendo Falha Exemplos de falhas mais significantes: maior impacto econômico e social ü Acidente na usina nuclear Three Mile Island nos EUA em 1979 que resultou na destruição parcial do reator nuclear liberando radioatividade Causas: Falha mecânica e erro humano. – Quando o sistema backup de resfriamento estava em manutenção, ar cortou o fluxo de água de resfriamento para o reator – Luzes dos alarmes estavam encobertas por tags de manutenção – A PSV falhou fechada – Operadores estavam lendo instrumentos que não operavam adequadamente ou estavam tomando decisões errôneas baseando-‐se nos instrumentos operacionais ü Explosão da nave espacial Challenger em 1986 Causas: – Falha dos anéis de borracha (chamados “o-‐rings”) usados para vedar as quatro estações dos foguetes booster (externos) – Lançamento efetuado em temperatura ambiental abaixo de zero. Nunca feito antes! Entendendo Falha Entendendo Falha Fonte: O Autor A partir desses exemplos, pode-‐se concluir que o impacto de falhas em produtos ou equipamentos variam desde meras inconveniências , lesões em pessoas, grandes perdas econômicas, e morte. Em geral, as causas dessas falhas incluem: • Projeto inadequado • Erro humano • Procedimentos de construção ou produção faltosos • Manutenção inadequada • Procedimentos de teste e inspeção inapropriados • Inexistência de proteções (barreiras) contra estresses ambientais excessivos Entendendo Falha Assim, a importância e o interesse crescentes em confiabilidade tem sido motivado por diversos fatores como por exemplo: • Aumento da complexidade e sofisticação dos sistemas; • Conscientização do consumidor; • Surgimento de leis e regulamentações; • Altos custos das falhas, reparos e programas de garantia Entendendo Falha Uma pesquisa conduzida pelo instituto Gallup em 1985 encomendada pela American Society for Quality Control (ASQC) entrevistou mais de 1000 pessoas perguntando quais seriam os atributos mais imortantes. Os valores médios dos 10 atributos mais importantes estão listados a seguir em uma escala de 1 (menos importante) até 10 (mais importante) os mais importantes para estes na escolha de um produto: Entendendo Falha Atributo Valor Médio Desempenho 9,5 Longo tempo de duração (Confiabilidade) 9,0 Serviço 8,9 Facilidade de reparo (Manutenibilidade) 8,8 Garan=a 8,4 Facilidade de uso 8,3 Aparência 7,7 Marca 6,3 Embalagem 5,8 Úl=mo modelo 5,4 Fonte: Quality Progress, vol. 18, pp. 12-‐17, 1985 Confiabilidade e Manutenibilidade estão classificados entre os mais importantes atributos de um produto segundo os consumidores. • O que é uma falha? • Falha é a incapacidade do sistema de realizar a sua função; • Durante a vida útil de um sistema, o mesmo é submetido a diversos desafios; • Se o sistema não possui a capacidade de realizar a sua função dado este desafio, então o mesmo falha.Veja o seguinte diagrama. Modelos de Falha Exemplos: • Uma bomba de água de incêndio falha quando a mesma é incapaz de fornecer a vazão de água requerida durante a operação; • Um carro “zero” falha quando o seu consumo de combustível é maior do que o “anunciado” pelo fabricante e/ou esperado pelo consumidor; • Um sensor de CO falha quando o mesmo torna-‐se descalibrado; Modelos de Falha Stress-‐Strength (Carga-‐Resistência) § Este modelo é baseado no conceito que um sistema está sujeito a cargas durante a sua vida útil; § O mesmo falha se a resistência é menor do que a carga aplicada (força mecânica, campo elétrico, etc). Veja a figura que segue. Modelos de Falha Stress-‐Strength (Carga-‐Resistência) • A curva à esquerda representa a variabilidade nas possíveis cargas aplicadas ao sistema; • Considerando-‐se uma população de sistemas do mesmo tipo (válvulas do mesmo modelo de um mesmo fabricante; • Ao se aplicar uma certa carga C’, todos aqueles sistemas que tiverem uma resistência menor do que a carga aplicada (área tracejada à esquerda de C’) irão falhar; Note que este modelo de falha assume que a resistência é independente do tempo. Logo: Não há efeitos de corrosão ou fadiga, por exemplo, os quais acarretam em degradação da resistência do sistema com o tempo, i.e., o sistema não deteriora! Modelos de Falha Damage-‐Endurance (Dano-‐Resistência) • Incluem-‐se efeitos de corrosão, fadiga; • Falha ocorre quando o dano excede a resistência do sistema; Exemplo: bondinho do Pão de Açúcar (Rio de Janeiro, 21/10/2000) Cabo de tração do bondinho rompe, 100 pessoa ficaram presas em dois bondinhos durante 1 hora; • Causa provável: Corrosão interna do cabo de tração; Modelo de falha semelhante ao anterior, porém considera-‐se que o dano resultante/induzido pela carga aplicada acumula irreversivelmente, i.e., O sistema deteriora com o tempo; Modelos de Falha Challenge-‐Response (Desafio-‐Resposta) • Falha do sistema passa desapercebida até que o mesmo é necessário; • Somente quando o sistema é desafiado (chamado para operar), a falha se torna evidente. O mesmo falha em responder apropriadamente; Exemplos: • Sistemas stand-‐by; • Defeitos em softwares; Modelos de Falha Tolerance-‐Requirements (Tolerância-‐Especificações) • Quando um sistema está operando mas não satisfatoriamente; • O fator de tolerância é uma variável contínua que indica o grau de degradação na qualidade do desempenho do sistema; • Especificações determinam o desempenho desejado do sistema e indicam o ponto de transição de aceitável para inaceitável; Exemplos: • Perda de contraste em uma máquina copiadora; • Perda de pressão de um compressor; Modelos de Falha Sistemas tem aumentado em complexidade levando ao surgimento de sistemas onde não há apenas o hardware, mas também software e operadores humanos Falhas podem surgir de problemas de software ou erros humanos assim como a partir de falhas no hardware Tem-‐se, então, os chamados Sistemas X-‐Ware: Sistemas constituídos de elementos interativos de hardware, software, e operadores humanos (veja a seguinte figura) Exemplos: Os Domínios da Confiabilidade • Equipamentos médicos • Cockpit de aviões • Automóveis • Salas de controle em processo petroquímicos • Falhas pode ser por um desses elementos isoladamente; • Pode ser a partir da combinação/interação de harware, software e operadores humanos • As falhas em sistemas x-‐ware são geralmente dinâmicas (um evento iniciador resulta em uma sequência de eventos); • Falhas podem ocorrer quando cada um dos elementos de hardare, software, e operador humano estão funcionando dentro das condições especificadas; • A falha do sistema x-‐ware pode resulta da interação simultânea destes três elementos; Os Domínios da Confiabilidade Confiabilidade humana: Inicialmente, provia-‐se apenas diretrizes com relação a: • Tamanho e tipo de letras em instrumentos • Escolha de cores para alarmes • Escolha da forma e textura dos botões de controle, etc • Recentemente, tem-‐se intensa atividade de pesquisa sobre taxas de erros humanos baseados em fatores físicos e ambientais Os Domínios da Confiabilidade Confiabilidade de software: • Tem-‐se usado técnicas de confiabilidade de hardware • Porém, falhas em software são intrinsecamente distintas das falhas em hardware. Por exemplo, uma vez detectadas, as falhas em softwares são erradicadas e as mesmas não voltam a ocorrer • Assim, intensa atividade de pesquisa ocorre no desenvolvimento de novas metodologias para a análise da confiabilidade em softwares Os Domínios da Confiabilidade • O conhecimento a respeito do sistema é a base da confiabilidade; • Em princípio, tendo-‐se o conhecimento total dos processos químicos, físicos e até biológicos através dos quais falhas se desenvolvem, poder-‐se-‐ia descrever exatamente o que iria acontecer com um sistema e predizer exatamente quando o mesmo iria falhar. Dimensões da Confiabilidade • Caso o conhecimento fosse completo sobre o sistema, estaríamos na dimensão (visão) determinística da confiabilidade: • Com um procedimento “ideal” baseado num conhecimento total do sistema, poderíamos garantir que um dado equipamento irá operar sem falhaspor um período mínimo de tempo (ou número de ciclos). Dimensões da Confiabilidade Na prática, porém: • Nós não temos um entendimento perfeito de ciência e engenharia; • Mais crítico, nós não temos os recursos ($) para realizar uma análise completa do sistema até o seu nível mais elementar (nível atômico); Como consequência, as incertezas são muitas! Os Domínios da Confiabilidade • Logo temos que ser capazes de operar com um conhecimento menos perfeito: • Trabalhamos com uma garantia menos perfeita que um equipamento será capaz operar sem falhas. • Esta é a dimensão (visão) probabilística da confiabilidade: Por exemplo: podemos assegurar que é 99% provável que o nosso equipamento irá operar sem falhas por um certo tempo (ou número de ciclos). Os Domínios da Confiabilidade Os Domínios da Confiabilidade Fonte: Modarres, M. Et.al., 201 0 • São Processos físicos, cuja ocorrência conduz a um estresse ou é causada por ele; • Pode deteriorar a capacidade (resistência) de um item; • O mecanismos de falha de equipamento mecânico, eletrônico e elétrico são diferentes; Mecanismo de Falha Mecanismo de Falha Fonte: Tinga, T., 2013 Intuitivamente: Um produto confiável é aquele em que o consumidor pode contar para realizar o que ele/ela esperam do mesmo, por um período de tempo. Formalmente: Confiabilidade é a probabilidade que um sistema (componente, produto) irá realizar uma determinada função, por um dado período de tempo, sob condições operacionais específicas. Definição de Confiabilidade • Falhas é definida em relação à função realizada pelo sistema; • Unidade de tempo deve ser identificada: • Tempo corrido (calendário) • Tempo de operação • Ciclos (exemplo, pousos de um avião, giros de um motor elétrico, Etc.) Pode-‐se usar outras unidades além da grandeza tempo, como por exemplo: • Quilômetros percorridos; • Unidades ou bateladas produzidas; Definição de Confiabilidade As condições operacionais devem ser especificadas: Condições de operação: • Uso (temperatura, corrente, pressão, etc); • Manutenção; • Transporte. Condições ambientais: • Temperatura • Umidade • Vibração • Altitude, etc Definição de Confiabilidade Exemplo Resolvido 1: Considere um modelo de bateria para carro cujo fabricante mantém registro das unidades devolvidas. Quando um consumidor retorna uma bateria (mesmo funcionando) durante a garantia, considera-‐se uma falha, pois a mesma não atendeu as expectativas do consumidor! Definição de Confiabilidade Fonte: dreams=me.com Fonte: fazerfacil.com.br • Ao final dos 10 meses de uso, 14 baterias falharam de um total de 1000; • Logo, temos uma indicação da probabilidade de falha neste período: F(10) = 0.014; • Então, sendo confiabilidade as não-‐falhas, a confiabilidade deste modelo de bateria é R(10) = 0.986; • Pode-‐se dizer que é 98.6% provável que uma nova bateria ainda estará funcionando após 10 meses de operação; Definição de Confiabilidade Assuma que o seguinte gráfico tenha sido ob=do para 36 meses: • A confiabilidade, R (t), decresce para 95% em 24 meses; • A confiabilidade a=nge 50% em 32 meses; • Quanto maior o tempo t, m e n o r s e r á a confiabilidade; • A função de confiabilidade, R ( t ) , é u m a f u n ç ã o monotonia decrescente; Do ponto de vista do fabricante, qual a melhor garantia?? 24 meses?? 12 meses?? Definição de Confiabilidade Qualidade pode ser considerada como o grau em que um produto atende as expectativas/exigências do consumidor. Confiabilidade, preocupa-‐se com a duração do uso de um produto a partir do momento em que o mesmo entra em operação. Definição de Confiabilidade • Assim, se qualidade pode ser caracterizada por um conjunto de atributos de forma e função; • A confiabilidade pode ser considerada como um atributo da qualidade: • Confiabilidade está relacionada com a função desempenhada pelo produto; Definição de Confiabilidade Definição de Confiabilidade Fonte: Modarres, M., (2013) Hierarquia da melhora do desempenho de sistemas Melhorar o Desempenho do Item Melhorar Confiabilidade Melhorar Manutenibilidade Prolongar a Vida de um Item Minimizar o Tempo Requerido par a Restaurar um Item de Volta ao S erviço logo após a Falha Fazer o Estudo da Eng de Confiabilidade Es=mar e Reduzir a Ta xa de Falha • Realizar uma análise de trade-‐o ff entre fatores crí=cos (ex. Au mentar o Peso vs. Aumentar a R esistencia Mecânica; • Estudar os fatores Ambientais e de Projeto que promovem fato res de falha; • Especificar materiais mais resist entes; • Realizar a Análise de Confiabilidade; • Realizar Modelagem dos sistemas e anális es; • Análise dos Maiores Contribuidores da Fa lha.. • Re-‐projetar (unidade s) para melhorar a ac essibilidade; • Es=mar o MTTR; • Re-‐projetar montam gem de item para re duzir o número de su b ajustes; Definição de Manutenibilidade • Quando um equipamento é passível de manutenção (corretiva ou preventiva), a facilidade com a qual o mesmo sofre manutenção, reparo, e retorna à operação é medida através de sua manutenibilidade • Formalmente: Manutenibilidade é a probabilidade que um sistema falho, seja retornado para operação dentro de um período de tempo, quando manutenção é realizada de acordo com procedimentos estabelecidos Manutenibilidade é uma medida do downtime do equipamento, i.e., do tempo que o mesmo se encontra fora de serviço;• Equipamentos reparáveis (que sofrem manutenção) nem sempre estão “prontos” (disponíveis) quando são requisitados; • Assim: Disponibilidade é a probabilidade que um sistema está operacional (realizando a sua função) em um dado instante quando utilizado sob condições específicas Definição de Disponibilidade • Como veremos depois, a disponibilidade pode ser matematicamente definida de diversas formas, dependendo de como são medidos o tempo operacional e o tempo fora de serviço do sistema Por exemplo, a disponibilidade (média) de um sistema pode ser interpretada como a porcentagem do tempo que o mesmo está operacional Leva em conta tanto o tempo operacional do sistema, e o tempo fora de serviço (o downtime -‐ manutenibilidade). Definição de Disponibilidade Logo, risco pode ser expresso quantitativamente como: R = < Si , Pi , Ci > Onde: • Si é o cenário (evento) indesejado • Pi é a probabilidade de que o evento S vir a ocorrer • Ci são as consequências resultantes da ocorrência do evento S Análise de Riscos consiste em responder as seguintes perguntas: • O que pode acontecer de errado? • Qual a probabilidade disto vir a acontecer? • Se acontecer, quais são as consequências? • Qual é a nossa “confiança” nessas respostas ? Ou seja, quais são as incertezas Definição de Risco Referências • SANTOS, W. B. & DROGUETT, E. L. (2005) ANÁLISE PROBABILÍSTICA DE RISCOS VIA REDES BAYESIANAS: UMA APLICAÇÃO NA CONSTRUÇÃO DE POÇOS MULTILATERAIS. (Mestrado-‐Programa de Pós-‐graduação em Engenharia de Produção / UFPE). • MODARRES, M.; KAMINSKIY, M. & KRIVTSOV, V. (2013) – Reliability Engineering and Risk Analysis, New York. • DROGUETT, E.L. (2002) – Introdução a Confiabilidade e Riscos. Material de aula. Departamento de Engenharia de Produção – Centro de Tecnologia e Geociência, Universidade Federal de Pernambuco. 64 páginas. BASE MATEMÁTICA DA CONFIABILIDADE 2.1 Introdução 2.2 Elementos da Probabilidade 2.3 Características de uma V.A. 2.4 Distribuições de Probabilidade BASE MATEMÁTICA DA CONFIABILIDADE Discutimos os elementos da teoria matemática que são relevantes para o estudo da confiabilidade de componentes; Começamos com uma apresentação de conceitos básicos de probabilidade; Em seguida, considerar brevemente alguns conceitos fundamentais das estatísticas que são usados na análise de dados de confiabilidade; Introdução Conjunto: é uma coleção de itens ou elementos, cada um com algumas características específicas; Conjunto Universo: é um conjunto que inclui todos os itens de interesse é definido como conjunto universo (Ω). Subconjunto: refere-‐se a uma coleção de objetos que pertencem a um conjunto universo. Elementos da Probabilidade 22 Chapter 2 between subsets E, and E, and the universal set can be symbolized by E, c E, c Q. n Figure 2.1 Venn diagram. The complement of a set E, denoted by, f? and called E not, is the set of all items (or more specifically events) in the universal set that do not belong to set E. In Fig. 2.1, the nonshaded area outside of the set E, bounded by the rectangle represents E, . It is clear that sets E, and E, together comprise 0. The union of two sets, E, and E,, is a set that contains all items that belong to E, or E,. The union is symbolized either by E, U E, or E, + E,, and is read E, or E,. That is, the set E, U E, represents all elements that are in E,, E, or both E, and E,. The shaded area in Fig. 2.2 shows the union of sets E, and E,. I Figure 2.2 Union of two sets, E , and E, Suppose E, and E, represent positive odd and even numbers between 1 and 10, respectively. Then The union of these two sets is: Diagrama de Venn Por exemplo: Ω representa o conjunto de todas os motores do Metrô-‐JP; Os motores elétricos é um subconjunto E1. E2 pode representar os motores elétricos de um fabricante específico O diagrama de Venn na figura abaixo mostra o conjunto universo Ω, um retângulo, e subconjuntos de E1, e E2, por círculos. Também pode ser visto que E2, é um subconjunto de E1; Elementos da Probabilidade 22 Chapter 2 between subsets E, and E, and the universal set can be symbolized by E, c E, c Q. n Figure 2.1 Venn diagram. The complement of a set E, denoted by, f? and called E not, is the set of all items (or more specifically events) in the universal set that do not belong to set E. In Fig. 2.1, the nonshaded area outside of the set E, bounded by the rectangle represents E, . It is clear that sets E, and E, together comprise 0. The union of two sets, E, and E,, is a set that contains all items that belong to E, or E,. The union is symbolized either by E, U E, or E, + E,, and is read E, or E,. That is, the set E, U E, represents all elements that are in E,, E, or both E, and E,. The shaded area in Fig. 2.2 shows the union of sets E, and E,. I Figure 2.2 Union of two sets, E , and E, Suppose E, and E, represent positive odd and even numbers between 1 and 10, respectively. Then The union of these two sets is: Diagrama de Venn E2 E1 Ω Representação por Símbolo s Complemento: Denotado por Ē ou não-‐E, é o conjunto de todos os itens no conjunto universo que não pertencem ao conjunto E. Na figura abaixo a área não sombreada fora do conjunto E2, delimitada pelo retângulo, representa Ē2. Elementos da Probabilidade 22 Chapter 2 between subsets E, and E, and the universal set can be symbolized by E, c E, c Q. n Figure 2.1 Venn diagram. The complement of a set E, denoted by, f? and called E not, is the set of all items (or more specifically events) in the universal set that do not belong to set E. In Fig. 2.1, the nonshaded area outside of the set E, bounded by the rectangle represents E, . It is clear that sets E, and E, together comprise 0. The union of two sets, E, and E,, is a set that contains all items that belong to E, or E,. The union is symbolized either by E, U E, or E, + E,, and is read E, or E,. That is, the set E, U E, represents all elements that are in E,, E, or both E, and E,. The shaded area in Fig. 2.2 shows the union of sets E, and E,. I Figure 2.2 Union of two sets, E , and E, Suppose E, and E, represent positive odd and even numbers between 1 and 10, respectively. Then The union of these two sets is: Diagrama de Venn Uniãode Dois Conjuntos : A união é simbolizada tanto por E1 U E2, ou E1 + E2, e é lido E1 ou E2. A área sombreada na figura abaixo mostra a união dos conjuntos E1 e E2. Elementos da Probabilidade União de dois conjuntos, de E1 e E 2 22 Chapter 2 between subsets E, and E, and the universal set can be symbolized by E, c E, c Q. n Figure 2.1 Venn diagram. The complement of a set E, denoted by, f? and called E not, is the set of all items (or more specifically events) in the universal set that do not belong to set E. In Fig. 2.1, the nonshaded area outside of the set E, bounded by the rectangle represents E, . It is clear that sets E, and E, together comprise 0. The union of two sets, E, and E,, is a set that contains all items that belong to E, or E,. The union is symbolized either by E, U E, or E, + E,, and is read E, or E,. That is, the set E, U E, represents all elements that are in E,, E, or both E, and E,. The shaded area in Fig. 2.2 shows the union of sets E, and E,. I Figure 2.2 Union of two sets, E , and E, Suppose E, and E, represent positive odd and even numbers between 1 and 10, respectively. Then The union of these two sets is: Intersecção de Dois Conjuntos : A interseção de dois conjuntos, E1 e E2, é o conjunto de itens que são comuns entre os dois conjuntos; Este conjunto é simbolizado por E1 ⋂ E2 ou E1 . E2. É lido E1 e E2. Na Figura abaixo, a área sombreada representa a intersecção de E1 e E2. Elementos da Probabilidade Intersecção de dois conjuntos, de E1 e E2 Basic Reliability Mathematics 23 E , u E 2 = { 1 , 2 , 3 , 4 , 5 , 6 , 7 , 8 , 9 , 1 0 } or, if E , = { x, y , z } and E, = { x, t, z }, then Note that element x is in both sets E , and El. The intersection of two sets, E , and E,, is the set of items that are common to both E , and El. This set is symbolized by E , n E, or E, . E?, and is read E , and El. In Fig. 2.3, the shaded area represents the intersection of E , and E,. Figure 2.3 Intersection of two sets, E , and E,. Suppose E , is a set of manufactured devices that operate for t > 0 but fail prior to 1000 hours of operation. If set E, represents a set of devices that operate between 500 and 2000 hours, then E , n E, can be obtained as follows: E , = { t l O < t < 1000) E, = { t I 500 < t < 2000 } E , n E , = ( t 1 5 0 0 < t < l O O O ) Also, if sets E, = { x, y , z } and E. = { x, t, z }, then Note that the first two sets in this example represent “continuous” elements, and the second two sets represent “discrete” elements. This concept will be discussed in more detail further in this chapter. A null or empty set, 0, refers to a set that contains no items. One can easily see that the complement of a universal set is a null set, and vice versa. That is, Conjunto nulo ou vazio: refere-‐se a um conjunto que não contém itens. Pode-‐se facilmente ver que o complemento do conjunto universo é um conjunto nulo, e vice-‐versa; Dois conjuntos , E1 e E2, são mutualmente exclusivo ou disjuntos quando E1 ⋂ E2 = Ø. Elementos da Probabilidade Conjuntos mutuamente exclusivos, E1 e E2 24 Chapter 2 Two sets, E , and E,, are termed mutually exclusive or disjoint when E , n E, = 0. In this case, there are no elements common to E,and E,. Two mutually exclusive sets are illustrated in Fig. 2.4. ~~ ~ Figure 2.4 Mutually exclusive sets, E , and E,. From the discussions thus far, as well as from the examination of the Venn diagram, the following conclusions can be drawn: The intersection of set E and a null set is a null set: E n @ = @ The union of set E and a null set is E: E u @ = E The intersection of set E and the complement of E is a null set: E n E = Q ) The intersection of set E and a universal set is E: E n Q = E The union of set E and a universal set is the universal set: E u Q = Q The complement of the complement of set E is E: E = E The union of two identical sets E is E: (2.4) (2.7) Álgebra Booleana Elementos da Probabilidade Exercício: Simplificar a expressão abaixo Elementos da Probabilidade [ !⋂! ∪ !⋂! ∪ !⋂! ]! Evento Aleatório (ou simplesmente evento): é a combinação de vários elementos do espaço amostral; Na Teoria da Probabilidade, os elementos compõem um conjunto são resultados de um experimento. Assim, o conjunto universo Ω representa a lista de todos os possíveis resultados de um experimento e é chamado de espaço de amostral do experimento. Elementos da Probabilidade Exemplo 1: Experimento: “jogar um dado” Espaço amostral: {1, 2, 3, 4, 5, 6} Evento: “obter um número ímpar ao jogar um dado” Este evento é subconjunto do espaço amostral com elementos {1, 3, 5}; Exemplo 2: Experimento: “partida de uma bomba” Espaço amostral: {Funiona, Falha} Evento: “falha da bomba na partida” Elementos da Probabilidade A cada evento aleatório E está associada uma probabilidade P(E) de ocorrência deste evento: NE é o número de elementos no conjunto E, ou seja, o número de resultados favoráveis ao evento E; N é o número de elementos resultados possíveis; Elementos da Probabilidade Confiabilidade e Análise de Risco Enrique López Droguett -2- “falha da bomba na partida”. Note que “falha da bomba na partida” é um subconjunto do experimento “partida da bomba” Tem-se que “falha da bomba na partida” é um evento Este evento possui como único resultado favorável dentre os possíveis no espaço amostral o elemento “falhar” Assim, os elementos que compõem um conjunto são considerados como os possíveis resultados de um experimento Conjunto Universo (S) é uma coleção de todos os possíveis elementos em um experimento Espaço Amostral é este conjunto de todos os possíveis resultados (elementos) de um experimento Os elementos do espaço amostral são mutuamente exclusivos: Dois elementos quaisquer do espaço amostral não podem ocorrer ao mesmo tempo Por exemplo, no caso da partida da bomba, a mesma não pode funcionar e falhar simultaneamente! Evento Aleatório (ou simplesmente evento) é a combinação de vários elementos do espaço amostral Exemplo 1: Experimento: “jogar um dado” Espaço amostral: {1, 2, 3, 4, 5, 6} Evento: “obter um número ímpar ao jogar um dado” Este evento representa um subconjunto do espaço amostral com elementos {1, 3, 5} Exemplo 2: Experimento: “partida de uma bomba” Espaço amostral: {Funiona, Falha} Evento: “falha da bomba na partida” A cada evento aleatório E está associada uma probabilidade P(E) de ocorrência deste evento: P E N N E( ) = onde, é o número de elementos no conjunto E, ou seja, o número de resultadosN E favoráveis ao evento E Axiomas da Probabilidade Dado em espaço amostral S e um evento E: 0 ≤ P(E) ≤ 1, para cada evento E ⊂ S. Assim: P(E) = 0 evento impossível (E nuncaocorre) P(E) = 1 evento com absoluta certeza de ocorrer (E sempre ocorre) Por exemplo: Se o evento E é a falha de um motor na partida, quanto mais próximo de 1 for o valor de P(E), mais provável é que a bomba venha a falhar na partida. Elementos da Probabilidade Axiomas da Probabilidade Sendo a P(E1 ∪ E2 ∪ … ∪ En) = P(E1) + P(E2)+ … +P(En), onde os eventos E1 , E2, … , En são mutuamente exclusivos (disjuntos), ou seja, dois eventos Ei , Ej quaisquer não ocorrem ao mesmo tempo; P(S) = 1, probabilidade do espaço amostral é iguala 1; Elementos da Probabilidade Eventos Independentes Dois eventos A e B são independentes se a ocorrência ou não de um deles não depende ou não altera a probabilidade de ocorrência do outro evento; Logo: P(A|B) = P(A) Onde P(A|B) é a probabilidade condicional, ou seja, a probabilidade de A dado que o evento B já ocorreu; Então, para dois eventos A e B independentes: P(A∩ B) = P(A).P(B) Elementos da Probabilidade Eventos Dependentes Quando dois eventos A e B são dependentes, a probabilidade de ocorrência ou não de um deles é alterada pela ocorrência ou não do outro evento: P(A|B)≠ P(A) Considere o diagrama a seguir: Elementos da Probabilidade Confiabilidade e Análise de Risco Enrique López Droguett -6- BABA Eventos Dependentes: Quando dois eventos A e B são dependentes, a probabilidade de ocorrência ou não de um deles é alterada pela ocorrência ou não do outro evento: P A B P A( | ) ( )≠ Considere o diagrama a seguir: Note que uma vez obtida a informação de que o evento B já ocorreu, a probabilidade de ocorrência de qualquer evento que não inclua B é zero Ou seja, o espaço amostral resultante fica agora reduzido aquele correspondente ao evento B. Logo, a probabilidade condicional é: P A B P A B P B ( | ) ( ) ( ) = ∩ E a probabilidade de ocorrência simultânea de A e B (interseção) é: P A B P A B P B( ) ( | ) ( )∩ = Assim: A probabilidade condicional pode ser interpretada comoP A B( | ) um espaço amostral reduzido no qual o evento B define o conjunto de todas as possíveis ocorrências (i.e., o espaço amostral reduzido) e a interseção representa os eventos em B queA B∩ também estão em A representa a percentagem de eventos de B que tambémP A B( | ) estão em A Exemplo 5: Quando dois componentes estão operando em paralelo, ambos devem falhar para implicar em falha do sistema. Veja a seguinte figura. Note que uma vez obtida a informação de que o evento B já ocorreu, a probabilidade de ocorrência de qualquer evento que não inclua B é zero; Ou seja, o espaço amostral resultante fica agora reduzido aquele correspondente ao evento B. Logo a probabilidade condicional é: Elementos da Probabilidade Confiabilidade e Análise de Risco Enrique López Droguett -6- BABA Eventos Dependentes: Quando dois eventos A e B são dependentes, a probabilidade de ocorrência ou não de um deles é alterada pela ocorrência ou não do outro evento: P A B P A( | ) ( )≠ Considere o diagrama a seguir: Note que uma vez obtida a informação de que o evento B já ocorreu, a probabilidade de ocorrência de qualquer evento que não inclua B é zero Ou seja, o espaço amostral resultante fica agora reduzido aquele correspondente ao evento B. Logo, a probabilidade condicional é: P A B P A B P B ( | ) ( ) ( ) = ∩ E a probabilidade de ocorrência simultânea de A e B (interseção) é: P A B P A B P B( ) ( | ) ( )∩ = Assim: A probabilidade condicional pode ser interpretada comoP A B( | ) um espaço amostral reduzido no qual o evento B define o conjunto de todas as possíveis ocorrências (i.e., o espaço amostral reduzido) e a interseção representa os eventos em B queA B∩ também estão em A representa a percentagem de eventos de B que tambémP A B( | ) estão em A Exemplo 5: Quando dois componentes estão operando em paralelo, ambos devem falhar para implicar em falha do sistema. Veja a seguinte figura. Confiabilidade e Análise de Risco Enrique López Droguett -6- BABA Eventos Dependentes: Quando dois eventos A e B são dependentes, a probabilidade de ocorrência ou não de um deles é alterada pela ocorrência ou não do outro evento: P A B P A( | ) ( )≠ Considere o diagrama a seguir: Note que uma vez obtida a informação de que o evento B já ocorreu, a probabilidade de ocorrência de qualquer evento que não inclua B é zero Ou seja, o espaço amostral resultante fica agora reduzido aquele correspondente ao evento B. Logo, a probabilidade condicional é: P A B P A B P B ( | ) ( ) ( ) = ∩ E a probabilidade de ocorrência simultânea de A e B (interseção) é: P A B P A B P B( ) ( | ) ( )∩ = Assim: A probabilidade condicional pode ser interpretada comoP A B( | ) um espaço amostral reduzido no qual o evento B define o conjunto de todas as possíveis ocorrências (i.e., o espaço amostral reduzido) e a interseção representa os eventos em B queA B∩ também estão em A representa a percentagem de eventos de B que tambémP A B( | ) estão em A Exemplo 5: Quando dois componentes estão operando em paralelo, ambos devem falhar para implicar em falha do sistema. Veja a seguinte figura. Confiabilidade e Análise de Risco Enrique López Droguett -6- BABA Eventos Dependentes: Quando dois eventos A e B são dependentes, a probabilidade de ocorrência ou não de um deles é alterada pela ocorrência ou não do outro evento: P A B P A( | ) ( )≠ Considere o diagrama a seguir: Note que uma vez obtida a informação de que o evento B já ocorreu, a probabilidade de ocorrência de qualquer evento que não inclua B é zero Ou seja, o espaço amostral resultante fica agora reduzido aquele correspondente ao evento B. Logo, a probabilidade condicional é: P A B P A B P B ( | ) ( ) ( ) = ∩ E a probabilidade de ocorrência simultânea de A e B (interseção) é: P A B P A B P B( ) ( | ) ( )∩ = Assim: A probabilidade condicional pode ser interpretada comoP A B( | ) um espaço amostral reduzido no qual o evento B define o conjunto de todas as possíveis ocorrências (i.e., o espaço amostral reduzido) e a interseção representa os eventos em B queA B∩ também estão em A representa a percentagem de eventos de B que tambémP A B( | ) estão em A Exemplo 5: Quando dois componentes estão operando em paralelo, ambos devem falhar para implicar em falha do sistema. Veja a seguinte figura. Exemplo Resolvido 2: Quando dois componentes estão operando em paralelo, ambos devem falhar para implicar em falha do sistema. Considere dois componentes idênticos operando em paralelo os quais dividem uma certa carga operacional. Se um dos componentes falha, a probabilidade de falha do outro componente aumenta como conseqüência do aumento do estress (carga operacional) sobre ele imposto. Elementos da Probabilidade Confiabilidade e Análise de Risco Enrique López Droguett -7- 1 2 Sistema BA Considere dois componentes idênticosoperando em paralelo os quais dividem uma certa carga operacional. Se um dos componentes falha, a probabilidade de falha do outro componente aumenta como conseqüência do aumento do estress (carga operacional) sobre ele imposto. Assim, sejam A o evento que componente 1 falha B o evento que componente 2 falha onde P A P B( ) ( ) .= = 0 05 P A B P B A( | ) ( | ) .= = 010 Então, a probabilidade de falha do sistema, ou seja, a probabilidade que ambos os componentes falhem é: P A B P A B P B x P A B ou seja ( ) ( | ) ( ) . . ( ) . . ∩ = = ∩ = 010 0 05 0 005 0 5% Exemplo 6 (Resolver): Um sistema em paralelo de dois componentes está em estado falho 3% do tempo. Componente 1 está em estado falho 8% do tempo, e componente 2 está em estado falho 6% do tempo. Quais são as probabilidades de falha do componente 1 uma vez que o componente 2 já falhou, e do componente 2 dado que o componente 1 falhou ? Probabilidade da União de Dois Eventos: Observe a seguinte figura representando a união de dois eventos A e B Uma vez que A e B não são mutuamente exclusivos, tem-se que e P A( ) P B( ) ambos incluem . Logo, deve ser excluída umaP A B( )∩ P A B( )∩ Exemplo Resolvido 2: Seja: A o evento que componente 1 falha; B o evento que componente 2 falha. P(A) = P(B) = 0,05 P(A|B) = P(B|A)= 0,10 Então, a probabilidade de falha do sistema, ou seja, a probabilidade que ambos os componentes falhem é: P(A∩ B) = P(A|B).P(B) = 0,10 . 0,05 P( A ∩ B) = 0.005 ou seja 0,5% Elementos da Probabilidade Confiabilidade e Análise de Risco Enrique López Droguett -7- 1 2 Sistema BA Considere dois componentes idênticos operando em paralelo os quais dividem uma certa carga operacional. Se um dos componentes falha, a probabilidade de falha do outro componente aumenta como conseqüência do aumento do estress (carga operacional) sobre ele imposto. Assim, sejam A o evento que componente 1 falha B o evento que componente 2 falha onde P A P B( ) ( ) .= = 0 05 P A B P B A( | ) ( | ) .= = 010 Então, a probabilidade de falha do sistema, ou seja, a probabilidade que ambos os componentes falhem é: P A B P A B P B x P A B ou seja ( ) ( | ) ( ) . . ( ) . . ∩ = = ∩ = 010 0 05 0 005 0 5% Exemplo 6 (Resolver): Um sistema em paralelo de dois componentes está em estado falho 3% do tempo. Componente 1 está em estado falho 8% do tempo, e componente 2 está em estado falho 6% do tempo. Quais são as probabilidades de falha do componente 1 uma vez que o componente 2 já falhou, e do componente 2 dado que o componente 1 falhou ? Probabilidade da União de Dois Eventos: Observe a seguinte figura representando a união de dois eventos A e B Uma vez que A e B não são mutuamente exclusivos, tem-se que e P A( ) P B( ) ambos incluem . Logo, deve ser excluída umaP A B( )∩ P A B( )∩ Variáveis Aleatórias Considere as seguintes situações: Ao lançar dois dados, sabemos que a soma X dos dois números obtidos deve ser um inteiro entre 2 e 12, porém não podemos predizer com certeza qual valor de X será obtido; No popular, diz-‐se que cada valor possível de X tem uma “chance” de ocorrer; Da mesma forma, ao selecionar uma lâmpada fluorescente a partir de uma linha de produção nós não podemos predizer exatamente qual será a sua vida útil X, ou seja, quanto tempo a lâmpada irá operar antes de falhar. Caracterísca de uma V.A. Variável Aleatória é uma variável que pode assumir valores de acordo com determinadas probabilidades associadas a estes possíveis valores; Estas probabilidades formam a Distribuição de Probabilidade da variável aleatória X. Cada valor de X, ou um intervalo de valores de X, está associado a uma probabilidade. Caracterísca de uma V.A. Notação: Letras maiúsculas (X, Y, T) são usadas para representar uma variável aleatória (v.a.); Letra minúsculas são usadas para expressar os valores que a v.a. pode assumir. Por exemplo, se X é o número de vezes que um produto sai de especificação durante um determinado período de tempo t, então xi representa o número observado de vezes que o produto saiu de especificação; Caracterísca de uma V.A. Tipos de Variáveis Aleatórias: Discretas: Quando os valores (possíveis resultados) que podemser assumidos pela v.a. são contáveis. Ocorrem em experimentos nos quais nós contamos. Exemplos: Número de carros em uma rua; Falhas na partida de uma bomba; Caracterísca de uma V.A. Tipos de Variáveis Aleatórias: Contínuas: Ocorre em experimentos nos quais nós medimos; Exemplos: Voltagem elétrica; Pressão sanguinea; Tempo de reparo de uma bomba; Caracterísca de uma V.A. Distribuição Uniforme A distribuição uniforme é um dos modelos discretos mais simples; Ela descreve uma variável aleatória com um número finito de valores inteiros de a a b; Isto é, a distribuição inteira depende somente de dois parâmetros a e b. Cada valor é igualmente provável. Distribuições de Probabilidade -‐ Discreta Distribuição Uniforme Parâmetros: a = Limite Inferior b = Limite Superior Distribuições de Probabilidade -‐ Discreta Distribuição Uniforme Distribuições de Probabilidade -‐ Discreta Distribuição Benoulli Um experimento aleatório que tem somente dois resultados possíveis; Denominamos um dos eventos de “sucesso” (denotado X = 1) e o outro de “fracasso” (denotado X = 0); A probabilidade de sucesso é denotada por π; A probabilidade de fracasso é 1 – π; As probabilidades somam 1, isto é, P(0) + P(1) = (1 – π) + π = 1. Distribuições de Probabilidade -‐ Discreta Distribuição Benoulli Distribuições de Probabilidade -‐ Discreta Distribuição Binomial A distribuição binomial ocorre quando um ensaio de Bernoulli é repetido n vezes. Cada ensaio de Bernoulli é independente e a probabilidade de sucesso π permanece constante em cada ensaio. Em um experimento binomial, estamos interessados em: X = O número de sucesso em n ensaios, tal que a variável aleatória binomial X seja a soma de n variáveis aleatórias Xi de Bernoulli independentes: X = X1 + X2 + ... + Xn Distribuiçõesde Probabilidade -‐ Discreta Distribuição Binomial Distribuições de Probabilidade -‐ Discreta Distribuição de Poisson O modelo assume que os eventos de interesse são uniformemente dispersas ao acaso em um tempo ou espaço, com alguma intensidade constante, λ. Por exemplo, V.A. X pode representar o número de falhas observadas no processo de uma planta por ano (domínio de tempo); O número de barras que chegam a uma dada estação por hora (domínio de tempo), se eles chegam aleatoriamente e de forma independente no tempo; Ele também pode representar o número de fissuras por unidade de área de uma folha de metal (domínio espacial); Distribuições de Probabilidade -‐ Discreta Distribuição de Poisson Distribuições de Probabilidade -‐ Discreta Distribuição Normal A distribuição normal de probabilidade é definida por dois parâmetros, μ e σ. Ela é frequentemente denotada por N(μ; σ). O domínio de uma variável aleatória normal é −∞ < x < +∞. Distribuições de Probabilidade -‐ Conhnuas Distribuição Normal Distribuições de Probabilidade -‐ Discreta Basic Reliability Mathematics 51 p = o U = 0.5 . 4 t - -5 -4 -3 -2 -1 0 1 2 3 4 5 ~~ ~ ~ Figure 2.5 Normal distribution. The integral cannot be evaluated in a closed form, so the numerical integration and tabulation of normal cdf are required. However, it would be impractical to provide a separate table for every conceivable value of p and 0. One way to get around this difficulty is to use the transformation of the normal pdf to the so-called standard normal pdf which has a mean of zero (p = 0) and a standard deviation of 1 (0 = 1). This can be achieved by means of the r.v. transformation 2, such that (2.43) That is, whenever r.v. T takes on a value t , the corresponding value of r.v. 2 is given by z = (t - p)/a. Therefore, if Ttakes on values t = t , or t = tz, the r.v. 2 takes on values z , = (t, - p)a, and z2 = (t2 - p)/a. Based on this transformation, we can write Distribuição LogNormal Uma V.A. definida positivamente é distribuída de forma lognormal, se seu logaritmo é distribuído normalmente. A distribuição lognormal tem aplicações consideráveis em engenharia. Uma aplicação importante desta distribuição é a de representar uma variável aleatória, que é o resultado da multiplicação de muitas variáveis aleatórias independentes. Distribuições de Probabilidade -‐ Conhnuas Distribuição LogNormal Distribuições de Probabilidade -‐ Discreta Basic Reliability Mathematics 53 PI-(-" < T < 0) = Pr(-w < 2 = - 1700/280 = -6.07) = 6.42 x 10"" which can be considered as negligible. So, finally, one can write Pr(-a < T < 1000) = Pr(0 < T < 1000) = Pr(-a < Z < -2.5) = 0.0062 L ognorma I Distribution A positively defined random variable is said to be lognormally distributed if its logarithm is normally distributed. The lognormal distribution has considerable applications in engineering. One major application of this distribution is to represent a random variable that is the result of multiplication of many independent random variables. If T is a normally distributed r.v., the transformation Y = exp(T) transforms the normal pdf representing r.v. T with mean p, and standard deviation U, to a lognormal pdf,&), which is given by 2.0 1.8 1.6 1.4 1.2 1 .o 0.8 0.6 0.4 0.2 0.0 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 Figure 2.6 Lognormal distribution. Basic Reliability Mathematics 53 PI-(-" < T < 0) = Pr(-w < 2 = - 1700/280 = -6.07) = 6.42 x 10"" which can be considered as negligible. So, finally, one can write Pr(-a < T < 1000) = Pr(0 < T < 1000) = Pr(-a < Z < -2.5) = 0.0062 L ognorma I Distribution A positively defined random variable is said to be lognormally distributed if its logarithm is normally distributed. The lognormal distribution has considerable applications in engineering. One major application of this distribution is to represent a random variable that is the result of multiplication of many independent random variables. If T is a normally distributed r.v., the transformation Y = exp(T) transforms the normal pdf representing r.v. T with mean p, and standard deviation U, to a lognormal pdf,&), which is given by 2.0 1.8 1.6 1.4 1.2 1 .o 0.8 0.6 0.4 0.2 0.0 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 Figure 2.6 Lognormal distribution. Distribuição Exponencial Essa distribuição foi historicamente a primeira distribuição usada como um modelo de distribuição do tempo até a falha, e ainda é o mais utilizado em problemas de confiabilidade. A distribuição tem somente um parâmetro na PDF; Distribuições de Probabilidade -‐ Conhnuas Distribuição Exponencial Distribuições de Probabilidade -‐ Discreta Basic Reliability Mathematics 55 From (2.47) and (2.48), p, and o, can also be determined in terms of pl and ol. (2.49) (2.50) Exponential Distribution This distribution was historically the first distribution used as a model of time-to-failure distribution, and it is still the most widely used in reliability problems. The distribution has one-parameter pdf given by (2.5 I ) Figure 2.7 Exponential distribution. Figure 2.7 illustrates the exponential pdf. In reliability engineering applications, the parameter A is referred to as the failure rate. This notion is introduced in Basic Reliability Mathematics 55 From (2.47) and (2.48), p, and o, can also be determined in terms of pl and ol. (2.49) (2.50) Exponential Distribution This distribution was historically the first distribution used as a model of time-to-failure distribution, and it is still the most widely used in reliability problems. The distribution has one-parameter pdf given by (2.5 I ) Figure 2.7 Exponential distribution. Figure 2.7 illustrates the exponential pdf. In reliability engineering applications, the parameter A is referred to as the failure rate. This notion is introduced in Distribuição Weibull Esta distribuição é amplamente usado para representar o tempo até a falha ou a duração de vida dos componentes, bem como sistemas; A V.A. contínua T representa o tempo até a falha segue uma distribuição Weibull se o seu pdf é dado por: Distribuições de Probabilidade -‐ Conhnuas Distribuição Weibull Distribuições de Probabilidade -‐ Discreta Basic Reliability Mathematics 57 (2 .52) L 0, otherwise Figure 2.8 shows the Weibull pdf‘s with various values of parameters of a and (3. A careful inspection of these graphs reveals that the parameter (3 determines the shape of the distribution pdf. Therefore, p is referred to as the shape parameter. The parameter a, on the other hand, controls the scale of the distribution. For this reason, a is referred to as the scale parameter. In the case when p = 1, the Weibull distribution is reduced to the exponential distribution with A = l /a , so the exponentialdistribution is a particular case of the Weibull distribution. For the values of p > 1, the distribution becomes bell-shaped with some skew. We will elaborate on this distribution and its use in reliability analysis, further in Chapter 3. Figure 2.8 Weibull distribution. Basic Reliability Mathematics 57 (2 .52) L 0, otherwise Figure 2.8 shows the Weibull pdf‘s with various values of parameters of a and (3. A careful inspection of these graphs reveals that the parameter (3 determines the shape of the distribution pdf. Therefore, p is referred to as the shape parameter. The parameter a, on the other hand, controls the scale of the distribution. For this reason, a is referred to as the scale parameter. In the case when p = 1, the Weibull distribution is reduced to the exponential distribution with A = l /a , so the exponential distribution is a particular case of the Weibull distribution. For the values of p > 1, the distribution becomes bell-shaped with some skew. We will elaborate on this distribution and its use in reliability analysis, further in Chapter 3. Figure 2.8 Weibull distribution. Referências • DROGUETT, E.L. (2002) – Elementos de Probabilidade e EstaGsHca Aplicados a Análise de Confiabilidade e Risco. Material de aula. Departamento de Engenharia de Produção – Centro de Tecnologia e Geociência, Universidade Federal de Pernambuco. 21 páginas. • MODARRES, M.; KAMINSKIY, M. & KRIVTSOV, V. (2013) – Reliability Engineering and Risk Analysis, New York. • P., DOANE, D., SEWARD, E.. EstaGsHca Aplicada à Administração e Economia, 4th EdiHon. AMGH, 01/2014. VitalBook file. ELEMENTOS DA CONFIABILIDADE DE COMPONENTES 3.1 Denifinção de Componentes vs Sistema Não Reparáveis 3.2 Conceito de Confiabilidade 3.3 Definição de Taxa de Falha 3.4 Definição de Confiabilidade Condicional 3.3 Distribuições Confiabilidade mais Comuns ELEMENTOS DA CONFIABLIDADE DE COMPONENTES Sistema é um conjunto de dois ou mais componentes interconectados para a realização de uma ou mais funções; A distinção entre sistema, subsistema e componente é meramente por conveniência de modelagem e determinada, muitas vezes na prática, pelo nível de detalhamento desejado assim como pelo nível de informação (dados de falha, manutenção, etc) que se tem a disposição. Veja a seguinte ilustração. Componentes vs Sistemas Não Reparáveis Componente ou Sistema Não Reparável: É aquele que está operando em t = 0 (início do período de observação) e que continua em serviço até o tempo de falha em T = t; Ao ocorrer uma falha, nós não consideramos a possibilidade de o mesmo ser reparado e colocado novamente em operação Assim, pode-‐se considerar que um componente não reparável é aquele que é descartado ou substituído por um novo componente quando o mesmo falha: A “manutenção” de um sistema Não Reparável compreende em sua completa substituição por um novo componente Componentes vs Sistemas Não Reparáveis Componente ou Sistema Não Reparável: A confiabilidade de sistemas/componentes não reparáveis é analisada através da distribuição do tempo de falha; Esta distribuição pode ser representada pela função de densidade de probabilidade (PDF), função de distribuição acumulada (CDF), ou taxa de falha: Exemplos: Lâmpadas Transistores Alguns tipos de satélites não passíveis de manutenção Componentes vs Sistemas Não Reparáveis Componente ou Sistema Reparável: • É aquele que após falhar é colocado novamente em operação através de qualquer procedimento que não seja a completa substituição do mesmo -‐ É passível de manutenção -‐ Sofre reparo Utilizaremos o termo componente para nos referirmos ao item a ser analisado Componentes vs Sistemas Não Reparáveis Confiabilidade, é definida como a probabilidade R(t) que um sistema (componente) irá funcionar durante algum período de tempo t; Sendo T a variável aleatória contínua que expressa o tempo de falha do componente, T ≥ 0 , a Função de Confiabilidade, R(t) , pode ser expressa como: Onde t é o instante final do período durante o qual o componente é observado, é o tempo de missão do mesmo; O componente falha em t ou após t; Conceito de Confiabilidade A função de confiabilidade, R(t) , deve satisfazer três condições: Conceito de Confiabilidade A função de confiabilidade pode ser interpretada de duas formas: • R(t) é a probabilidade que um determinado componente esteja operando em t; • Se observarmos um conjunto dos mesmos componentes, R(t) é a fração esperada da população que está operacional em t. Conceito de Confiabilidade Como R2(t) > R1(t) para todo 0 ≤ t ≤ +∞ , pode-‐se dizer que equipamentos feitos por fabricante 2, são superiores do que os feitos pelo fabricante 1 quanto a confiabilidade; • A função de confiabilidade pode ser usada para comparar o comportamento de diversos componentes: • Por exemplo, considere dois componentes iguais produzidos por diferentes fabricantes, cujas curvas de confiabilidade são mostradas a seguir: Conceito de Confiabilidade • A Função de Distribuição Acumulada é definida como Logo, Conceito de Confiabilidade Corresponde a probabilidade que o componente falhe antes de t. Note que: F(t) é Monotonicamente crescente Conceito de Confiabilidade • A Função de Densidade de Probabilidade é definida por: • A PDF descreve a forma da distribuição do tempo de falha; • É a representação “visual” da distribuição do tempo de falha. • As propriedades da PDF são: Conceito de Confiabilidade • Tendo-‐se a f(t), podemos obter R(t) e F(t): • Probabilidade de Falha F(t): • Integrando, • Resultando em: Conceito de Confiabilidade • Tendo-‐sea f(t), podemos obter R(t) e F(t): • Função Confiabilidade: • Integrando, • Resultando em: Conceito de Confiabilidade • F(to) é a probabilidade de falha antes de to; • R(to) é a probabilidade de que a falha ocorra após ou em to; Assim, se observarmos uma população dos mesmos componentes: • F(to) corresponde à fração de componentes que falharão antes de to, • R(to) é a fração de componentes que irão falhar após ou em to; Conceito de Confiabilidade • A probabilidade de que uma falha ocorra entre os instantes T = t1 e T = t2, ou seja, dentro do intervalo de tempo [t1, t2] é dada por: • O que resulta em: Conceito de Confiabilidade • Exercício 1: Dada a seguinte função de densidade de probabilidade para o tempo de falha (em horas de operação) de um compressor, a. Qual é a confiabilidade para uma missão de 100 horas? b. Qual é a probabilidade de falha deste compressor entre 10 e 100 horas? Conceito de Confiabilidade • O Tempo Médio de Falha (MTTF – Mean Time To Failure) é definido por • Corresponde a média, ou valor esperado, da distribuição de probabilidade do tempo de falha T; Outra forma de calcular o MTTF: • A qual é uma expressão mais fácil de aplicar na prática do que a anterior. Conceito de Confiabilidade Outras medidas de tendência central da Distribuição do Tempo de Falha • A média, MTTF, do tempo de falha de um componente é apenas uma das possíveis medidas de tendência central da distribuição de T . • Outras medidas são também usadas em análise de confiabilidade; Conceito de Confiabilidade Outras medidas de tendência central da Distribuição do Tempo de Falha Mediana: • A mediana do tempo de falha T de um componente é definida como: • Equivalentemente, para uma população de componentes, tem-‐se 50% das falhas ocorrendo antes da mediana de T, e 50% das falhas acontecendo após T; Na prática, a mediana tmed é preferível à média (MTTF), quando a distribuição de T é altamente não simétrica (a distribuição é “skewed”) Conceito de Confiabilidade Outras medidas de tendência central da Distribuição do Tempo de Falha Moda: • tmod equivale ao máximo da função de densidade de probabilidade (PDF); • Portanto, para um intervalo de tempo em torno da moda tmod, a probabilidade de falha será maior neste intervalo do que para qualquer outro intervalo de tempo do mesmo tamanho. Conceito de Confiabilidade Outras medidas de tendência central da Distribuição do Tempo de Falha Observe no gráfico da densidade de probabilidade (PDF) as posições relativas entre o MTTF, tmed e tmod Conceito de Confiabilidade Outras medidas de tendência central da Distribuição do Tempo de Falha Conceito de Confiabilidade Relação da simetria da PDF e o comportamento do MTTF, tmed e tmod Outras medidas de tendência central da Distribuição do Tempo de Falha Exerçicio 2 • Considere a seguinte PDF: com t em horas. Determine: a. A função de confiabilidade; b. O MTTF; c. A mediana t do tempo de falha; Conceito de Confiabilidade Outras medidas de tendência central da Distribuição do Tempo de Falha Importante!!: • Mesmo que dois componentes possuam o mesmo MTTF, as suas confiabilidades podem ser bem distintas para o mesmo tempo operacional! • Veja o exemplo a seguir; Conceito de Confiabilidade Exercício 3: com MTTF1 = 500h . • Considere agora que temos um segundo componente cuja confiabilidade é fornecida pela seguinte expressão: onde MTTF2 = 500 h. • Ou seja, ambos os componente possuem tempos médios de falha iguais: MTTF1 = MTTF2 . Conceito de Confiabilidade Exercício 3: Porém, para T = 400 h : • Resultando em níveis de confiabilidade substancialmente diferentes para os componentes em um mesmo período de operação! Conceito de Confiabilidade Observe a variação da confiabilidade no tempo para ambos os componentes • Logo, o MTTF por si só não caracteriza completamente a distribuição do tempo de falha; • Outras medidas são necessárias, como a variância; Conceito de Confiabilidade Variância: • Como vimos, a variância é uma medida de dispersão dos tempos de falha em torno do MTTF (média): • A variância também pode ser dada como: Conceito de Confiabilidade Desvio Padrão: • Corresponde a raiz quadrada da variância: • É mais fácil de interpretar do que a variância σ2 uma vez que o desvio padrão σ possui a mesma dimensão (unidade) do tempo de falha T; Conceito de Confiabilidade Taxa de Falha ou Força de Mortalidade Instantânea, h(t): • É a probabilidade de falha por unidade de tempo do componente (ou sistema) uma vez que o mesmo tenha operado até o instante t : • Ou seja, a taxa de falha é a probabilidade condicional de falha por unidade de tempo (instantânea) dado que o componente (ou sistema) já tenha operado até o instante t; Conceito de Confiabilidade Taxa de Falha Acumulada, H(t): • Corresponde a taxa de falha acumulada durante um período de tempo t , i.e., [0, t] § H(t) tem as seguintes propriedades: Conceito de Confiabilidade Curva da Banheira • A forma
Compartilhar