Manutenção

Aplica c ao de T ecnicas de Otimiza c ao ` a Engenharia de Conabilidade
Este exemplar corresponde ` a reda c ao nal da Disserta c ao devidamente corrigida e defendida por Marcia de Fatima Platilha Salgado e aprovada pela Banca Examinadora.
Belo Horizonte, 28 de mar co de 2008.
Prof. Benjamim Rodrigues de Menezes (Orientador)
Prof. Walmir Matos Caminhas (Co-orientador)
Disserta c ao apresentada ao Programa de P osGradua c ao em Engenharia El etrica (PPGEE), UFMG, como requisito parcial para a obten c ao do t tulo de Mestre em Engenharia El etrica. i
Substitua pela cha catalogr aca (Esta p agina deve ser o verso da p agina anterior mesmo no caso em que n ao se imprime frente e verso, i. e., at e 100 p aginas.)
ii
Substitua pela folha com as assinaturas da banca
iii
Universidade Federal de Minas Gerais Escola de Engenharia Programa de P os-Gradua c ao em Engenharia El etrica
Aplica c ao de T ecnicas de Otimiza c ao ` a Engenharia de Conabilidade
Marcia de Fatima Platilha Salgado

Mar co de 2008
Banca Examinadora: Prof. Benjamim Rodrigues de Menezes (Orientador) Prof. Walmir Matos Caminhas (Co-orientador) Prof. Rodney Rezende Saldanha Carlos Henrique de Morais Bomm
Resumo
O presente trabalho busca apresentar de forma sucinta as t ecnicas tradicionais de modelagem e an alise de conabilidade e mantenabilidade para sistemas repar aveis e n ao-repar aveis. T ecnicas de Intelig encia Computacional s ao tamb em sucintamente analisadas e suas aplica c oes mais recentes ` a engenharia de conabilidade s ao relacionadas. Em termos de aplica c ao, buscou-se exemplicar a utiliza c ao de uma t ecnica de intelig encia computacional ao problema de Otimiza c ao de Conabilidade. Esta u ltima refere-se a uma area do conhecimento cujo interesse est a voltado para a escolha da arquitetura e dos componentes de um sistema de forma a atender requisitos tecnol ogicos, assim como mercadol ogicos. Sob a perspectiva da engenharia de conabilidade, o desempenho de sistemas pode ser medido em termos do Tempo M edio at e a Falha (MTTF - Mean Time To Failure ) no caso de sistemas n ao-repar aveis, ou em termos do Tempo M edio entre Falhas (MTBF - Mean Time Between Failures ), no caso de sistemas repar aveis. Sob a perspectiva da mantenabililidade, uma medida de interesse e o Tempo M edio para Reparar (MTTR - Mean Time to Repair ), aplic avel somente a sistemas repar aveis. A Disponibilidade (Availability ) e outra medida utilizada para avaliar o desempenho de sistemas repar aveis e que pode ser estimada a partir do MTBF e do MTTR. Uma vez que a medida de conabilidade, mantenabilidade e disponibilidade do sistema tenham sido especicadas, outras vari aveis de interesse podem tamb em ser consideradas, e.g., o investimento necess ario e os custos associados ao projeto e ` a manuten c ao do sistema. Tais medidas s ao obtidas por meio de um processo de modelagem e an alise de conabilidade e mantenabilidade e do custo do ciclo de vida. Uma vez que o sistema tenha sido modelado e as vari aveis de interesse tenham sido denidas, um problema de otimiza c ao pode ser formulado, i.e., objetivos e restri c oes s ao representados matematicamente. As caracter sticas do problema formulado e das fun c oes-objetivo e restri c oes vii
s ao estudadas para que t ecnicas de otimiza c ao mais adequadas sejam empregadas. Na pr atica, formula c oes multi-objetivo (multi-crit erio ou multi-atributo) s ao mais indicadas pois permitem a avalia c ao de aspectos que devem ser considerados simultaneamente em um processo decis orio, e.g., o n vel de desempenho do sistema deve ser balanceado frente aos custos envolvidos para obt e-lo (an alise custo-benef cio). O estudo de t ecnicas de otimiza c ao e extremamente importante ` as engenharias de conabilidade e mantenabilidade, uma vez que a busca por solu c oes fact veis com foco na maximiza c ao do desempenho e minimiza c ao dos custos associados a um sistema s ao metas intr nsecas ` as fun c oes desempenhados pelas engenharias de conabilidade e mantenabilidade. Os problemas de Otimiza c ao de Conabilidade s ao, em geral, denidos na forma de programa c ao n ao-linear mista-inteira. T ecnicas determin sticas n ao s ao ecientes na solu c ao dessa classe de problemas por estes serem de natureza combinat oria e, portanto, n ao podem ser resolvidos de maneira eciente em tempo polinomial por nenhum m etodo exato. Esse tipo de problema e conhecido na literatura como NP-dif cil (NP-Hard ). T ecnicas estoc asticas s ao mais indicadas nesses casos, o que motiva a aplica c ao de t ecnicas da Intelig encia Computacional.
viii
Abstract
This thesis aims to present Traditional as well as Computational Intelligence Based techniques for reliability modeling and analysis of repairable and non-repairable systems. The more recent applications of Computational Intelligence techniques to reliability engineering are briey presented. In order to demonstrate the applicability of Computational Intelligence to reliability optimization problems, evolutionary and immune algorithms are employed on the optimization of generic systems focusing on decision variables such as system design, components reliability and redundancy level besides the costs involved on those decisions. From the reliability engineering perspective systems performance can be measured in terms of Mean Time To Failure (MTTF) in case of non-repairable systems, or in terms of Mean Time Between Failures (MTBF) in case of repairable systems. From the maintainability engineering perspective, a measure of interest is the Mean Time To Repair (MTTR) which is applicable only to repairable systems. All of them are the mean values of probability distributions when stochastic models are employed. The Availability is another measure often used to evaluate repairable systems performance which can be estimated from the MTBF and the MTTR. Once system reliability, maintainability and availability measures have been specied, other variables of interest can also be considered such as investment or costs associated to the design and the maintenance strategies, or from a risk perspective, the failure losses. Such measures might be deduced through a reliability modeling and analysis process and from life cycle cost studies. Once one system has been modeled and the variables of interest have been dened, an optimization problem can formulated, i.e., objectives and constraints are represented mathematically. The characteristics of the objective and constraints functions are studied so that more suitable optimization techniques can be chosen. In practice, multi-objective formulations (multi-criteria or multi-attribute) are preferred ix
since they make possible to turn the decision-making process more accurate once simultaneous contradictory objectives are involved, e.g., the system performance level must be maximized while the involved costs must be minimized (cost-benet analysis). The study of optimization techniques is extremely important once the search for feasible solutions which maximize the performance and minimize the costs associated to a system are intrinsic goals of the reliability and maintainability engineering. Optimization problems are generally dened in the form nonlinear mixed-integer programming. Deterministic techniques are not ecient on solving this class of problems since they are combinatorial what make dicult to eectively solve them in polynomial-time by none of exact methods. This type of problem is known in the literature as NP-hard (nondeterministic polynomial-time hard). Stochastic techniques are more suitable in these cases, what motivates the use of Computational Intelligence techniques.
Dedicat oria
Para meu esposo Marconi, por todo seu amor.
xi
Agradecimentos
Agrade co a Deus por me guiar em todos os momentos e ter me dado a oportunidade de realizar um sonho h a muito sonhado. Meus agradecimentos ao Prof. Jos e Martins de Godoy por sua compreens ao e apoio ` a minha dedica c ao parcial ` as atividades de consultoria no Instituto de Desenvolvimento Gerencial (INDG). Ao amigo Carlos Alberto Scapin pela motiva c ao aos meus primeiros passos na Engenharia de Conabilidade e por seus exemplos, sempre muito esclarecedores, fruto de sua vasta experi encia pr atica. Aos amigos e orientadores Prof. Benjamim Rodrigues de Menezes e Prof. Walmir Matos Caminhas pela orienta c ao e por acreditarem no potencial de contribui c ao desse trabalho. Aos amigos Adriano Chaves Lisboa e Prof. Rodney Rezende Saldanha pela otima parceria no desenvolvimento da aplica c ao de conceitos e t ecnicas da Otimiza c ao de Conabilidade. Meus agradecimentos aos demais professores do PPGEE e amigos do Laborat orio de Intelig encia Computacional. Obrigada.
xiii
Sum ario
Resumo Abstract Dedicat oria Agradecimentos 1 Introdu c ao 2 Conceitos B asicos 2.1 2.2 2.3 2.4 2.5 2.6 2.7 Sistemas, Modelos e Incerteza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Falhas, Modos e Mecanismos de Falha . . . . . . . . . . . . . . . . . . . . . . . . Manuten c ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Conabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Mantenabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Disponibilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Sistemas Repar aveis e N ao-Repar aveis . . . . . . . . . . . . . . . . . . . . . . . . vii ix xi xiii 1 13 13 16 17 18 19 20 22 25 28 28 29 32
3 Modelagem de Conabilidade 3.1 Modelagem de Sistemas N ao-Repar aveis . . . . . . . . . . . . . . . . . . . . . . . 3.1.1 3.1.2 3.2 T ecnicas N ao-Param etricas . . . . . . . . . . . . . . . . . . . . . . . . . . T ecnicas Param etricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Modelagem de Sistemas Repar aveis . . . . . . . . . . . . . . . . . . . . . . . . . . xv
3.2.1 3.2.2 3.3
T ecnicas N ao-Param etricas . . . . . . . . . . . . . . . . . . . . . . . . . . T ecnicas Param etricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
35 35 36 37 38 38 38 38 39 40 41 41 42 44 45 46 47 51 55 55 57 59 59 65 66 69 71
Estima c ao de Par ametros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3.1 3.3.2 Estimador de M axima Verossimilhan ca MLE . . . . . . . . . . . . . . . Estimador de M nimos Quadrados LSE . . . . . . . . . . . . . . . . . .
3.4
Valida c ao de Modelos - Testes de Adequa c ao . . . . . . . . . . . . . . . . . . . . 3.4.1 T ecnicas Gr acas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4.1.1 3.4.1.2 3.4.2 Para Sistemas N ao-Repar aveis . . . . . . . . . . . . . . . . . . . Para Sistemas Repar aveis . . . . . . . . . . . . . . . . . . . . . .
Testes Estat sticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4 T ecnicas de Modelagem baseadas em Intelig encia Computacional 4.1 4.2 4.3 4.4 4.5 Redes Neurais Articiais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Computa c ao Evolucion aria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Intelig encia de Popula c ao (Swarm Intelligence ) . . . . . . . . . . . . . . . . . . . Sistemas Nebulosos (Fuzzy Systems ) . . . . . . . . . . . . . . . . . . . . . . . . . Sistemas Imunol ogicos Articiais (Articial Immune Systems ) . . . . . . . . . . .
5 Otimiza c ao de Conabilidade 5.1 Problemas de Otimiza c ao - Formula c ao Mono-objetivo . . . . . . . . . . . . . . . 5.1.1 5.1.2 5.1.3 5.1.4 5.2 5.3 5.4 Algoritmo gen etico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Algoritmo imune . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Algoritmo elipsoidal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Tratamento de restri c oes . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Resultados - Formula c ao Mono-objetivo . . . . . . . . . . . . . . . . . . . . . . . Problemas de Otimiza c ao - Formula c ao Multi-objetivo . . . . . . . . . . . . . . . Resultados - Formula c ao Multi-objetivo . . . . . . . . . . . . . . . . . . . . . . .
6 Conclus oes e Propostas de Continuidade A Probabilidade e Processos Estoc asticos xvi
A.0.1 Deni c oes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . A.0.2 Fun c oes de Distribui c ao de Probabilidade . . . . . . . . . . . . . . . . . . B Modelagem e An alise de Conabilidade Sist emica B.1 Diagramas de Bloco de Conabilidade - RBD (Reliability Block Diagram ) . . . . B.1.1 Congura c ao S erie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . B.1.2 Congura c ao Paralela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . B.1.3 Congura c ao S erie-Paralela . . . . . . . . . . . . . . . . . . . . . . . . . . B.1.4 Congura c ao Paralelo-s erie . . . . . . . . . . . . . . . . . . . . . . . . . . B.1.5 Congura c ao k-de-n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . B.1.6 Sistemas Redundantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . B.1.7 Congura c ao Complexa . . . . . . . . . . . . . . . . . . . . . . . . . . . . B.1.7.1 B.1.7.2 B.1.7.3 M etodo de Redu c ao . . . . . . . . . . . . . . . . . . . . . . . . . M etodo da Decomposi c ao . . . . . . . . . . . . . . . . . . . . . . M etodo de Conjunto de Cortes M nimos . . . . . . . . . . . . . .
71 72 75 75 76 76 78 79 80 80 82 82 84 87
B.2 An alise dos Modos e Efeitos de Falha - FMEA (Failure Mode and Eect Analysis ) 88 B.3 An alise de Arvore de Falhas - FTA (Fault Tree Analysis ) . . . . . . . . . . . . . B.4 Cadeias de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . B.5 Redes Petri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . B.6 Redes Bayesianas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . B.7 Simula c ao de Monte Carlo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Refer encias Bibliogr acas 89 91 91 91 92 6
xvii
Lista de Tabelas
5.1 5.2 5.3 5.4 5.5 Par ametros para as inst ancias de congura c ao s erie e complexa. . . . . . . . . . . Par ametros para a inst ancia de congura c ao s erie-paralela. . . . . . . . . . . . . Melhores resultados da otimiza c ao do sistema s erie. . . . . . . . . . . . . . . . . . Melhores resultados da otimiza c ao do sistema s erie-paralelo. . . . . . . . . . . . . Melhores resultados da otimiza c ao do sistema complexo. . . . . . . . . . . . . . . 60 60 61 62 63
xix
Lista de Figuras
1.1 1.2 2.1 3.1 3.2 Vis ao geral da engenharia de sistemas. . . . . . . . . . . . . . . . . . . . . . . . . Problemas de interesse na Engenharia de Conabilidade Mantenabilidade. . . . . Modelos de representa c ao da incerteza. . . . . . . . . . . . . . . . . . . . . . . . . Fluxograma gen erico para modelagem e an alise matem atica de sistemas . . . . . Estimativa de Conabilidade utilizando estimador de Kaplan-Meier para dados de falha gerados aleatoriamente segundo uma distribui c ao exponencial. Para a estimativa, utilizou-se a fun c ao ecdf(.) do Statistical Toolbox do Matlab R . . . . 3.3 Exemplo de MCF para dados de falha de um sistema repar avel. A MCF foi obtida utilizando-se o pacote estat stico Minitab R 15.1.1.0. . . . . . . . . . . . . . . . . 5.1 5.2 5.3 5.4 Sistema s erie gen erico com cinco sub-sistemas. . . . . . . . . . . . . . . . . . . . 36 51 51 52 29 2 6 15 27
Sistema s erie-paralelo gen erico com cinco sub-sistemas. . . . . . . . . . . . . . . . Sistema complexo (ponte) com cinco sub-sistemas. . . . . . . . . . . . . . . . . . Sistema equivalente para o sistema s erie quando um componente redundante e alocado em cada um de seus sub-sistemas e possui conabilidade ri igual ao componente original do sub-sistema. . . . . . . . . . . . . . . . . . . . . . . . . . . .
53 56 56 58
5.5 5.6 5.7 5.8
Estrutura b asica do algoritmo gen etico (Ashlock, 2005). . . . . . . . . . . . . . . Estrutura b asica do algoritmo imune (de Castro and Zuben, 2002). . . . . . . . . Atualiza c ao iterativa de uma elipse com o corte de um semiplano. . . . . . . . . . An alise estat stica de 200 resultados do GA (acima) e do IA (abaixo) para o problema s erie. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xxi
61
5.9
An alise estat stica de 200 resultados do GA (acima) e do IA (abaixo) para o problema s erie-paralelo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
5.10 An alise estat stica de 200 resultados do GA (acima) e do IA (abaixo) para o problema complexo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.11 Impacto da conabilidade de componentes na conabilidade de sistemas s erie. . . 5.12 Nova arquitetura para o sistema s erie. . . . . . . . . . . . . . . . . . . . . . . . . 5.13 Curva Pareto- otimo para conabilidade e custo do sistema s erie . . . . . . . . . . 5.14 Curva Pareto- otimo para conabilidade e custo do sistema s erie-paralelo . . . . . 5.15 Curva Pareto- otimo para conabilidade e custo do sistema complexo . . . . . . . A.1 Modelos probabil sticos e par ametros usualmente empregados em estudos de Conabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . B.1 Sistema s erie gen erico com m componentes . . . . . . . . . . . . . . . . . . . . . B.2 Sistema paralelo gen erico com n sub-sistemas ou componentes . . . . . . . . . . . B.3 Sistema s erie-paralelo gen erico com m sub-sistemas em s erie consistindo em mi (i = 1, 2, ...n) componentes em paralelo. . . . . . . . . . . . . . . . . . . . . . . . B.4 Sistema paralelo-s erie gen erico com m sub-sistemas em paralelo consistindo em ni (i = 1, 2, ...m) componentes em s erie. . . . . . . . . . . . . . . . . . . . . . . . B.5 Sistema redundante com n componentes e sub-sistema de chaveamento S - Cold Standby . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . B.6 Sistema complexo gen erico com 7 sub-sistemas . . . . . . . . . . . . . . . . . . . B.7 Sistema equivalente para B.6,sendo RA = 1 (1 R4 )(1 R5 ) e RB = R2 R3 . . . B.8 Sistema equivalente para B.7,sendo RC = RA R6 . . . . . . . . . . . . . . . . . . . B.9 Sistema equivalente para B.8, sendo RD = 1 (1 RB )(1 RC ). . . . . . . . . . B.10 Sistema equivalente para B.9, sendo RS = R1 RD R7 . . . . . . . . . . . . . . . . . B.11 Sistema ponte gen erico com 5 sub-sistemas . . . . . . . . . . . . . . . . . . . . . B.12 Sistema ponte equivalente com componente 5 assumido como livre de falhas. . . B.13 Sistema ponte equivalente com componente 5 em estado de falha. . . . . . . . . . B.14 Exemplo de tabela utilizada na aplica c ao de FMEA. . . . . . . . . . . . . . . . . xxii 81 83 83 84 84 85 85 85 86 90 79 78 73 76 77 63 64 65 67 67 68
B.15 Exemplo gen erico de arvore de falhas criado por meio do software livre OpenFTA c . 91
xxiii
Cap tulo 1
Introdu c ao
Systems involving interactions between man, nature and technology are subject to disturbance which may be unlike anything which has been experienced in the past. In particular, the technological revolution increases uncertainty as each new stage perturbs existing structures, limitations and constraints. (Najim et al., 2004)
A complexidade dos sistemas reais vem aumentando continuamente nos u ltimos anos, e com isso vem crescendo ainda mais a aten c ao dada a problemas relacionados ` a conabilidade, mantenabilidade e seguran ca. Isso se deve especialmente ao fato de que as perdas geradas pelas falhas de sistemas complexos podem ser signicativas, ou mesmo irrevers veis. Aspectos como custos diretos e indiretos, qualidade dos produtos e servi cos, integridade f sica dos sistemas e estruturas, e mais importante, a seguran ca, ganharam nos u ltimos anos aten c ao redobrada. Assim, a aplica c ao de conceitos e t ecnicas da engenharia de conabilidade, mantenabilidade e seguran ca, aliados a outras areas do conhecimento n ao menos importantes, s ao essenciais ao projeto, ` a opera c ao e ` a manuten c ao de sistemas a custos compat veis, riscos mais baixos e com desempenho desejado. As engenharias de conabilidade e de mantenabilidade conguram-se como importantes areas do connhecimento e se inserem no contexto da engenharia de sistemas, a qual e respons avel pela integra c ao das duas primeiras a outras disciplinas como Suporte Log stico Integrado, Seguran ca, Produ c ao/Opera c ao, Testes/Verica c ao e Garantia da Qualidade, conforme apresentado na Figura 1.1. A seguir s ao relacionadas as fun c oes de cada uma das disciplinas que integram a 1
Cap tulo 1. Introdu c ao
Figura 1.1: Vis ao geral da engenharia de sistemas. engenharia de sistemas (NASA, 1995; U.S.F.A.A, 2000): Conabilidade: A engenharia de conabilidade desenvolve e executa programas com foco na modelagem e an alise, predi c ao e otimiza c ao de conabilidade, considerando aspectos ambientais e operacionais (e.g., condi c oes de vibra c ao, ac ustica, t ermica, interfer encia eletromagn etica (Electromagnetic Interference - EMI) e compatibilidade eletromagn etica (Electromagnetic Compatibility - EMC). Dene e aloca metas de conabilidade, estabelece as condi c oes operacionais, auxilia na avalia c ao de arquiteturas / alternativas de projeto avaliando quest oes como grau de redund ancias e impacto na conabilidade versus a mantenabilidade de sistemas. Presta suporte a programas de gest ao de riscos, identicando atributos de projeto que apresentam maiores chances de resultarem em problemas de conabilidade e recomendando a c oes para mitigar tais riscos. Gera informa c oes de conabilidade a serem utilizadas em programas de mantenabilidade e log stica integrada. Estabelece os requisitos e especica c oes para testes de qualica c ao de projetos, sendo respons avel por prover an alises t ecnicas e justicativas para eliminar ou exibilizar tais requisitos. Analisa dados dos testes de qualica c ao para validar os modelos e predi c oes de conabilidade, buscando
entender e resolver quaisquer anomalias identicadas. Coleta e analisa dados de conabilidade de sistemas j a em opera c ao como parte da valida c ao do projeto e atendimento ` as metas estabelecidas; Mantenabilidade: A engenharia de mantenabilidade desenvolve e executa o plano para o programa de mantenabilidade de sistemas, o qual deve ser estabelecido concomitantemente ao plano de log stica integrada. Desenvolve e rena o conceito de manuten c ao de sistemas alinhado ao conceito de log stica integrada. Estabelece e aloca requisitos de mantenabilidade consistentes com o conceito de manuten c ao e coerente com a disponibilidade (vide se c ao 2.6) requerida para o sistema. Participa e contribui com a avalia c ao dos projetos de engenharia para identicar deci encias associadas ` a mantenabilidade. Realiza e documenta an alises para quanticar os recursos necess arios ` a manuten c ao. Coleta e analisa dados de manuten c ao de sistemas em opera c ao e verica se as metas de mantenabilidade e de log stica integrada s ao atendidas; Suporte log stico integrado: O suporte log stico integrado e respons avel por todas as atividades de suporte para o alcance das metas de desempenho projetadas. Engloba a especica c ao das a c oes de manuten c ao, projeto de interfaces nos processos com foco em minimizar o custo do ciclo de vida, registrar dados e informa c oes de engenharia, de t ecnicas e de custos utilizados nos estudos e avalia c oes do sistema ao longo do seu ciclo de vida. Especica os recursos humanos mapeando suas habilidades e compet encias e necessidade de treinamentos considerando os custos atuais e futuros nas fun c oes opera c ao, manuten c ao, engenharia e administrativas que d ao suporte aos sistemas. Especica as ferramentas e instrumentos necess arios ao desenvolvimento, produ c ao e opera c ao dos sistemas assim tamb como a estrutura f sica/instala c oes. E em respons avel pela especica c ao dos recursos e m etodos de transporte, manuseio e estocagem de pe cas e materiais com foco em garantir que as metas de suportabilidade e usabilidade dos sistemas sejam atingidas; Seguran ca: A engenharia de seguran ca e respons avel por garantir o projeto seguro de sistemas cr ticos com o foco de preven c ao contra acidentes (impacto em vidas humanas e ambientais). Para isso, avalia projetos objetivando identicar deci encias (riscos de seguran ca)
e propor modica c oes e procedimentos que garantam a opera c ao e manuten c ao seguras. A perspectiva da engenharia de seguran ca difere um pouco da perspectiva da engenharia de conabilidade. A primeira busca introduzir solu c oes ou conceitos tecnol ogicos com o intuito de eliminar ou controlar os riscos de ocorr encia de eventos que possam causar acidentes ou outros efeitos indesej aveis, enquanto a segunda e respons avel por introduzir funcionalidades que garantam o cumprimento da miss ao do sistema. Eventualmente a introdu c ao de certas funcionalidades e v alida no contexto da engenharia de conabilidade, ou seja, aumenta as chances do sistema cumprir sua miss ao, no entanto aumenta tamb em as chances de um acidente acontecer; Produ c ao/Opera c ao: A engenharia de produ c ao e respons avel pela gest ao de riscos no processo de manufatura/fabrica c ao por meio da condu c ao de avalia c ao de riscos e planejamento tamb das a c oes para mitig a-los. E em respons avel pela identica c ao de funcionalidades de projeto com foco no aumento de produtividade. Seus esfor cos s ao direcionados a simplica c ao de projetos, especica c ao das toler ancias de fabrica c ao e sele c ao de materiais. Conduz estudos de produtividade para determinar processos de manufatura/fabrica c ao respons custo-efetivos. E avel por avaliar rela c oes custo-benef cio considerando as restri c oes de projeto, o que pode incluir a avalia c ao de fornecedores (experi encia e capacidade), a avalia c ao de tecnologias de fabrica c ao, avalia c ao de ferramentas especiais e necessidade de treinamentos de operadores de produ c ao, assim como a avalia c ao de materiais cr ticos. Tamb em estima custos de produ c ao como parte do processo de gest ao do custo do ciclo de vida, desenvolve plano de produ c ao assim como abordagens e planos para validar os processos de manufatura/fabrica c ao; Testes/Verica c ao: Teste e verica c ao e o processo de avaliar a adequa c ao dos resultados de um sistema aos requisitos do ponto de vista funcional, desempenho e de projeto. O processo compreende o planejamento, deni c ao de requisitos e atividades de adequa c ao o qual se desenvolve ao longo de todo o ciclo de vida de um dado sistema. Em cada est agio do processo, o engenheiro de sistemas busca compreender e avaliar os resultados do processo de verica c ao e prop oe as solu c oes aplic aveis;
Garantia da Qualidade: A garantia da qualidade e respons avel por garantir que as especica c oes de projeto sejam atendidas. Para isso, desenvolve e executa planos de garantia da qualidade por meio do qual verica o cumprimento de todas as especica c oes previamente estabelecidas. Estabelece inspe c oes e auditorias para vericar a adequa c ao dos processos ` as especica c oes e registra todos os dados para an alises futuras. O desenvolvimento dos conceitos das engenharias de conabilidade e de mantenabilidade teve in cio h a pouco mais de sessenta anos, mais especicamente e com maior intensidade, durante a II Guerra Mundial com sua aplica c ao a sistemas de comunica c ao e projeto de armas de guerra1 De maneira mais formal, as engenharias de conabilidade e de mantenabilidade s ao areas da engenharia de sistemas que t em como objetivos (OConnor, 2002; Dhillon, 2006): aplicar o conhecimento de engenharia e t ecnicas espec cas para prevenir ou reduzir a freq u encia de falhas; co reali identicar e solucionar as causas das falhas que ocorrem, mesmo com todo o esfor zado em projeto para evit a-las; estabelecer formas de atuar sobre as falhas cujas causas n ao foram solucionadas em projeto; aplicar m etodos para a estima c ao da conabilidade e mantenabilidade de novas arquiteturas, e para a an alise de dados de conabilidade e mantenabilidade. Tais objetivos podem ser trabalhados no contexto da Intelig encia Computacional abordandose tr es problemas t picos de interesse na Engenharia de Conabilidade e que s ao complementares, a citar (Figura 1.2): 1. O problema da modelagem, ou seja, a identica c ao de um modelo que descreva a conabilidade de um sistema dado um perl de falhas e/ou conhecimento de especialistas;
Mais detalhes sobre o in cio do desenvolvimento e sobre aplica co es das engenharias de conabilidade e de mantenabilidade podem ser obtidos em Kececioglu, 2002 e Dhillon, 2006, respectivamente.
1
2. O problema da predi c ao de conabilidade, ou seja, o uso dos modelos em t ecnicas para o diagn ostico e progn ostico de falhas com o objetivo de se estimar em algum instante futuro a conabilidade do sistema em estudo; 3. O problema da otimiza c ao de conabilidade com foco em melhorar o desempenho de sistemas frente ` as limita c oes tecnol ogicas e nanceiras.
Figura 1.2: Problemas de interesse na Engenharia de Conabilidade Mantenabilidade. A modelagem e an alise de sistemas sob o ponto de vista da conabilidade e da mantenabilidade podem ser realizadas por meio de t ecnicas qualitativas e quantitativas. H a diversas t ecnicas anal ticas e/ou gr acas conhecidas e amplamente utilizadas as quais s ao fundamentadas em conceitos da Probabilidade e Estat stica assim como na Teoria de Sistemas, como por exemplo, diagramas de bloco, arvores de falha, cadeias de Markov, entre outras. Conabilidade de sistemas tem natureza estoc astica, sendo razo avel que se considere a exist encia de incerteza associada aos par ametros que descrevem o comportamento de um sistema ou componente. O tratamento de incertezas utilizando t ecnicas tradicionais baseadas em conceitos da Probabilidade e Estat stica pressup oem a exist encia de dados em quantidade e qualidade sucientes para que
infer encias possam ser realizadas e decis oes possam ser tomadas, e que, al em disso, modelos que representem de forma adequada o sistema em an alise possam ser obtidos. Na pr atica, dados s ao contaminados por todo tipo de ru do e, muito freq uentemente, n ao est ao dispon veis. Assim, a an alise de dados de falha de sistemas reais utilizando t ecnicas tradicionais pode gerar informa c oes question aveis que conduzem a decis oes equivocadas. Obviamente, tais observa c oes n ao invalidam a utiliza c ao de t ecnicas tradicionais, mas exigem que o analista/engenheiro conhe ca as limita c oes dos m etodos frente aos dados dispon veis. T ecnicas qualitativas s ao utilizadas quando n ao h a disponibilidade de dados ou o custo de obten c ao de modelos matem aticos e muito alto. Modelos qualitativos podem ser utilizados nesses casos com o objetivo de se obter maior conhecimento sobre um problema ou sistema em estudo, o que pode eventualmente gerar bons resultados em um primeiro momento. Como em outras areas do conhecimento, para que estudos quantitativos de conabilidade e de mantenabilidade de sistemas reais possam ser realizados e, em geral, necess aria a obten c ao de uma representa c ao matem atica do sistema em estudo. Ao processo de constru c ao e implementa c ao de modelos matem aticos de sistemas reais d a-se o nome de modelagem matem atica (Aguirre, 2007). A fundamenta c ao matem atica das t ecnicas tradicionais utilizadas na modelagem de conabilidade e de mantenabilidade de sistemas baseia-se na teoria de conjuntos cl assica, probabilidade e de processos estoc asticos (Papoulis, 1991). Embora as t ecnicas tradicionais de modelagem e an alise de conabilidade (e de mantenabilidade) estejam bastante desenvolvidas, na u ltima d ecada houve um avan co signicativo na sua aplica c ao devido, em especial, ` a evolu c ao dos recursos computacionais (hardware e software ), que at e ent ao representavam forte limita c ao ` a realiza c ao de estudos quantitativos de sistemas complexos. Mais recentemente, t ecnicas alternativas de modelagem e an alise de sistemas complexos t em sido empregadas em v arias areas do conhecimento, inclusive em estudos de conabilidade e de mantenabilidade. Tais t ecnicas s ao denominadas t ecnicas de Intelig encia Computacional (IC), e s ao parte do campo de pesquisa denominado Intelig encia Articial (IA). O termo Intelig encia Computacional (IC) e utilizado pois estas novas t ecnicas s ao inspiradas nos mecanismos de adapta c ao presentes na natureza, os quais permitem ou facilitam o comportamento inteligente
de sistemas em ambientes complexos e din amicos. Estes mecanismos incluem os paradigmas advindos da IA, que apresentam, em um certo sentido, a capacidade de aprender e de se adaptar a novas situa c oes, de generalizar, de abstrair, de descobrir e de associar. Algumas destas novas t ecnicas s ao as redes neurais articiais, a computa c ao evolucion aria, a intelig encia de popula c ao, sistemas nebulosos e sistemas imunol ogicos articiais ). Najim et al. (2004) e de B. Pereira and Rao (2005) demonstram a aplica c ao de redes neurais no problema de modelagem de conabilidade utilizadas para aproximar fun c oes densidade de probabilidade e nas an alises de dados de falha. Mais detalhes sobre o projeto e aplica c oes de redes neurais articiais podem ser obtidos em Haykin (1999). Engelbrecht (2003) fornece uma vis ao geral das t ecnicas redes neurais articiais e sistemas nebulosos, assim como da computa c ao evolucion aria, intelig encia de popula c ao. Estas duas u ltimas t em sido empregadas para resolver problemas de otimiza c ao global, por se tratarem de t ecnicas estoc asticas que permitem uma melhor explora c ao do espa co de busca. Sistemas nebulosos (fuzzy systems ) baseiam-se na teoria da l ogica nebulosa (fuzzy logic ), na qual a incerteza devido ` a imprecis ao ou informa c ao vaga e modelada por meio de fun c oes de pertin encia (Jang, 1997). A id eia principal no uso da l ogica nebulosa e a de modelar o racioc nio humano por meio de vari aveis lingu sticas e as regras pelas quais as mesmas se relacionam. Constitui-se em uma ferramenta poderosa, pois na pr atica a informa c ao necess aria ` a modelagem ou an alise de um problema ou sistema de interesse somente pode ser obtida por meio de um processo de elicita c ao, no qual especialistas s ao consultados. Muitas vezes os especialistas n ao s ao capazes de expressar o seu conhecimento de forma num erica. Na engenharia de conabilidade esse e um problema bastante comum e que restringe o uso de t ecnicas tradicionais baseadas em modelos estoc asticos. As t ecnicas nebulosas s ao ent ao alternativas interessantes que podem viabilizar o desenvolvimento de t ecnicas de modelagem e an alise que incorporem o conhecimento t acito dos especialistas, e que sejam menos dependentes da disponibilidade de dados hist oricos. Conabilidade nebulosa (fuzzy reliability ) e o termo empregado na comunidade cient ca para se referir ` as t ecnicas de modelagem e an alise de conabilidade baseadas em modelos nebulosos. Como comentado na se c ao 2.1, em conabilidade nebulosa, ao inv es de se empregar distribui c oes de probabilidade, utiliza-se distribui c oes de possibilidades, e a maioria das t ecnicas
de modelagem gr acas como RBD e FTA (Vide anexos B.1 e B.3) podem ser quanticadas por meio de modelos nebulosos, ao inv es de modelos estoc asticos. Em Sandri et al. (1990) o processo de elicita c ao para o desenvolvimento de modelos possibil sticos e investigado. Dubois et al. (1993) investiga a transforma c ao de modelos estoc asticos em modelos possibil sticos. Em Levitin (2007) exemplos de aplica c ao da conabilidade nebulosa s ao apresentados. Mais recentemente uma classe de algoritmos inspirada em mecanismos de sistemas imunol ogicos t em sido aplicadas a diversos problemas de diagn ostico de falhas e reconhecimento de padr oes (de Castro and Zuben, 2002; de Castro e Silva, 2008). No presente trabalho, um algoritmo imune baseado no princ pio da sele c ao clonal, o qual e bem explicado por de Castro Silva (2003), e utilizado para solu c ao de um problema de Otimiza c ao de Conabilidade e comparado a um algoritmo gen etico (vide 5). H a v arios outros princ pios dos Sistemas Imunol ogicos que podem ser aplicados a diversos problemas complexos de engenharia. As t ecnicas de computa c ao evolucion aria t em como objetivo modelar o processo de evolu c ao natural, onde o principal conceito associado e o de sobreviv encia dos mais adaptados ao ambiente. Na evolu c ao natural, a capacidade de sobreviv encia e atingida por meio de um processo de reprodu c ao, cujos lhos que s ao gerados de dois ou mais pais, cont em material gen etico de ambos ou todos, e com as melhores caracter sticas de todos. Os indiv duos que herdam caracter sticas ruins, s ao fracos e perdem a batalha pela sobreviv encia. Em computa c ao evolucion aria uma popula c ao de indiv duos e gerada para evoluir. Um indiv duo e denominado cromossomo. Um cromossomo dene as caracter sticas de indiv duos em um popula c ao. Cada caracter stica e denominada gene. O valor de um gene e denominado alelo. Para cada gera c ao, indiv duos competem para reproduzir e gerarem lhos. Os indiv duois com melhor capacidade de sobreviv encia t em maiores chances de se reproduzirem. Um lho e gerado pela combina c ao de partes dos pais por um processo denominado cruzamento (crossover ). Cada indiv duo na popula c ao pode sofrer muta c oes que alteram alguns dos alelos do cromossomo. A for ca de sobreviv encia de um indiv duo e medida usando um fun c ao de adequa c ao (tness ), a qual reete os objetivos e as restri c oes do problema a ser resolvido. Ap os cada gera c ao, os melhores indiv duos podem ser selecionados para a pr oxima gera c ao (elitismo). Al em disso
10
caracter sticas comportamentais podem ser usadas para inuenciar o processo evolucion ario de duas formas: fen otipos podem ser inuenciados por meio de mudan cas gen eticas, e/ou caracter sticas comportamentais separadamente, promovendo um desenvolvimento gradual e natural dos indiv duos de uma popula c ao. Mais detalhes sobre o projeto e aplica c oes da computa c ao evolucion aria podem ser obtidos em Ashlock (2005), Menon (2004) e Jong (1997). Levitin (2007) apresenta diversos exemplos de aplica c ao de t ecnicas de computa c ao evolucion aria a problemas de engenharia de conabilidade. Intelig encia de popula c ao e um conceito relativamente novo, com muito potencial de desenvolvimento e ainda com poucas aplica c oes a problemas reais. O conceito originou-se do estudo de col onias ou popula c oes de indiv duos sociais. Estudos de comportamento social de organismos em col onias s ao empregados no projeto de algoritmos de otimiza c ao e clusteriza c ao muito ecientes (Kennedy and Eberhart, 2001). No campo da predi c ao de conabilidade, o foco principal e avaliar e predizer a conabilidade de um sistema dado o seu perl de falhas ao longo do seu ciclo de vida. T ecnicas convencionais de predi c ao de conabilidade baseiam-se na utiliza c ao de modelos probabil sticos obtidos em uma fase de modelagem. Nesse sentido falhas precisam ser diagnosticadas uma vez que an alises de conabilidade para modos de falha espec cos s ao em geral necess arias, do contr ario, sob a perspectiva da manuten c ao de sistemas, n ao seria vantajoso desenvolv e-las. Entretanto, conhecer a conabilidade do sistema pode ser u til sob certos aspectos, e.g., em avalia c oes da capacidade produtiva de um processo (Throughput Analysis ). O diagn ostico de falhas representa um campo de pesquisa importante devido ` a crescente necessidade por seguran ca, mantenabilidade e conabilidade de plantas industriais. Esta tarefa ainda vem sendo desempenhada na ind ustria por operadores e/ou mantenedores com base em inspe c ao (medi c oes de alguns par ametros, visual, etc.), e e essencial ` a engenharia de conabilidade. Se modos de falha (funcionais e f sicos) s ao diagnosticados e descritos de maneira apropriada, e poss vel o desenvolvimento de um banco de dados sist emico e, assim, t ecnicas convencionais de modelagem podem ser facilmente empregadas. Com o aumento da complexidade de sistemas industriais, a tarefa de diagn ostico de falhas tem sua diculdade e complexidade aumentadas de forma n ao
11
gerenci avel quando se tenta aplicar t ecnicas convencionais. Assim, na u ltima d ecada pesquisas intensas t em sido desenvolvidas com o objetivo de propor solu c oes alternativas que possuam caracter sticas adaptativas e sejam capazes de lidar com as mudan cas inerentes que ocorrem no processo de diagn ostico. Tais pesquisas se concentraram especialmente no estudo de m etodos inspirados no racioc nio humano e na natureza. Um diagn ostico autom atico eciente e aquele que possui habilidades na identica c ao autom atica de sintomas bem como no mapeamento de suas causas e, eventualmente, que possa ser capaz de prescrever as a c oes necess arias para o reparo/restaura c ao da fun c ao do sistema (Palade et al., 2006). No campo da otimiza c ao de conabilidade, o interesse est a voltado para a escolha de arquitetura e componentes de sistemas de forma a atender requisitos tecnol ogicos, assim como mercadol ogicos. Sob a perspectiva da engenharia de conabilidade, o desempenho de sistemas pode ser medido em termos do tempo m edio at e a falha (MTTF ou Mean Time To Failure ) no caso de sistema n ao-repar aveis, ou em termos da disponibilidade (Availability ) do sistema que e uma rela c ao entre o tempo m edio entre falhas (MTBF ou Mean Time Between Failures ) e do Tempo M edio para Reparar (MTTR - Mean Time to Repair ) no caso de sistema repar aveis. Um vez que a medida de conabilidade e/ou disponibilidade do sistema tenha sido escolhida, um modelo e outras medidas de desempenho podem ser consideradas, e.g., investimento ou custos de manuten c ao associados com o projeto e componentes do sistema. Estas vari aveis s ao ent ao utilizadas na formula c ao do problemas de otimiza c ao, i.e., objetivos e restri c oes s ao formulados matematicamente. O estudo de t ecnicas de otimiza c ao e extremamente importante para o engenheiro de conabilidade, uma vez que a busca por solu c oes fact veis com foco na maximiza c ao da conabilidade e minimiza c ao dos custos/perdas associadas a um sistema s ao metas intr nsecas ao papel por ele desempenhado. Na pr atica, problemas de otimiza c ao de conabilidade de sistemas s ao em geral formulados como problemas restritos multi-objetivo (Levitin, 2007). Tend encias atuais apontam para o aumento da utiliza c ao de t ecnicas da Intelig encia Computacional, aliadas ` as t ecnicas tradicionais, com o objetivo de desenvolver metodologias mais ecientes para a modelagem e an alise (identica c ao), predi c ao de desempenho e otimiza c ao de sistemas complexos, com foco em conabilidade e mantenabilidade, o que motivou o
12
desenvolvimento do presente trabalho (Figura 1.2). As t ecnicas tradicionais e de intelig encia computacional aplic aveis aos tr es problemas anteriormente citados s ao pesquisadas. O problema de otimiza c ao de conabilidade e o foco do presente trabalho por se tratar de uma tema de interesse pr atico, o qual responde a alguns dos questionamentos mais frequentes no dia-a-dia de engenheiros de manuten c ao, conabilidade e mantenabilidade, quais sejam: Como projetar sistemas otimizados sob a perspectiva custos e desempenho? Como estabelecer pol ticas e pr aticas de manuten c ao que produzam uma melhor rela c ao custo-benef cio (custos x desempenho em termos de conabilidade, mantenabilidade e disponibilidade)? Como balancear o atendimento a requisitos de conabilidade e mantenabilidade aos recursos dispon veis? Com o objetivo de exemplicar a aplicabilidade de t ecnicas de Otimiza c ao baseadas em Intelig encia Computacional ao problema de otimiza c ao de conabilidade, foram resolvidos tr es problemas de aloca c ao de redund ancias e conabilidade a sistemas gen ericos com arquiteturas em s erie, s erie-paralelo e ponte (Salgado et al., 2007). O texto est a organizado como segue: Nos cap tulos 2 e 3, os conceitos b asicos de engenharia de conabilidade e os problemas de modelagem e an alise de conabilidade e mantenabilidade de sistemas repar aveis e n ao-repar aveis por meio de t ecnicas tradicionais s ao revisados. No Cap tulo 5, o problema de otimiza c ao de conabilidade e introduzido de forma mais detalhada seguido de um exemplo de aplica c ao de uma t ecnica de Intelig encia Computacional. Finalmente, no cap tulo 6, apresentam-se algumas conclus oes e propostas de continuidade.
Cap tulo 2
Conceitos B asicos
No industry in any country can progress eectively without the knowledge and implementation of reliability engineering. Today it has developed to a high degree of renement and quantication. All countries should seize upon the opportunity to enlighten their scientists, engineers and industrial and government personnel in this eld. Such personnel should enhance their technical and industrial progress by learning the principles of reliability engineering and by applying these principles in their daily eorts. (Kececioglu, 2002)
2.1
Sistemas, Modelos e Incerteza

Um sistema e um conjunto integrado de componentes projetado para cumprir um
objetivo (INCOSE, 2002). Um modelo para um sistema real e uma representa c ao utilizada para que algumas caracter sticas de interesse possam ser estudadas. A complexidade aumenta ` a medida que mais caracter sticas s ao introduzidas no modelo de forma aproxim a-lo cada vez mais do sistema real. Assim, a escolha da t ecnica de modelagem depende da aplica c ao pretendida para o modelo e h a v arias considera c oes que devem ser feitas antes de se iniciar a modelagem de um sistema, as quais fornecem indicativos sobre a natureza dos modelos a serem adotados, invariante com o tempo? E um sistema a par como: O sistema e linear ou n ao-linear? E ametros concentrados ou distribu dos? O sistema e repar avel ou n ao-repar avel? Que caracter sticas do sistema precisam ser representadas?, entre outras quest oes. Em modelagem matem atica h a diferentes abordagens que podem ser adotadas para o de13
14
Cap tulo 2. Conceitos B asicos
senvolvimento de modelos. Uma das abordagens e a modelagem caixa branca, em que e poss vel tamdescrever o sistema por meio de rela c oes matem aticas para os fen omenos de interesse. E b em conhecida por modelagem pela f sica ou conceitual. Esse tipo de abordagem e demorada e requer muito conhecimento t ecnico sobre o sistema em estudo. No campo de conabilidade e mantenabilidade, por exemplo, pode ser interessante o desenvolvimento de modelos que associam caracter sticas f sicas do sistema em estudo com com vari aveis de stress ou condi c oes de opera c ao de forma que a freq u encia de falhas do sistema possa ser estimada. Em NSWC (2007) c ao de s ao apresentados modelos matem aticos para a taxa de falha (vide cap tulo 3) como fun par ametros f sicos de componentes de sistemas mec anicos. Outra abordagem e a modelagem caixa preta ou emp rica. A modelagem emp rica e pouco, ou mesmo independente, do conhecimento pr evio do sistema em estudo, o que em muitos casos pr aticos apresenta-se como uma melhor alternativa. A modelagem cinzenta e uma abordagem intermedi aria empregada quando algum conhecimento a priori ou auxiliar, al em dos dados dispon veis (e.g., conhecimento de especialistas), e considerado para a modelagem do sistema. H a v arios tipos de modelos matem aticos, por exemplo: est aticos e din amicos, discretos e cont nuos, monovari aveis e multivari aveis, determin sticos e n ao-determin sticos (estoc asticos, nebulosos, possibilistas, etc.), param etricos e n ao-param etricos, entre outros (Aguirre, 2007). Em engenharia de conabilidade e mantenabilidade os modelos matem aticos mais empregados s ao, em geral, n ao-determin sticos, mais especicamente, modelos estoc asticos por estes serem adequados ` a representa c ao de fen omenos de natureza aleat oria . A entrada para um modelo estoc astico e uma s erie de eventos de interesse, e a sa da do modelo e uma vari avel aleat oria (Papoulis, 1991). Em engenharia de conabilidade os eventos de interesse s ao as falhas (ou sucessos) do sistema, e na engenharia de mantenabilidade os eventos de interesse s ao os reparos do sistema (em sistemas repar aveis). Um conceito muito importante associado ` a conabilidade e o de incerteza. O termo incerteza e usualmente entendido e empregado quando se fala em fen omenos de natureza aleat oria, embora a aleatoriedade n ao seja a u nica fonte de incerteza1 .
E tamb em utilizado o termo informa ca o imperfeita como forma a se referir a outras fontes de incerteza al em da aleatoriedade, o qual est a associado ` a natureza da informa ca o dispon vel sobre um fen omeno/evento. A informa ca o pode variar de perfeita a imperfeita podendo ser imprecisa, vaga, possibilista, incompleta, inconsistente,
1
2.1. Sistemas, Modelos e Incerteza
15
Figura 2.1: Modelos de representa c ao da incerteza. H a v arios modelos de representa c ao da incerteza dependendo da sua natureza. Em Bittencourt (2008) uma revis ao da literatura no assunto est a dispon vel, e outros tr es modelos, al em dos estoc asticos, s ao apresentados: nebuloso, possibilista e da evid encia (Figura 2.1).
A motiva c ao para o emprego de outras formas de representa c ao da incerteza que n ao os modelos estoc asticos e justicada pela pr atica, pois informa c oes sobre o que e falha ou n ao e falha, quando e quantas vezes tal falha ocorreu, em que circunst ancias, quais suas causas, e assim por diante, muitas vezes n ao est ao registradas. Nessas situa c oes, conhecimento de especialistas/t ecnicos (conhecimento baseado em experi encia e/ou impress oes), sejam elas quantitativas ou qualitativas, precisam ser utilizadas. em geral, muito dif E, cil obter informa c oes probabilistas de especialistas, os quais, em geral, n ao s ao capazes de expressar seu conhecimento em vari aveis num ericas, sendo as vari aveis lingu sticas mais apropriadas. Ao processo de obten c ao de informa c oes de especialistas d a-se o nome de elicita c ao. Em Dubois and Kalfsbeek (1990) e OHagan et al. 2006 s ao apresentadas metodologias de elicita c ao para obten c ao de modelos possibilistas e estoc asticos (probabilistas),
conitante, etc. Para cada tipo de informa c ao h a um tratamento mais adequado
16
respectivamente. T ecnicas de intelig encia computacional s ao ferramentas que t em sido aplicadas com sucesso para os estudos de conabilidade e mantenabilidade de sistemas por meio de t ecnicas n ao-determin sticas alternativas. Os modelos matem aticos utilizados em t ecnicas tradicionais de engenharia de conabilidade (e de mantenabilidade) s ao apresentados no Cap tulo 3. Uma introdu c ao ` as t ecnicas de intelig encia computacional aplic aveis aos problemas de modelagem e an alise, predi c ao e otimiza c ao de sistemas com foco em conabilidade e mantenabilidade s ao apresentadas no Cap tulo 5.
2.2
Falhas, Modos e Mecanismos de Falha

O conceito de falha est a associado ao n ao-atendimento a uma miss ao/fun c ao. H a diversas
descri c oes poss veis para falhas dependendo de um contexto. Falha (failure ) refere-se a um evento que representa o t ermino da capacidade de um item desempenhar a fun c ao requerida. O conceito de falha difere do conceito de defeito (fault ) o qual se refere a qualquer desvio de uma caracter stica de um item em rela c ao aos seus requisitos. Um defeito nem sempre afeta a capacidade de um item desempenhar sua fun c ao requerida (NBR-5462, 1994). Por outro lado, falhas est ao sempre relacionadas a um ou mais defeitos. Quando sistemas/produtos s ao projetados, sua miss ao e fun c oes s ao especicadas. A miss ao e fun c oes podem ser mensuradas por meio de par ametros para os quais s ao especicados os valores e faixas de varia c ao e de seguran ca. Quando em opera c ao/produ c ao, um sistema ou produto, que n ao apresente o desempenho dentro das faixas especicadas e dito estar em estado de falha. Algumas vezes, n ao e poss vel a deni c ao de um par ametro mensur avel, e a detec c ao da falha depende da experi encia ou da percep c ao do t ecnico ou usu ario do sistema (especialistas). O termo modo de falha refere-se ` a forma como uma falha se manifesta. O modo de falha funcional refere-se ` a forma como o sistema/ componente deixa de cumprir sua miss ao/fun c ao. O modo de falha f sico refere-se a uma caracter stica observ avel, mensur avel ou n ao, relacionada a um fen omeno f sico de deteriora c ao e/ou degrada c ao. Mecanismos de falhas referem-se a processos de falha com um ou mais modos de falha (conjunto de fatores causais que geram uma
2.3. Manuten c ao
17
falha). Falhas podem ser classicadas de v arias maneiras. Com rela c ao ao seu desenvolvimento, as falhas podem ser incipientes, abruptas, catastr ocas (Palade et al., 2006). Com rela c ao ` as fases do ciclo de vida de um sistema, as falhas podem ser classicadas como precoces, aleat orias, e por desgaste (Moubray, 2001). Falhas sob o ponto de vista funcional, podem ser prim arias, secund arias e de comando (Scapin, 1999). O conceito de falha nem sempre e utilizado adequadamente e, muitas vezes, os modos de falha funcionais e f sicos de sistemas n ao est ao devidamente registrados. Por exemplo, e comum encontrar bases de dados que indicam somente as falhas catastr ocas, e nem mesmo apontam os modos de falha e suas causas. Esse e um dos principais problemas pr aticos enfrentado por engenheiros de conabilidade no seu dia-a-dia, pois modelos estoc asticos n ao produzem bons resultados dependendo da qualidade dos dados utilizados na sua constru c ao.
2.3
Manuten c ao
O termo manuten c ao refere-se a todas as atividades/a c oes necess arias para restaurar
e/ou prevenir a ocorr encia ou reincid encia de falhas em sistemas/componentes. Pol ticas de manuten c ao s ao estabelecidas de acordo com o perl de falhas observado ou potencial. As pol ticas orientam as pr aticas de manuten c ao, as quais podem ser reativas ou pr o-ativas. Um pr atica ser a classicada como reativa quando for motivada pela ocorr encia de uma falha funcional, e pr oativa, se a decis ao pela sua realiza c ao n ao depende da ocorr encia efetiva da falha, mas do seu potencial (possibilidade ou probabilidade) de ocorr encia (Mobley, 2004; Higgins et al., 2002). Pr aticas reativas s ao indicadas desde que sejam estabelecidas de forma consciente, em raz ao de uma an alise comparativa entre o risco de ocorr encia da uma falha e os custos/impacto envolvidos, ou seja, manuten c ao corretiva sem planejamento deve ser evitada. Pr aticas pr o-ativas incluem a aplica c ao dos princ pios da engenharia de conabilidade, an alises de falhas, e reprojeto de sistemas, entre outras, para que as causas de falhas sejam eliminadas permanentemente (Dhillon, 2002). Processos industriais utilizam em geral duas abordagens de manuten c ao: (1) corretiva
18
e (2) preventiva. Na primeira abordagem a ocorr encia de uma falha, em geral catastr oca, e aguardada para que uma a c ao de manuten c ao seja executada (troca ou reparo). Na segunda abordagem, as a c oes de manuten c ao s ao pr e-estabelecidas conforme o perl de falhas t pico (modos de falha predominantes), podendo se basear no tempo ou na condi c ao. No u ltimo caso, a manuten c ao e denominada preditiva (Mobley, 2004). Um aspecto relevante na deni c ao de manuten c ao e seu escopo de atua c ao que, de acordo com conceitos mais atuais, refere-se ao seu papel de restabelecer/restaurar a fun c ao dos sistemas sobre o qual executa algum tipo de a c ao. Muito embora a abordagem corretiva seja adotada em algumas circunst ancias, o foco da manuten c ao deveria ser predominantemente voltado ` a preven c ao. A execu c ao da manuten c ao para restaurar a fun c ao se d a atrav es de reparos ou trocas de componentes que falharam. A a c ao de reparo pode ser perfeita ou imperfeita. Reparo perfeito refere-se ` a troca de um ou mais componentes (o componente que apresentou falha mais outros na imin encia ou com potencial de falha) restaurando as funcionalidades originais do sistema, ou seja, o sistema/componente estar a em uma condi c ao de t ao-bom-quanto-novo (as-good-as-new ). Reparo imperfeito refere-se ` a troca/reparo do componente que falhou levando o sistema ` a condi c ao em que se encontrava antes da falha ou t ao-bom-quanto-velho (as-goodas-old ), tamb em conhecido como reparo m nimo. Estas classica c oes referem-se ` a medi c ao do potencial de falha do sistema, que e usualmente conhecido como taxa de falha em sistemas n aorepar aveis e intensidade de falha em sistemas repar aveis. Tais conceitos s ao muito importantes, pois a partir deles os modelos estoc asticos tradicionais a serem utilizados, sejam eles param etricos ou n ao-param etricos, podem ser constru dos e interpretados.
2.4
Conabilidade
A deni c ao tradicional de conabilidade assume que modelos estoc asticos s ao adequados
para modelar dados de falha, e e a deni c ao encontrada na maior parte da literatura dispon vel sobre o assunto. No entanto, como decorr encia de outros modelos para representa c ao de incerteza apresentados na se c ao 2.1 do presente trabalho, outras deni c oes de conabilidade podem
2.5. Mantenabilidade
19
ser formuladas, substituindo-se probabilidades por outras formas de representa c ao, como por exemplo, possibilidades (Sandri et al., 1990). Kececioglu (2002) apresenta uma deni c ao tradicional de conabilidade como: a probabilidade condicional, a um dado n vel de conan ca, de que um sistema ir a executar suas fun c oes de maneira satisfat oria ou sem falhas, i.e., dentro dos limites de desempenho especicados, em uma certa idade, por um per odo de tempo especicado, ou pelo tempo de miss ao, quando utilizado da maneira e com o objetivo para o qual foi projetado, e operando sob as condi c oes ambientais de aplica c ao e contexto operacionais com um certo n vel de stress associado. A deni c ao de conabilidade apresentada e bastante restritiva e preconiza o uso de t ecnicas tradicionais de probabilidade e estat stica para o c alculo de conabilidade. A deni c ao e restritiva uma vez que h a a necessidade de se determinar o que e falha al em de se especicar, ou isolar, de forma objetiva todos fatores causais ou relevantes que propiciam o seu desenvolvimento ou ocorr encia (conhecimento dos mecanismos de falha). Tais considera c oes podem tornar a modelagem matem atica de conabilidade num grande desao, caso n ao sejam assumidas condi c oes simplicadoras como, por exemplo, considerar que as condi c oes operacionais e outros fatores ambientais sejam constantes, que as falhas sejam independentes, etc. Uma medida de conabilidade e o tempo m edio at e a falha (MTTF - Mean Time To Failure ), ou tempo m edio entre falhas (MTBF - Mean Time Between Failures ) no caso de sistemas repar aveis (vide se c ao 2.7 para conceito de sistema repar avel). As duas medidas s ao as m edias das distribui c oes de probabilidade que se ajustam aos dados de falha, caso modelos estoc asticos sejam utilizados (vide cap tulo 3 para conhecer as t ecnicas tradicionais de modelagem e an alise de conabilidade de sistemas repar aveis e n ao-repar aveis).
2.5
Mantenabilidade
Muito embora haja uma rela c ao muito forte entre mantenabilidade e manuten c ao, e
importante se fazer uma distin c ao entre os dois conceitos. O conceito de mantenabilidade referese ` as medidas e a c oes executadas durante a fase de projeto de um sistema com o objetivo de incluir funcionalidades que facilitem a manuten c ao, que garantam m nima indisponibilidade
20
(tempo em que um sistema n ao est a dispon vel para operar) caso um reparo precise ser executado e m nimo custo do ciclo de vida (life cycle cost - LCC), quando o sistema estiver sujeito ` as condi c oes operacionais para o qual foi projetado; O conceito de manuten c ao est a associado ` a execu c ao de a c oes/servi cos de manuten c ao propriamente ditos de forma a manter o sistema em estado operacional (prevenir) ou restaurar o estado operacional em caso de falha. De forma mais simples: mantenabilidade e um par ametro de projeto com foco em minimizar o tempo de reparo de um sistema, enquanto manuten c ao e a efetiva execu ca o de a c oes para manter ou restaurar a opera c ao de um sistema (Dhillon, 2006). Assim como na engenharia de conabilidade, em que os tempos entre falhas s ao medidos e modelados segundo distribui c oes de probabilidade, e tamb em poss vel na engenharia de mantenabilidade a medi c ao e modelagem dos tempos de reparo segundo modelos estoc asticos. A m edia da distribui c ao utilizada nesse caso e denominada Tempo M edio para Reparar ou MTTR (Mean Time to Repair ). Enquanto na engenharia de conabilidade o interesse e de se obter um MTBF maior poss vel (baixa freq u encia de falhas), na engenharia de mantenabilidade o interesse e o de se obter um MTTR m nimo. Pr aticas de manuten c ao podem afetar tanto a conabilidade como a mantenabilidade. No caso da conabilidade, se as pr aticas adotadas n ao s ao capazes de detectar um falha ou potencial de falha de forma eciente, e evidente que a freq u encia de falhas pode aumentar, e o MTBF tende a diminuir. Al em disso, se o processo de manuten c ao estabelecido n ao e otimizado, ou seja, se os aspectos log sticos e procedurais n ao est ao efetivamente implementados, o tempo de reparo pode aumentar, e portanto o MTTR apresenta tend encia de crescimento (vide cap tulo 3, se c ao 3.2 para conhecer as t ecnicas tradicionais de modelagem de sistemas repar aveis).
2.6
Disponibilidade
A disponibilidade e denida como a probabilidade de um sistema estar dispon vel para
operar, ou em estado operativo, quando requerido em um instante de tempo t. Pode tamb em ser denida como a habilidade de um item estar em um estado que o possibilite operar ou cumprir sua fun c ao requerida em um instante ou intervalo estabelecidos, sob certas condi c oes operacionais.
2.6. Disponibilidade
21
A disponibilidade sob estas condi c oes e denominada disponibilidade operacional (no aspecto quantitativo), ou dependabilidade (no aspecto qualitativo). Se fatores humanos (cumprimento de padr oes, habilidade/experi encia para o diagn ostico de falhas, etc.) e o suporte log stico (ferramental, disponibilidade de sobressalentes, etc.) s ao considerados ideais, a disponibilidade e denominada disponibilidade intr nseca (Birolini, 2004). O tempo total dispon vel para operar de um sistema e denominado uptime (u(t)), o tempo total indispon vel para operar e denominado downtime (d(t)). A fun c ao disponibilidade e dada pela rela c ao entre o tempo total dispon vel para operar (uptime ) e o tempo total u til para operar (uptime + downtime ). A disponibilidade instant anea e matematicamente representada como segue:
A(t) =
u(t) u(t) + d(t)
(2.1)
,onde u(t) e o tempo dispon vel ou uptime, e d(t) e o tempo indispon vel ou downtime. A disponibilidade m edia pode ser obtida integrando-se (2.1) em um per odo de tempo T de interesse, obtendo-se:
T
A(T ) =
1 T
A(t)dt
0
(2.2)
em geral d E cil derivar a equa c ao para a disponibilidade instant anea A(t) de um sistema e na maioria das vezes a disponibilidade em regime estacion ario ou steady-state e de maior interesse, e pode ser obtida por:
lim A(t) = A() =
u() u() + d()
(2.3)
tamb E em poss vel estimar a disponibilidade em regime estacion ario como uma rela c ao entre o tempo m edio dispon vel para operar (mean uptime ) e o tempo m edio u til (mean uptime + mean downtime ). A disponibilidade em regime estacion ario pode ent ao ser obtida como segue:
22
lim A(t) = A() =
mu mu + md
(2.4)
Decorre da deni c ao de disponibilidade que um sistema que apresente poucas falhas (seja mais con avel) e que seja repar avel com um menor tempo poss vel (manuten c ao eciente) tamb em estar a mais dispon vel para operar, ou seja, h a uma rela c ao entre a fun c ao disponibilidade e as fun c oes conabilidade e mantenabilidade. Considere-se que um sistema demore a falhar, ou melhor dizendo, apresente um tempo m edio entre falhas grande, isso pode signicar que o tempo dispon vel para operar ser a maior, ou seja, a disponibilidade e diretamente proporcional ` a conabilidade. Por outro lado, considere-se que um sistema esteja em estado falho e o tempo para voltar ao seu estado operativo seja grande, ou melhor, o tempo m edio para reparar seja elevado (baixa mantenabilidade). Neste caso, a disponibilidade para operar ser a menor. Assim a disponibilidade e inversamente proporcional ao tempo m edio para reparar. A disponibilidade e em geral preferida para medir o desempenho de sistemas repar aveis pois considera tanto a conabilidade como a mantenabilidade em sua formula c ao. A modelagem de sistemas repar aveis ser a apresentada no cap tulo 3, se c ao 3.2. A deni c ao de disponibilidade decorre da especica c ao de estados poss veis para o sistema. Estados bin arios t em sido empregados em engenharia de conabilidade com sucesso, no entanto, quando outros estados representando n veis de desempenho intermedi arios precisam ser considerados, modelos mais complexos devem ser derivados. Em Kuo and Zuo (2003), modelos multi-estado s ao discutidos.
2.7
Sistemas Repar aveis e N ao-Repar aveis

Uma classica c ao importante de sistemas prov em de suas caracter sticas em termos de
reparabilidade. Sistemas podem ser repar aveis e n ao-repar aveis. Sistemas repar aveis s ao pass veis de manuten c ao, ou seja, uma vez detectada uma falha, sua condi c ao operacional pode ser restaurada atrav es de algum tipo de interven c ao, diferente do que simplesmente sua substitui c ao. Sistemas n ao-repar aveis n ao s ao pass veis de manuten ca o, ou seja, uma vez que apresentaram
2.7. Sistemas Repar aveis e N ao-Repar aveis
23
falha, n ao podem ter sua fun c ao restabelecida, n ao havendo outro tipo de a c ao de manuten c ao poss vel que n ao a sua substitui c ao/descarte (Rigdon and Basu, 2000). Os conceitos de manuten c ao apresentados anteriormente s ao extremamente importantes ` a modelagem de sistemas repar aveis. Muitos dos sistemas reais s ao sistemas repar aveis como carros, avi oes, computadores, etc. No entanto, a grande maioria da literatura de engenharia de conabilidade dispon vel discute os modelos estoc asticos para sistemas n ao-repar aveis, em geral aplic aveis a componentes. A raz ao para isso e que a formaliza c ao da teoria de sistemas repar aveis e relativamente nova e decorrente do trabalho de Ascher and Feingold (1984). As t ecnicas para a modelagem e an alise de conabilidade ser ao apresentadas tanto para os sistemas repar aveis como para sistemas n ao-repar aveis, e as devidas distin c oes ser ao feitas quando necess arias. A mantenabilidade e em geral modelada utilizando modelos estoc asticos similares aos da conabilidade, e somente faz sentido no contexto de sistemas repar aveis.
Cap tulo 3
Modelagem de Conabilidade
As t ecnicas tradicionais de modelagem e an alise de sistemas sob a perspectiva da conabilidade e mantenabilidade decorrem da teoria de processos estoc asticos e s ao, portanto, dependentes da disponibilidade de dados acerca do sistema em estudo. Existem diversas abordagens de modelagem e an alise de conabilidade que podem ser adotadas dependendo de fatores como quantidade e qualidade dos dados de falha e reparo de um sistema, natureza do sistema (repar avel ou n ao-repar avel), se a an alise e sist emica (top-down ) ou a partir dos componentes (bottom-up ), etc. Cada t ecnica tem sua aplica ca o e apresenta um n vel de complexidade para o seu desenvolvimento. Do ponto de vista de gerenciar conabilidade, as an alises devem ser feitas em n veis mais desdobrados com a identica c ao dos pers de falha de componentes, e a partir dos componentes, estimar a conabilidade do sistema. Esse modelo de an alise e mais apropriado, pois o modelo para o sistema e uma composi c ao do comportamento de cada componente, os quais podem estar em est agios distintos dos seus ciclos de vida. Fazer an alises sist emicas de conabilidade sem o entendimento das falhas funcionais e dos modos de falha n ao geram muito conhecimento quando a sua utiliza c ao tem o foco de auxiliar na deni c ao de planos de melhoria espec cos, seja em uma area de Engenharia, seja na Produ c ao ou Manuten c ao. A melhoria de conabilidade em projeto se d a em n vel de componente e por meio do entendimento do conceito do sistema e sua arquitetura. Sem essa an alise, melhorar efetivamente ca muito dif cil. Em raz ao do exposto, an alises sist emicas s ao em geral desenvolvidas a partir dos compo25
26
Cap tulo 3. Modelagem de Conabilidade
nentes e suas rela c oes dentro da arquitetura do sistema. As t ecnicas sist emicas mais utilizadas por engenheiros de conabilidade s ao os Diagramas de Bloco de Conabilidade (RBD - Relia bility Block Diagrams, Anexo B.1) e An alise de Arvores de Falha (FTA - Fault Tree Analysis, Anexo B.3). Outras t ecnicas de modelagem de sistemas conhecidas s ao Cadeias de Markov (Anexo B.4), Redes-Petri (Anexo B.5), Redes Bayesianas (Anexo B.6), entre outras. Tais t ecnicas s ao importantes para modelagem de sistemas que assumem estados intermedi arios (sistemas multi-estado), no entanto, para sistemas complexos com um grande n umero de sub-sistemas e componentes, seu desenvolvimento e avalia c ao quantitativa pode se tornar invi avel sem o uso de pacotes computacionais e de t ecnicas de simula c ao como a simula c ao de Monte Carlo (Anexo B.7). Todas as t ecnicas citadas s ao representa c oes que modelam rela c oes entre as vari aveis de interesse (e.g., tempos e modos de falha, tempos de reparo, complexidade, aspectos log sticos, etc.), permitindo que, implicitamente, os modelos matem aticos necess arios ` as avalia c oes quantitativas possam ser obtidos, ainda que n ao analiticamente. Cada uma delas apresenta vantagens e desvantagens que dependem da sua aplica c ao, e cabe ao engenheiro decidir qual delas utilizar frente aos resultados que pretende obter. O primeiro passo para o problema de modelagem de conabilidade e de mantenabilidade e entender o sistema, qual o objetivo do modelo, quais s ao as vari aveis de interesse, quais s ao os dados dispon veis (ou mesmo se n ao h a dados, e portanto outras metodologias baseadas no conhecimento de especialistas dever ao ser utilizadas), qual o contexto operacional (os conceitos de conabilidade e de mantenabilidade s ao dependentes das condi c oes de uso, pois as chances de falha aumentam caso o sistema seja utilizado para ns e de formas para os quais n ao foi projetado), quais os limites do sistema (interfaces s ao sempre grandes fontes de falhas potenciais), etc. Ap os a compreens ao desse contexto, a t ecnica e o modelo a serem empregados podem ser selecionados. Em engenharia de conabilidade e comum o uso de modelos param etricos para o desenvolvimento dos estudos. Tais modelos precisam ter seus par ametros estimados a partir de alguma t ecnica, e posteriormente validados por meio de alguma metodologia, e eventualmente dispostos
27
gracamente e/ou analiticamente. Um uxograma gen erico para o processo de modelagem e an alise de sistemas e apresentado na Figura 3.1.
Figura 3.1: Fluxograma gen erico para modelagem e an alise matem atica de sistemas
A seguir apresentam-se as t ecnicas para modelagem de sistemas repar aveis e n ao-repar aveis sob a perspectiva da engenharia de conabilidade e de mantenabilidade. Os conceitos e terminologia utilizados para o estudo de ambos os tipos de sistemas s ao similares, com algumas sutis diferen cas. As t ecnicas de modelagem n ao-param etricas e param etricas convencionais s ao revisadas sob os seus aspectos te oricos e pr aticos. As t ecnicas n ao-param etricas s ao apresentadas primeiro, pois e em geral poss vel a identica c ao de alguma tend encia nos dados de falha o que pode facilitar a escolha dos modelos param etricos a serem adotados. Em geral a escolha de modelos param etricos para sistemas n ao-repar aveis depende do comportamento da fun c ao taxa de falha do sistema. No caso de sistemas repar aveis, a escolha de modelos param etricos depende do comportamento da fun c ao intensidade de falhas. As fun c oes taxa de falha e intensidade de falhas ser ao apresentadas como parte da explica c ao sobre a modelagem de sistemas n ao-repar aveis e repar aveis, respectivamente.
28
3.1
Modelagem de Sistemas N ao-Repar aveis

Sistemas n ao-repar aveis caracterizam-se por n ao serem pass veis de nenhum tipo de
a c ao de reparo (manuten c ao) ap os uma falha. Al em disso, a falha de um sistema n ao afeta o desempenho de outros sistemas similares, sendo razo avel considerar que os seus tempos de vida sejam independentes. Assumindo-se que sistemas similares estejam sujeitos ` as mesmas condi c oes, e razo avel tamb em que tempos de vida sigam uma mesma distribui c ao de probabilidade (Rigdon and Basu, 2000). O tempo at e a falha, ou tempo de vida, e modelado como uma vari avel aleat oria, e as suposi c oes descritas anteriormente eq uivalem a dizer que os tempos de vida de sistemas similares s ao independentes e identicamente distribu dos (i.i.d) sendo provenientes de alguma fun c ao de distribui c ao cumulativa. A seguir apresentam-se as t ecnicas n ao-param etricas e param etricas de modelagem estoc astica (Papoulis, 1991) de sistemas n ao-repar aveis.
3.1.1
T ecnicas N ao-Param etricas

T ecnicas n ao-param etricas s ao em geral menos ecientes que t ecnicas param etricas nos
casos em que se conhece a distribui c ao dos tempos de falha, e mais ecientes caso contr ario. Lee and Wang 2003 sugerem que t ecnicas n ao-param etricas sejam utilizadas antes do ajuste de alguma fun c ao param etrica aos dados de falha (censurados ou n ao). Al em disso, se o objetivo da an alise e a escolha de um modelo para os dados de falha, as estimativas obtidas a partir de t ecnicas n ao-param etricas podem ser u teis e auxiliam na decis ao sobre qual fun c ao adotar. H a duas t ecnicas n ao-param etricas mais utilizadas na modelagem de conabilidade: Limite-Produto, conhecida tamb em por estimador de Kaplan-Meier (Kaplan and Meier, 1958), e o modelo atuarial baseado em Tabelas de Vida. O estimador de Kaplan-Meier pode ser utilizado tanto para amostras pequenas quanto grandes. No entanto, quando as amostras s ao muito grandes, os dados j a est ao agrupados em intervalos ou h a interesse em avaliar grandes popula c oes, as Tabelas de Vida s ao mais convenientes (Lee and Wang, 2003). As estat sticas obtidas por ambas as t ecnicas s ao similares, e a u nica diferen ca entre elas e que a primeira baseia-se no tempos de falha de cada sistema individualmente, enquanto na segunda, os tempos de falha s ao agrupados em intervalos. Um inconveniente presente em ambas as t ecnicas e que as esti-
3.1. Modelagem de Sistemas N ao-Repar aveis
29
mativas entre dois tempos de falha distintos s ao iguais, e para obter uma estimativa em um tempo intermedi ario, a mesma deve ser calculada por interpola c ao. Um exemplo de estimativa da fun c ao conabilidade obtida por meio do estimador de Kaplan-Meier e apresentado na Figura 3.2. Mais detalhes sobre a utiliza c ao dos estimadores de Kaplan-Meier e Tabelas de Vida podem ser obtidos em Lee and Wang 2003 e Freitas and Colosimo 1997.
1 0.9 0.8 0.7 0.6 R(t) 0.5 0.4 0.3 0.2 0.1 0
Estimativa de KaplanMeier Limite superior do intervalo de confiana 95% Limite inferior do intervalo de confiana 95% Dados de falha
10 t
15
20
25
Figura 3.2: Estimativa de Conabilidade utilizando estimador de Kaplan-Meier para dados de falha gerados aleatoriamente segundo uma distribui c ao exponencial. Para a estimativa, utilizouse a fun c ao ecdf(.) do Statistical Toolbox do Matlab R
3.1.2
T ecnicas Param etricas

poss E vel modelar o tempo de vida at e a falha de um sistema n ao-repar avel como uma
vari avel aleat oria, cont nua e que assume somente valores n ao negativos. A unidade de medida para o tempo de vida pode ser horas, dias ou anos, ou mesmo uma unidade que represente o uso, como ciclos de opera c ao ou quil ometros. Uma vari avel aleat oria pode ser descrita por sua fun c ao densidade de probabilidade (probability density function pdf ), sua fun c ao de distribui c ao cumulativa (cumulative distribution
30
function cdf ), al em das estimativas para a m edia e vari ancia (Papoulis, 1991). Assumindose que a fun c ao densidade de probabilidade para o tempo de falha do sistema seja conhecida, estamos interessados em estimar a probabilidade de o sistema n ao falhar ap os um instante t (conabilidade ou probabilidade de sobreviv encia), que e dada pela equa c ao 3.1 (Birolini, 2004).
R(t) = P (T > t) =
t
f (x)dx
(3.1)
A fun c ao de distribui c ao cumulativa (cdf ) e dada pela equa c ao 3.2.
F (t) = P (T t), t > 0F (t) = 0, t 0 Assim, a conabilidade R(t) e dada tamb em por
(3.2)
R(t) = 1 F (t)
(3.3)
A fun c ao densidade de probabilidade (para vari aveis aleat orias cont nuas) e dada por f (t + t) F (t) t
f (t) = lim
t0
(3.4)
A fun c ao de conabilidade R(t) e a probabilidade do tempo de vida ou sobreviv encia T de um sistema ou componente ser maior que t. De outra maneira, a n ao-conabilidade ea probabilidade do sistema falhar antes de t. O tempo m edio de vida at e a falha ou MTTF(Mean Time to Failure ) e obtido por meio do operador esperan ca E [.] dado por 3.5.
M T T F = E [T ] =
0
R(t)dt
(3.5)
Uma outra medida de interesse e a conabilidade condicional do sistema. Esta e denida como a probabilidade de um sistema operar adequadamente por mais um per odo de tempo , dado que o mesmo n ao tenha falhado at e o instante t, e e dada por 3.6. R(t + ) R(t)
R( |t) = P (t > t + |T > t) =
(3.6)
3.1. Modelagem de Sistemas N ao-Repar aveis
31
Outra fun c ao importante para estudos de conabilidade e a fun c ao taxa de falha (failure rate function ou harzard function ) que e denida como a probabilidade de um sistema falhar no pr oximo instante de tempo t + t, dado que o mesmo n ao tenha falhado at e o instante t. Tal fun c ao e bastante utilizada na pr atica pois fornece evid encias sobre a condi c ao de opera c ao do sistema do ponto de vista da sua conabilidade, ou seja, conhecida a taxa de falha do sistema em um certo instante, e poss vel inferir sobre a sua condi c ao em uma instante imediatamente posterior. Por exemplo, uma alta taxa de falha em um instante t indica uma alta probabilidade de falha do sistema em um instante de tempo t + t. Pela sua deni c ao e ap os desenvolvimentos matem aticos, a fun c ao taxa de falha e dada por 3.7. f (t) R(t)
h(t) = lim P (T t + t|T > t) =

t0
(3.7)
A fun c ao taxa de falha cumulativa e dada por 3.8.

t
H (t) =
0
h(x)dx
(3.8)
A partir das equa c oes 3.7 e 3.8, e ap os alguns desenvolvimentos matem aticos, podemos estimar a taxa de falha m edia de um sistema em um intervalo de tempo (t1 ,t2 ) por meio da equa c ao 3.9. 1 t2 t1
t2
h(t1 , t2 ) =
h(t)dt =
t1
H (t2 ) H (t1 ) t2 t1
(3.9)
As fun c oes taxa de falha h(t), densidade de probabilidade f(t), de distribui c ao cumulativa F(t), de conabilidade R(t) e taxa de falha cumulativa H(t) est ao relacionadas pelas equa c oes 3.10 e 3.11. d ln R(t) dt
h(t) =
(3.10)
R(t) = eH (t)
(3.11)
32
Uma vez conhecida qualquer das fun c oes, o comportamento do sistema ca completamente descrito, pois as demais podem ser deduzidas a partir de 3.10 ou 3.11. As fun c oes de distribui c ao de probabilidades mais utilizadas em estudos de conabilidade s ao apresentadas no Anexo A, assim como algumas considera c oes acerca de suas propriedades e aplica c oes. Como comentado anteriormente, os modelos estoc asticos param etricos podem ser utilizados para a an alise de conabilidade de sistemas e componentes. No entanto, e em geral mais apropriado obter modelos para os componentes e ent ao, atrav es de alguma t ecnica de modelagem sist emica como RBD, FTA ou Cadeias de Markov, obter o modelo para o sistema. Uma introdu c ao ` as t ecnicas de modelagem sist emicas est a dispon vel no Anexo B.
3.2
Modelagem de Sistemas Repar aveis

Sistemas repar aveis caracterizam-se por serem pass veis de alguma a c ao de manuten c ao
ap os falhar. O tempo at e a primeira falha de um sistema repar avel e modelado de forma similar aos sistemas n ao-repar aveis. Ap os a primeira falha, uma a c ao de manuten c ao (reparo) pode ser executada, e o sistema volta ` a sua condi c ao de opera c ao. O tempo at e a pr oxima falha depende do tipo de reparo realizado, o qual n ao e necessariamete explicado pela distribui c ao de probabilidade utilizada para descrever o tempo at e a primeira falha. Assim, as suposi c oes de independ encia dos tempos de falha e de que os mesmos sejam identicamente distribu dos (i.i.d) n ao s ao sempre v alidas (Rigdon and Basu, 2000). Conseq uentemente, os dados de falha de sistemas repar aveis precisam receber um tratamento estat stico diferente dos sistemas n aorepar aveis (dos Santos and Colosimo, 2003). Dados de falha de sistemas repar aveis s ao em geral representados por meio de processos pontuais (processos de contagem), que por sua vez, podem ser especicados em fun c ao de sua intensidade de recorr encia de falhas. Rigdon and Basu (2000) denem processos pontuais como modelos estoc asticos que descrevem a ocorr encia de eventos no tempo, referindo-se a ocorr encia no tempo como sendo os tempos entre falhas de um sistema repar avel. OConnor (2002) dene processos pontuais como sendo uma seq u encia de eventos discre-
3.2. Modelagem de Sistemas Repar aveis
33
tos que ocorrem aleatoriamente dentro de um intervalo. Segundo o mesmo autor, processos como esse n ao podem ser adequadamente representados por uma u nica fun c ao de distribui c ao cont nua. Os tempos entre ocorr encias n ao s ao nem independentes nem identicamente distribu dos. Essas caracter sticas inuenciam na escolha do modelo a ser adotado e depende da interpreta c ao e/ou conhecimento que o analista tem sobre o sistema e os dados de falha e reparo. Sistemas que apresentam v arias falhas ao longo do seu ciclo de vida e que podem ter sua fun c ao (ou fun c oes) restauradas a partir de uma a c ao de manuten c ao s ao denominados sistemas repar aveis. Nesse caso, o MTTF e o tempo m edio at e a primeira falha. Ap os o reparo, o tempo m edio at e a pr oxima falha e denominado tempo m edio entre falhas ou MTBF(Mean Time Between Failures ). O tempo entre falhas e medido entre o instante de tempo em que o sistema teve sua fun c ao reparada at e o instante em que apresente uma nova falha, ou seja, n ao leva em considera c ao o tempo de reparo da fun c ao (Kuo and Zuo, 2003). Um aspecto importante para a an alise de sistemas repar aveis, e o conhecimento sobre a natureza do reparo realizado, que pode restaurar a fun c ao do sistema para um estado de, por exemplo, t ao-bom-quanto-novo (as-good-as-new ), ou seja, o reparo e perfeito, e nesse caso o tempo m edio at e a primeira falha ser a igual ao tempo m edio entre falhas (MTTF = MTBF). Na hip otese de um reparo perfeito, o comportamento de falha do sistema segue a mesma distribui c ao de probabilidade. No entanto, esta considera c ao nem sempre e v alida na pr atica, mas e uma das hip oteses simplicadoras utilizadas em grande parte da literatura referente ` a engenharia de conabilidade. Os tempos de reparo tamb em se caracterizam como vari aveis aleat orias e podem ser descritos atrav es de fun c oes de distribui c ao de probabilidade. Assim, uma vez escolhida a distribui c ao de probabilidade que melhor representa o tempo de reparo, pode-se de forma similar ao que e feito para os tempos de falha, obter a estimativa para o tempo m edio de reparo ou MTTR (Mean Time to Repair ). Para sistemas n ao-repar aveis, a m edia (MTTF) e a vari ancia das distribui c oes s ao medidas adequadas para descrever o comportamento de falha do sistema. No caso de sistemas repar aveis a disponibilidade intr seca e geralmente empregada, pois contempla tanto os tempos de falha como os tempos de reparo na sua formula c ao, permitindo uma representa c ao mais adequada do comportamento do sistema no tempo.
34
Assumindo-se um reparo perfeito, e ap os desenvolvimentos matem aticos, a equa c ao para c alculo da disponibilidade intr seca em regime estacion ario e uma fun c ao da conabilidade, representada por uma taxa de falha constante igual a , e da mantenabilidade, representada por uma taxa de reparo constante igual a , ambas seguindo uma distribui c ao exponencial, e dada por 3.12. M T BF M T BF + M T T R
A= Sendo =
1 M T BF
(3.12)
e=
1 MT T R ,
a equa c ao 3.12 pode ser reescrita como 3.13. +
A=
(3.13)
Os modelos mais comuns para sistemas repar aveis cujas a c oes de manuten c ao s ao reparos imperfeitos (reparo m nimo) s ao os baseados em processos de Poisson n ao-homog eneos (PPNH). Caso as a c oes de manuten c ao sejam reparos perfeitos, os modelos mais utilizados s ao os que se baseiam em um processo de renova c ao (RP), sendo os processos de Poisson homog eneos (reparo perfeito com conabilidade e mantenabilidade exponenciais e as respectivas taxas de falha e reparo constantes, s ao casos particulares de um processo de renova c ao (Lindqvist, 1998) ). Conforme comentado anteriormente, as falhas em um sistema repar avel podem ser modeladas segundo um processo de contagem, para o qual e denida uma fun c ao n umero de recorr encias N (t) no intervalo (0, t]. A intensidade de recorr encia I (t) de um processo de contagem e denida como:
I (t) = lim
dt0
P (Recorr^ encias no intervalo (t, t + dt]) E [dN (t)] = lim dt0 dt dt
(3.14)
Assumindo-se que n ao acontecem recorr encias simult aneas, a equa c ao 3.14 reduz-se a 3.15. E [N (t)] dt0 dt
I (t) = lim
(3.15)
3.2. Modelagem de Sistemas Repar aveis
35
Fazendo-se M (t) = E [N (t)] , e integrando-se em t ambos os lados da equa c ao 3.15, obt em-se a estimativa para o n umero m edio de recorr encias at e o tempo t, que e igual ` a intensidade de falhas acumulada. M (t) e conhecida por fun c ao cumulativa m edia (MCF - Mean Cumulative Function ) e e dada por 3.16, para um tempo de miss ao T .
T
M (T ) = E [N (t)] =
0
I (u)du
(3.16)
A seguir os modelos n ao-param etricos e param etricos para sistemas repar aveis s ao revisados sob seus aspectos te oricos e pr aticos.
3.2.1
T ecnicas N ao-Param etricas

Assim como em sistemas n ao-repar aveis, existem t ecnicas que independem da especi-
ca c ao de uma fun c ao param etrica para que as infer encias sobre a conabilidade de sistemas repar aveis possam ser realizadas. Uma t ecnica gr aca conhecida e a plotagem da fun c ao de m edia acumulada (MCF - Mean Cumulative Function ) em fun c ao do tempo, dada pela equa c ao 3.16, na qual e poss vel vericar a exist encia de tend encias na fun c ao intensidade de falhas. Sistemas cuja MCF apresente alguma tend encia de crescimento ou decrescimento, s ao modelados por processos de Poisson n ao-homog eneos. Ou seja, o uso da t ecnica de plotagem da MCF fornece informa c oes quanto a natureza do modelo a ser empregado na modelagem de um sistema repar avel. A MCF e similar ` a taxa de falha cumulativa denida para sistemas n ao-repar aveis. Na Figura 3.3 apresenta-se um exemplo da MCF para um sistema repar avel.
3.2.2
T ecnicas Param etricas

A maioria dos modelos param etricos para sistemas repar aveis s ao escolhidos dependendo
do tipo de reparo realizado no sistema ap os uma falha que pode ser um (1) reparo perfeito, que conduz a um processo de contagem conhecido por processo de renova c ao (PR), (2) um reparo m nimo, que conduz a um processo de Poisson n ao-homog eneo (PPNH), ou (3) reparo imperfeito, situa c ao intermedi aria entre as situa c oes (1) e (2). No caso de reparo perfeito, o processo de renova c ao e utilizado na modelagem. Um caso particular do processo de renova c ao e o processo de Poisson homog eneo (PPH), o mais
36
Figura 3.3: Exemplo de MCF para dados de falha de um sistema repar avel. A MCF foi obtida utilizando-se o pacote estat stico Minitab R 15.1.1.0.
simples dos modelos que descrevem a ocorr encia de falha em sistemas repar aveis. No entanto, o modelo PPH assume que o sistema e estacion ario, ou seja, seus componentes n ao est ao sujeitos a deteriora c ao com o tempo, e que n ao h a nenhum desgaste em tempo local, ou seja, no tempo entre falhas, considera c oes que evidentemente n ao s ao observadas na pr atica (Rigdon and Basu, 2000).
3.3
Estima c ao de Par ametros

Modelos param etricos, seja para sistemas repar aveis ou n ao-repar aveis, precisam ter seus
par ametros estimados a partir de alguma t ecnica para que quem completamente caracterizados. Os m etodos de estima c ao de par ametros mais utilizados s ao o da m axima verossimilhan ca (Maximum Likelihood Estimator - MLE) e o de m nimos quadrados (Least Square Estimator LSE).
3.3. Estima c ao de Par ametros
37
3.3.1
Estimador de M axima Verossimilhan ca MLE

O estimador de m axima verossimilhan ca e um m etodo estat stico para a identica c ao
das fun c oes e par ametros que melhor explicam um conjunto de dados dispon veis (amostra). Um vetor de par ametros deve ser escolhido com o objetivo de maximizar uma fun c ao de verossimilhan ca L(), dada por:
L() = f (x1 , . . . , xN |)
(3.17)
,onde f e alguma fun c ao de distribui c ao de probabilidade e x1 , . . . , xN uma amostra dos dados de falha ou fen omeno de interesse. Quando os dados x1 , . . . , xN s ao independentes e identicamente distribu dos (i.i.d) com par ametros desconhecidos, a equa c ao 3.17 pode ser substitu da por:
n
L() =
i=1
f (xi | )
(3.18)
A equa c ao 3.19 e obtida aplicando-se o operador logaritmo a ambos os lados da equa c ao 3.18.
n
L () =
i=1
log f (xi | )
(3.19)
Ap os esta transforma c ao, 3.19 e utilizada em um problema de otimiza c ao para que sejam encontrados os par ametros que maximizam a fun c ao de verossimilhan ca. Nesse caso, s ao aplic aveis algoritmos de otimiza c ao determin sticos. O estimador de m axima verossimilhan ca pode ser utilizado tanto para dados censurados como para dados n ao-censurados (censuras referem-se aos eventos para os quais an alises de conabilidade s ao desenvolvidas por em uma falha n ao tenha sido observada at e o momento que as amostras tenham sido coletadas. No caso de sistemas n ao-repar aveis, suponha-se que v arios sejam submetidos a testes durante um certo per odo ou at e que um determinado n umero de eventos falha tenham sido observados, as censuras referem-se aos sistemas/componentes que
38
ainda n ao haviam falhado at e o m do teste. Para mais informa c oes sobre conceito de censura vide (OConnor, 2002) e (Freitas and Colosimo, 1997).).
3.3.2
Estimador de M nimos Quadrados LSE

O estimador de m nimos quadrados baseia-se na minimiza c ao do quadrado dos res duos
quando se compara os valores reais e os valores obtidos por meio do modelo ajustado aos dados. N ao e um m etodo indicado para casos em que os dados s ao censurados, pois n ao e capaz de incorporar essa informa c ao ao c alculo dos par ametros. O estimador de m nimos quadrados e a t ecnica que embasa a utiliza c ao de plotagem de conabilidade, a qual pode ser tamb em utilizada para se obter uma estimativa para os par ametros do modelo. Para maiores detalhes sobre o estimador de m nimos quadrados, Aguirre (2007) e uma boa refer encia.
3.4
Valida c ao de Modelos - Testes de Adequa c ao

A valida c ao de modelos de conabilidade para sistemas repar aveis ou n ao-repar aveis se
d a por meio de testes estat sticos (testes de hip otese) ou com aux lio de t ecnicas gr acas. A resposta que se pretende obter por meio da etapa de valida c ao e se o modelo adotado e adequado ` a representa c ao dos dados de falha e/ou reparo de um sistema em estudo. A etapa de valida c ao de modelos e essencial ao trabalho do analista/engenheiro de conabilidade, pois o uso de modelos inadequados pode levar a decis oes equivocadas. A seguir s ao apresentadas as t ecnicas mais utilizadas para a valida c ao de modelos de sistemas n ao-repar aveis e repar aveis.
3.4.1
3.4.1.1
T ecnicas Gr acas
Para Sistemas N ao-Repar aveis Uma das t ecnicas de valida c ao de modelos para sistemas n ao-repar aveis e conhecida por
Plotagem de Probabilidade. Tal t ecnica consiste basicamente em plotar os dados do modelo linearizado em um gr aco x-y em escala logar tmica. Tais gr acos s ao padronizados para cada
3.4. Valida c ao de Modelos - Testes de Adequa c ao
39
uma t tipo de distribui c ao e conhecidos como pap eis de probabilidade. E ecnica simples na qual a conclus ao sobre se o modelo e adequado ou n ao aos dados se d a quando estes est ao alinhados ao modelo linearizado. Uma vantagem da plotagem de conabilidade e o uso de gr acos padronizados e que, uma vez que o modelo tenha sido validado, os par ametros do modelo podem ser facilmente obtidos diretamente dos gr acos. Outra t ecnica simples bastante utilizada e a an alise do gr aco fun c ao taxa de falha. Neste gr aco e em geral poss vel a identica c ao de tend encias nos dados, o que pode auxiliar na escolha de distribui c oes mais adequadas. N ao e, no entanto, um m etodo conclusivo.
3.4.1.2
Para Sistemas Repar aveis Para sistemas repar aveis tr es t ecnicas gr acas s ao geralmente empregadas, s ao elas:
Plotagem da intensidade de falha vs. Tempo, Gr aco de Duane (Duane Plot ) e Gr aco de Tempo total em teste (TTT plot ). Estas t ecnicas gr acas possibilitam a visualiza c ao de tend encias nos dados de falha de um sistema repar avel, e auxiliam na decis ao ou valida c ao sobre o modelo param etrico utilizado. O Gr aco de Duane e obtido tra cando-se um gr aco x-y em escala logar tmica de
N (ti ) ti
versus ti , sendo i = 1, 2, . . . , n. Tal gr aco e usualmente empregado para aceitar ou rejeitar a hip otese de que os dados de falha possam ser adequadamente representados por um processo de lei de pot encia (PLP). Se o gr aco obtido e aproximadamente linear, o modelo PLP e adequado. Rigdon and Basu (2000) apresenta uma prova para tal arma c ao. Os par ametros do modelo PLP linearizado podem ser obtidos por meio do estimador de m nimos quadrados, o qual e t ao eciente quanto o de m axima verossimilhan ca. O Gr aco de Tempo total em teste (TTT) e tamb em empregado para avaliar a adequa c ao do modelo PLP. Caso o gr aco TTT obtido esteja aproximadamente sobre diagonal de um quadrado unit ario, a hip otese de que o PLP seja um modelo adequado e aceita. Rigdon and Basu (2000) fornece mais detalhes sobre a constru c ao do gr aco TTT. Tal gr aco pode ser utilizado tamb em para sistemas n ao-repar aveis.
40
3.4.2
Testes Estat sticos

Testes de hip otese s ao utilizados para se vericar se um modelo adotado e sucientemente
adequado para representar um conjunto de dados. S ao v arios os testes dispon veis que consistem em aceitar ou rejeitar a hip otese de que os dados de falha/reparo analisados sejam oriundos de um modelo em particular. Para mais detalhes sobre testes de hip otese, Sheskin (2003) e Montgomery and Runger (1994) s ao otimas refer encias.
Cap tulo 4
T ecnicas de Modelagem baseadas em Intelig encia Computacional

O estudo de sistemas naturais e o avan co computacional v em auxiliando cada vez mais na solu c ao de problemas complexos. Antes de se ter recursos computacionais como se tem atualmente, conceitos bio-inspirados eram dif ceis de ser implementados. Ao conjunto de t ecnicas provenientes do estudo de sistemas naturais aliado aos m etodos estoc asticos d a-se o nome de Intelig encia Computacional. Tais t ecnicas s ao listadas a seguir: Redes Neurais Articiais; c ao Evolucion aria; Computa Intelig encia Coletiva ou de Enxame; Sistemas Nebulosos; Sistemas Imunol ogicos Articiais.
4.1
Redes Neurais Articiais

Umas das topologias de redes neurais articiais denomidada Multi Layer Perceptron
(MLP). Cada neur onio articial recebe um sinal do ambiente ou de outros neur onios, coleta esses sinais e quando ativado transmite um sinal para todos os outros neur onios a ele conectados. Diversos tipos de redes neurais j a foram propostas as quais t em potenciais de aplica c ao 41
42
Cap tulo 4. T ecnicas de Modelagem baseadas em Intelig encia Computacional
diversicados (Engelbrecht, 2003). Em uma rede neural articial, sinais de entrada inibem ou excitam um neur onio atrav es de pesos negativos ou positivos associados a cada neur onio da rede. A ativa c ao do neur onio e a for ca do sinal de excita c ao s ao controlados por uma fun c ao de ativa c ao. O neur onio capta todos os sinais de entrada e calcula um sinal l quido como uma fun c ao dos respectivos pesos. O sinal l quido serve como uma entrada de ativa c ao que calcula o sinal de sa da do neur onio. Redes neurais podem ser aplicadas ` a engenharia de conabilidade para aproximar fun c oes densidade de probabilidade e nas an alises de conabilidade com base nos dados de falha (Najim et al., 2004; de B. Pereira and Rao, 2005). Mais detalhes sobre o projeto e aplica c oes de redes neurais articiais podem ser obtidos em (Haykin, 1999).
4.2
Computa c ao Evolucion aria

As t ecnicas de computa c ao evolucion aria t em como objetivo modelar o processo de evo-
lu c ao natural, onde o principal conceito associado e o de sobreviv encia dos mais adaptados ao ambiente. Na evolu c ao natural, a capacidade de sobreviv encia e atingida por meio de um processo de reprodu c ao, cujos lhos que s ao gerados de dois ou mais pais, cont em material gen etico de ambos ou todos, e com as melhores caracter sticas de todos. Os indiv duos que herdam caracter sticas ruins, s ao fracos e perdem a batalha pela sobreviv encia. Em computa c ao evolucion aria uma popula c ao de indiv duos e gerada para evoluir. Um indiv duo e denominado cromossomo. Um cromossomo dene as caracter sticas de indiv duos em um popula c ao. Cada caracter stica e denominada gene. O valor de um gene e denominado alelo. Para cada gera c ao, indiv duos competem para reproduzir e gerarem lhos. Os indiv duois com melhor capacidade de sobreviv encia t em maiores chances de se reproduzirem. Um lho e gerado pela combina c ao de partes dos pais por um processo denominado cruzamento (crossover ). Cada indiv duo na popula c ao pode sofrer muta c oes que alteram alguns dos alelos do cromossomo. A for ca de sobreviv encia de um indiv duo e medida usando um fun c ao de adequa c ao (tness ), a qual reete os objetivos e as restri c oes do problema a ser resolvido. Ap os cada gera c ao, os melhores indiv duos podem ser selecionados para a pr oxima gera c ao (elitismo). Al em disso
4.2. Computa c ao Evolucion aria
43
caracter sticas comportamentais podem ser usadas para inuenciar o processo evolucion ario de duas formas: fen otipos podem ser inuenciados por meio de mudan cas gen eticas, e/ou caracter sticas comportamentais separadamente, promovendo um desenvolvimento gradual e natural dos indiv duos de uma popula c ao. Engelbrecht (2003) cita as classes de algoritmos que comp oem o que se denomina Computa c ao Evolucion aria: eticos: modelam o processo de evolu c ao; Algoritmos gen Programa c ao Gen etica: baseiam-se nos algoritmos gen eticos, por em os ind viduos s ao programas representados por arvores; Programa c ao Evolucion aria: decorre da simula c ao do comportamento adaptativo de um processo de evolu c ao (evolu c ao de fen otipos); egias de Evolu c ao: modelam os par ametros que controlam o processo de evolu c ao, Estrat ou seja, a evolu c ao da evolu c ao; Evolu c ao Diferencial: similar aos algoritmos gen eticos, por em apresenta diferen cas no processo de reprodu c ao; c ao Cultural: modela a evolu c ao da cultura de uma popula c ao, bem como a inu encia Evolu da cultura sobre a evolu c ao gen etica e do fen otipo dos indiv duos; Co-evolu c ao: processo de evolu c ao de indiv duos inicialmente n ao adaptados por meio de um processo de coopera c ao ou competi c ao com demais indiv duos. Segundo o mesmo autor a computa c ao evolucion aria tem sido aplicada com sucesso em problemas reais como, por exemplo, em minera c ao de dados (datamining ), otimiza c ao combinat oria, diagn ostico de falhas, classica c ao, clusteriza c ao, programa c ao e aproxima c ao de s eries temporais. No cap tulo 6 uma aplica c ao da computa c ao evolucion aria e apresentada com resultados obtidos. O trabalho foi apresentado no I Simp osio de Intelig encia Computacional realizado em
44
Florian opolis-SC (SBIC) promovido pela Sociedade Brasileira de Redes Neurais (SBRN), tendo sido muito bem avaliado. Foi tamb em um dos artigos convidados ` a submiss ao de uma vers ao revisada para a revista Linear and Non-Linear Models da SBRN (Salgado et al., 2007). Mais detalhes sobre o projeto e aplica c oes da computa c ao evolucion aria podem ser obtidos em Ashlock (2005), Menon (2004) e Jong (1997). Levitin (2007) apresenta diversos exemplos de aplica c ao de t ecnicas de computa c ao evolucion aria a problemas de engenharia de conabilidade.
4.3
Intelig encia de Popula c ao (Swarm Intelligence )

Intelig encia de popula c ao e um conceito relativamente novo, com muito potencial de
desenvolvimento e ainda com poucas aplica c oes a problemas reais. O conceito originou-se do estudo de col onias ou popula c oes de indiv duos sociais. Estudos de comportamento social de organismos em col onias s ao empregados no projeto de algoritmos de otimiza c ao e clusteriza c ao muito ecientes (Kennedy and Eberhart, 2001). As abordagens mais atuais de intelig encia de popula c ao aplic aveis a problemas de otimiza c ao s ao o de enxame de part culas (Particle Swarm Optimization PSO) e o de Col onia de formigas (Ant-Colony Optimization ACO). A seguir apresentam-se algumas caracter sticas das duas abordagens. uma abordagem de otimiza PSO E c ao global, inspirada no comportamento social de grupos de p assaros. Cada indiv duo na popula c ao e um indiv duo chamado part cula, e v arias part culas constituem um enxame de part culas. O ajuste da posi c ao de uma part cula depende da sua pr opria posi c ao e tamb em da posi c ao dos seus vizinhos. O PSO pode ser aplicado em aproxima c ao de fun c oes, clusteriza c ao, otimiza c ao de estruturas mec anicas e solu c ao de sistemas de equa c oes; uma abordagem de otimiza c ao global que modela o processo de dep osito de ferom onios ACO E por formigas na sua procura pelo caminho mais curto para a fonte de alimento, resultando no desenvolvimento de algoritmos de otimiza c ao na busca pelo caminho-m nimo. Mais detalhes sobre as t ecnicas de intelig encia de popula c ao podem ser obtidas em
4.4. Sistemas Nebulosos ( Fuzzy Systems)
45
Kennedy and Eberhart (2001). Levitin (2007) apresenta diversos exemplos de aplica c ao de t ecnicas de intelig encia de popula c ao em problemas de engenharia de conabilidade.
4.4
Sistemas Nebulosos (Fuzzy Systems )

Sistemas nebulosos (fuzzy systems ) baseiam-se na teoria da l ogica nebulosa (fuzzy logic ),
na qual a incerteza devido ` a imprecis ao ou informa c ao vaga e modelada por meio de fun c oes de pertin encia (Jang, 1997). A id eia principal no uso da l ogica nebulosa e a de modelar o racioc nio humano por meio de vari aveis lingu sticas e as regras pelas quais as mesmas se relacionam. Constitui-se em uma ferramenta poderosa, pois na pr atica a informa c ao necess aria ` a modelagem ou an alise de um problema ou sistema de interesse somente pode ser obtida por meio de um processo de elicita c ao, no qual especialistas s ao consultados. Muitas vezes os especialistas n ao s ao capazes de expressar o seu conhecimento de forma num erica. Na engenharia de conabilidade esse e um problema bastante comum e que restringe o uso de t ecnicas tradicionais baseadas em modelos estoc asticos. As t ecnicas nebulosas s ao ent ao alternativas interessantes que podem viabilizar o desenvolvimento de t ecnicas de modelagem e an alise que incorporem o conhecimento t acito dos especialistas, e que sejam menos dependentes da disponibilidade de dados hist oricos. Conabilidade nebulosa (fuzzy reliability ) e o termo empregado na comunidade cient ca para se referir ` as t ecnicas de modelagem e an alise de conabilidade baseadas em modelos nebulosos. Como comentado na se c ao 2.1, em conabilidade nebulosa, ao inv es de se empregar distribui c oes de probabilidade, utiliza-se distribui c oes de possibilidades, e a maioria das t ecnicas de modelagem gr acas como RBD e FTA podem ser quanticadas por meio de modelos nebulosos, ao inv es de modelos estoc asticos. Em Sandri et al. (1990) o processo de elicita c ao para o desenvolvimento de modelos possibil sticos e investigado. Dubois et al. (1993) investiga a transforma c ao de modelos estoc asticos em modelos possibil sticos. Em Levitin (2007) exemplos de aplica c ao da conabilidade nebulosa s ao apresentados.
46
4.5
Sistemas Imunol ogicos Articiais (Articial Immune Systems )

Mais recentemente uma classe de algoritmos inspirada em mecanismos de sistemas imu-
nol ogicos t em sido aplicadas a diversos problemas de diagn ostico de falhas e reconhecimento de padr oes (de Castro and Zuben, 2002; de Castro Silva, 2003; de Castro e Silva, 2008). No presente trabalho, um algoritmo imune baseado no princ pio da sele c ao clonal, o qual e bem e utilizado para solu c ao de um problema de Otimiza c ao de explicado por de Castro Silva (2003), Conabilidade e comparado a um algoritmo gen etico (vide 6). H a v arios outros princ pios dos Sistemas Imunol ogicos que podem ser aplicados a diversos problemas complexos de engenharia.
Cap tulo 5
Otimiza c ao de Conabilidade
No cap tulo 3 procurou-se apresentar as t ecnicas tradicionais aplic aveis ` as engenharia de conabilidade utilizadas na modelagem de sistemas com foco em conabilidade e mantenabilidade. Por meio de um processo de modelagem e an alise do sistema e dados de falha (os quais podem ser dados de campo, dados de testes ou dados de especialistas) dispon veis, modelos matem aticos s ao obtidos. O modelo pode ser utilizado tanto na predi c ao de desempenho do sistema em algum instante futuro quanto para sua otimiza c ao (Figura 1.2). A otimiza c ao de conabilidade, no presente trabalho, recebeu aten c ao especial por se tratar de um problema pr atico de muita relev ancia no contexto industrial, seja em projeto de sistemas ou na deni c ao de metas e pol ticas de manuten c ao otimizadas. Este tem sido um tema de interesse desde a d ecada de 60. Muitas publica c oes t em abordado o assunto usando estruturas de sistemas e m etodos de solu c ao diferentes. Em Levitin (2007) as aplica c oes mais recentes da Intelig encia Computacional em Engenharia de Conabilidade s ao apresentadas. Uma introdu c ao detalhada ` a conabilidade de sistemas e otimiza c ao de conabilidade pode ser obtida em Kuo et al. (2001). Uma revis ao geral dos m etodos empregados na solu c ao de v arios problemas de otimiza c ao de conabilidade desde a d ecada de 70 e apresentada em Kuo and Prasad (2000), com excelente revis ao bibliogr aca do assunto. Em otimiza c ao de conabilidade, estamos interessados na escolha da arquitetura e dos componentes de um sistema de forma a atender requisitos tecnol ogicos, assim como mercadol ogicos. A otimiza c ao de conabilidade refere-se tamb em ` a aloca c ao de metas de conabilidade para c oes para problemas de otimiza c ao os sistemas j a em opera c ao. Em Levitin (2007), cinco formula 47
48
Cap tulo 5. Otimiza c ao de Conabilidade
de conabilidade s ao apresentadas. S ao elas: Maximizar conabilidade, ou minimizar custo sujeito a uma meta de conabilidade/custo, e demais restri c oes (Formula c ao Tradicional); Maximizar tempo de vida residual (percentile life ) sujeito a restri c oes, em caso de sistemas com tempo da miss ao indeterminado; Maximizar a disponibilidade de sistemas multi-estado satisfazendo curvas de demanda para um dado per odo de opera c ao do sistema e n vel de desempenho do sistema estabelecidos; Maximizar a conabilidade e minimizar os custos sujeito a restri c oes (Formula c ao Multiobjetivo) erie-paralelo: maximizar o m nimo da conabilidade dos sub-sistemas, su Para sistemas s jeito a uma ou mais restri c oes, lineares ou n ao lineares. O estudo de t ecnicas de otimiza c ao e extremamente importante ao engenheiro de conabilidade, uma vez que a busca por solu c oes fact veis com foco na maximiza c ao da conabilidade e minimiza c ao dos custos associados a um sistema s ao metas intr nsecas ao papel por ele desempenhado. A maximiza c ao da conabilidade n ao deve se dar de forma irrestrita, pois os recursos s ao nitos e n ao h a como n ao levar em considera c ao os custos decorrentes das escolhas do engenheiro. Assim, na pr atica, estamos sempre buscando solu c oes para problemas com restri c ao mono ou multiobjetivo. A meta principal de todo engenheiro de conabilidade e a de encontrar alternativas com foco no atendimento ` a conabilidade de sistemas. Kuo and Zuo (2003) cita alguns dos princ pios aceitos como boas pr aticas para a garantia/melhoria de conabilidade: Manter a arquitetura do sistema otimizada e compat vel com os n veis de desempenho desejados; Aumentar a conabilidade dos componentes do sistema; Utilizar redund ancia ativa para componentes de baixa conabilidade;
49
Utilizar redund ancia stand-by, que se torna ativa somente quando da ocorr encia de falhas; Realizar manuten c ao corretiva onde componentes em estado de falha s ao substitu dos ou reparados, e n ao voltam automaticamente ao estado operacional; Realizar manuten c ao preventiva de forma que componentes s ao substitu dos por novos quando falham ou em algum intervalo de tempo xo ou com base na sua condi c ao, o que acontecer primeiro; Utilizar arquiteturas otimizadas para troca de componentes; Utilizar fatores de seguran ca ou programas gerenciais de melhoria do sistema; Utilizar burn-in para componentes que apresentam altas taxas de falhas. A implementa c ao dos passos descritos acima v ao normalmente consumir recursos e um equil brio entre a conabilidade do sistema e o consumo de recursos e essencial. Todos os nove m etodos melhoram a conabilidade do sistema e requerem conhecimento profundo do mesmo e dos modelos de conabilidade. Problemas de otimiza c ao de conabilidade que englobam aloca c ao de redund ancias e conabilidade de componentes s ao reconhecidos na literatura como problemas NP-dif ceis, por se tratarem de problemas de natureza combinat oria e que, portanto, n ao podem ser resolvidos de forma eciente por nenhum m etodo exato (Trevisan, 2004). Assim, t ecnicas de computa c ao evolucion aria s ao aplic aveis, por se tratarem de t ecnicas estoc asticas que permitem que o espa co de busca seja explorado adequadamente. O presente trabalho teve por objetivo demonstrar a aplica c ao da computa c ao evolucion aria, assim como do algoritmo imune ao problema de otimiza c ao de conabilidade. Foi tamb em aplicado um algoritmo tradicional, ap os aplica c ao de algum dos algoritmos estoc asticos com o objetivo de melhorar a busca local. A seguir s ao apresentados os problemas de otimiza c ao e os resultados obtidos por meio da aplica c ao de dois algoritmos estoc asticos ao problema de otimiza c ao na sua formula c ao tradicional. Vale lembrar que toda a teoria de modelagem e an alise de conabilidade apresentada e a base para a formula c ao do problema de otimiza c ao aqui apresentado. O mono cap tulo 3 delo para o sistema e as vari aveis de interesse devem ser utilizados para a deni c ao de uma
50
fun c ao-objetivo, uma medida de conabilidade e/ou custos, e as restri c oes para o problema de otimiza c ao. Os modelos de conabilidade para os sistemas gen ericos utilizados na aplica c ao desenvolvida s ao obtidos por meio da an alise dos blocos de conabilidade (Anexo B.1). Um modelo exponencial para conabilidade dos componentes foi assumido (Anexo A). A otimiza c ao de sistemas com foco na conabilidade est a associada ` a escolha de solu c oes c oes para que atendam a requisitos tecnol ogicos estabelecidos. Em Levitin (2007) cinco formula o problema de otimiza c ao de conabilidade s ao citadas. Tr es sistemas gen ericos constitu dos por cinco sub-sistemas s ao estudados: sistema s erie S1 , sistema s erie-paralelo S2 e um sistema ponte (complexo) S3 . Para esses tr es sistemas, problemas de otimiza c ao foram formulados. No presente trabalho adotou-se o que foi denominado formula c ao tradicional (mono-objetivo) a qual foi tamb em adotada por Chen (2006). Adicionalmente, foram formulados problemas multi-objetivo. Problemas de aloca c ao de redund ancia-conabilidade s ao tipicamente denidos na forma de programa c ao n ao-linear mista-inteira (Gen and Yun, 2006). Os problemas de otimiza c ao mono-objetivo tratados no presente trabalho s ao formulados como segue: maximize RS (r, n) sujeito a g(r, n) 0 onde RS e a fun c ao-objetivo e g(r, n) s ao as restri c oes do problema de otimiza c ao. Na formula c ao multi-objetivo, s ao consideradas duas fun c oes-objetivo (5.1)
maximize [RS (r, n),
1 ] CS (r, n) (5.2)
sujeito a g(r, n) 0 RS R onde RS e

1 CS
s ao as fun c oes-objetivo e g(r, n) e R s ao as restri c oes do problema de otimiza c ao,
sendo esta u ltima referente ao m nimo de conabilidade esperada do sistema. Tanto na formula c ao mono-objetivo como na multi-objetivo, r [0, 1]m e o vetor de conabilidades dos componentes dos sub-sistemas e n Nm o vetor de n umero de redund ancias de cada sub-sistema.
5.1. Problemas de Otimiza c ao - Formula c ao Mono-objetivo
51
5.1
Problemas de Otimiza c ao - Formula c ao Mono-objetivo

A formula c ao do problema de otimiza c ao de conabilidade na sua vers ao mono-objetivo
e realizada escrevendo-se as fun c oes de conabilidade dos sistemas S1 , S2 e S3 a partir das conabilidades de seus sub-sistemas, as quais s ao obtidas a partir da conabilidade de seus componentes. A conabilidade de um Sistema s erie S1 com m = 5 sub-sistemas, como ilustrado na Figura 5.1, e dada por (vide Anexo B.1, se c ao B.1.1):
m
RS1 (r, n) =
i=1
Ri
(5.3)
Figura 5.1: Sistema s erie gen erico com cinco sub-sistemas. A conabilidade do sistema s erie-paralelo S2 com m = 5 sub-sistemas, como ilustrado na Figura 5.2 e dada por (vide Anexo B.1, se c ao B.1.3):
RS2 (r, n) = 1 (1 R1 R2 ) {1 [1 (1 R3 )(1 R4 )]R5 }
(5.4)
3 5 4
Figura 5.2: Sistema s erie-paralelo gen erico com cinco sub-sistemas. A conabilidade do sistema complexo S3 com m = 5 sub-sistemas, como ilustrado na
52
Figura 5.3 e dada por (vide Anexo B.1, se c ao B.1.7): RS3 (r, n) = R1 R2 + R3 R4 + R1 R4 R5 + R2 R3 R5 R1 R2 R3 R4 R1 R2 R3 R5 R1 R2 R4 R5 R1 R3 R4 R5 R2 R3 R4 R5 + 2R1 R2 R3 R4 R5 (5.5)
1 5 3
Figura 5.3: Sistema complexo (ponte) com cinco sub-sistemas. Em cada um dos sistemas apresentados anteriormente, h a m = 5 sub-sistemas. Ao se alocar redund ancias aos m sub-sistemas, cada sub-sistema passa a ser representado por um modelo RBD consistindo em n componentes em paralelo. Assumindo-se que os componentes redundantes alocados em cada sub-sistema sejam id enticos ao componente prim ario todos com conabilidade ri , pode-se ent ao escrever a conabilidade equivalente de cada sub-sistema Ri (i = 1, 2, ..., m) como (vide Anexo B.1, se c ao B.1.2):
Ri (ri , ni ) = 1 (1 ri )ni , i = 1, ..., m.
(5.6)
Por exemplo, para o sistema s erie da Figura 5.1, se em cada um dos seus sub-sistemas for alocado um novo componente de conabilidade ri igual ao componente original obt em-se um sistema como o apresentado na Figura 5.4. Suponha-se que se pretende otimizar a conabilidade de um sistema sujeita a limita c oes em termos de Custos, Volume e Peso. Desta forma, denem-se as fun c oes de restri c ao para o problema de otimiza c ao mono-objetivo como segue Tillman et al. (1980):
m
g1 (r, n) = V
i=1
2 2 wi vi ni
(5.7)
53
Figura 5.4: Sistema equivalente para o sistema s erie quando um componente redundante e alocado em cada um de seus sub-sistemas e possui conabilidade ri igual ao componente original do sub-sistema. , onde g1 refere-se ` a fun c ao de restri c ao em volume;
m
g2 (r, n) = C
i=1
T ln ri
(ni + eni /4 )
(5.8)
, onde g2 refere-se ` a fun c ao de restri c ao em custo e T e o tempo da miss ao do sistema;

m
g3 (r, n) = W
i=1
wi ni eni /4
(5.9)
, onde g3 refere-se a fun c ao de restri c ao em peso; As fun c oes 5.7, 5.8 e 5.9 relativas ` as restri c oes dependem das caracter sticas de seus sub-sistemas e componentes. Os valores e s ao par ametros assumidos constantes que representam caracter sticas f sicas dos componentes dos sub-sistemas, r e o vetor de conabilidade dos componentes de cada sub-sistema. V , C e W s ao as metas (limites) para o volume, o custo e o peso do sistema a ser otimizado. As restri c oes 5.7 e 5.8 dependem somente do n umero de redund ancias alocadas em cada sub-sistema, assumindo-se serem conhecidos o volume e o peso de cada componente os quais s ao assumidos id enticos em um dado sub-sistema. A restri c ao 5.8 depende do n umero de redund ancias como tamb em da conabilidade obtida deduzindo-se a rela de cada componente sendo alocado aos sub-sistemas. E c ao existente intuitivo que entre a conabilidade de cada sub-sistema e componente, e os custos para obt e-la. E componentes mais con aveis exijam maior disp endio de recursos (no projeto ou na manuten c ao).
54
No modelo desenvolvido, uma taxa de falhas constante e assumida e, portanto, uma distribui c ao exponencial e adequada para modelar a conabilidade dos componentes. Partindose desta premissa, e assumindo-se serem conhecidos os custos de cada componente de cada um dos sub-sistemas, o custo total do sistema pode ser obtido pelo somat orio do custo de cada subsistema, o qual e o somat orio do custo de cada componente. No caso da formula c ao utilizada no presente trabalho, o custo de cada componente e dado por 5.10. i
i i
C (ri ) = ,sendo ri dado pela equa c ao 5.11.
(5.10)
ri = ei t
(5.11)
Aplicando-se o logaritmo natural a ambos os lados de 5.11, chega-se ` a equa c ao que dene a taxa de falha de um dado componente i do sub-sistema, e e dada por: ln(ri ) T
i = Assim, 5.10 pode ser reescrita como:
(5.12)
C (ri ) = i ( ,que e exatamente a base para a equa c ao 5.8.
T i ) ln(ri )
(5.13)
Apresenta-se em (5.14) a formula c ao completa para o problema de otimiza c ao monoobjetivo. maximize RSk (r, n) sujeito a g(r, n) 0 0 ri 1, ni I+ , 1im m=5 (5.14)
55
,sendo RSk (k = 1, 2, 3) a fun c ao-objetivo correspondente ao sistema que se pretende otimizar (S erie, S erie-paralelo e Ponte). Por se tratar de um problema misto, envolvendo vari aveis inteiras (n umero de redund ancias), a solu c ao dessa classe de problemas por algoritmos determin sticos e tipicamente feita com a estrat egia branch-and-bound aplicada a um algoritmo n ao-linear. Entretanto, ela cria uma arvore de sub-problemas que onera a busca pela solu c ao, al em de herdar a caracter stica de aprisionamento em otimos locais. Essas limita c oes s ao fortes no problema (5.1), o que motiva o estudo de t ecnicas estoc asticas. Neste trabalho, o algoritmo gen etico (computa c ao evolucion aria) e o algoritmo imune (baseado no princ pio da fun c ao clonal de sistemas imunol ogicos, parte de estudos de t ecnicas atualmente conhecidas como sistemas imunol ogicos articiais) s ao avaliados na otimiza c ao de conabilidade de sistemas. Foram implementados os operadores fundamentais destes algoritmos com codica c ao real, e adicionado um tratamento diferenciado das restri c oes.
5.1.1
Algoritmo gen etico

O algoritmo gen etico (GA) se baseia na teoria da evolu c ao de Darwin, onde uma popu-
la c ao de indiv duos sujeitos a muta c oes s ao selecionados atrav es de gera c oes de acordo com o grau de adapta c ao ao ambiente. Espera-se obter uma popula c ao com indiv duos cada vez mais adaptados ao ambiente onde vivem por meio de operadores de cruzamento, muta c ao e sele c ao. Este algoritmo proporciona uma boa explora c ao dos locais entre os melhores indiv duos. A estrutura b asica de um algoritmo gen etico e apresentada no uxograma da Figura 5.5.
5.1.2
Algoritmo imune
O algoritmo imune (IA) se baseia no sistema imunol ogico, onde anticorpos s ao clonados e
maturados de acordo com o grau de casamento ao ant geno. Espera-se que os anticorpos combatam cada vez melhor o organismo invasor com operadores de clonagem, matura c ao e sele c ao. Este algoritmo promove uma boa explora c ao de v arios locais ao mesmo tempo (de Castro and Zuben, 2002). A estrutura b asica de um algoritmo imune e apresentada no uxograma da Figura 5.6.
56
Figura 5.5: Estrutura b asica do algoritmo gen etico (Ashlock, 2005).
Figura 5.6: Estrutura b asica do algoritmo imune (de Castro and Zuben, 2002).
57
5.1.3
Algoritmo elipsoidal
O m etodo elipsoidal (EM) e um algoritmo baseado na exclus ao de semi-espa cos. Esta
estrat egia trata restri c oes de modo transparente, i.e., o corte baseia-se na fun c ao objetivo caso n ao haja restri c oes ativas. Sua converg encia para o m nimo global e garantida caso as fun c oes envolvidas forem cont nuas quasi-convexas (note que as fun c oes podem n ao ser continuamente diferenci aveis, como ilustrado na Figura 5.7). Sua converg encia foi acelerada com o uso de m ultiplos cortes, provindos de cortes passados ou de v arias restri c oes ativas (Vieira et al., 2007). Sua aplica c ao no presente trabalho teve como objetivo uma melhor explora c ao local para a vari avel de decis ao real (conabilidade), mantidas xas as vari aveis inteiras (n umero de redund ancias) dos sistemas gen ericos estudados. Embora seja um algoritmo de otimiza c ao em uma vis ao n ao necessariamente de Intelig encia Computacional, considerou-se adequada sua inser c ao no presente trabalho, pois foi poss vel a obten c ao de resultados melhores do que os dispon veis na literatura como decorr encia da sua aplica c ao. O algoritmo consiste na atualiza c ao de uma solu c ao inicial xk selecionada na primeira itera c ao k = 0 tal que o ponto otimo x da fun c ao-objetivo f0 em estudo esteja contido no elipsoide E0 denido por 5.15, onde Qk e uma matriz positiva denida, e sujeito a restri c oes fi , i = 1, ..., m, denidas por 5.16.
1 E0 = {x Rn | (x xk )T Q k (x xk ) 1}
(5.15)
x S = {x Rn | fi (x) 0, i = 1, ..., m}
(5.16)
As fun c oes f0 e fi devem ser convexas, mas n ao e necess aria a hip otese de diferenciabilidade. Nas itera c oes subsequentes, e denida uma fun c ao de restri c ao fv na qual fi (xk ) assume o maior valor positivo ou a fun c ao-objetivo se fi (xk ) 0, i. O gradiente gk da fun c ao de restri c ao fv e calculado. Se gk = 0 ou sucientemente pequeno (dada uma precis ao estabelecida), n ao s ao necess arias outras itera c oes pois xk = x , ou seja, o ponto otimo foi encontrado. Do contr ario, e necess ario o c alculo da parcela de atualiza c ao da solu c ao xk para que uma nova
58
solu c ao vi avel xk+1 seja gerada (c alculo da dire c ao de busca d e da matriz Qk+1 dadas por 5.17 e 5.18, respectivamente).
xk+1 = xk 1 d
(5.17)
Qk+1 = 2 {Qk 3
Qk gk (Qk gk )T } TQ g gk k k
(5.18)
As constantes 1 , 2 , 3 s ao fun c oes da dimens ao n do problema e s ao dadas por: 1 n+1
1 =
(5.19)
2 =
n2 n2 1
(5.20)
3 =
2 [n(n + 1)]
(5.21)
3 2 1
xc
Figura 5.7: Atualiza c ao iterativa de uma elipse com o corte de um semiplano.
5.2. Resultados - Formula c ao Mono-objetivo
59
5.1.4
Tratamento de restri c oes

O tratamento de restri c oes dos algoritmos evolucion arios implementados usa a equiva-
l encia (Vieira et al., 2002) entre o problema mono-objetivo restrito original 5.1, com o problema multi-objetivo irrestrito maximize Rs (r, n) min{g(r, n), 0} onde as fun c oes objetivo adicionais s ao dadas por cada fun c ao de restri c ao limitada superiormente em zero. Dessa maneira o ponto otimo do problema (5.1) pertence ao conjunto Pareto otimo de em disso, ela permite uma melhor explora c ao de locais onde a fun c ao objetivo e menor (5.22). Al em regi oes infact veis ou mesmo atravessar regi oes infact veis. Pelo teorema do valor extremo, fronteiras de tais regi oes s ao grandes candidatas a conter pontos otimos. O primeiro objetivo dos algoritmos e localizar uma solu c ao fact vel. Para tanto, os objetivos s ao colocados em zero at e o primeiro deles ser encontrado. Para garantir que o v ertice da solu c ao fact vel esteja no conjunto Pareto nal, o melhor ponto fact vel e mantido na popula c ao de cada itera c ao. (5.22)
5.2
Resultados - Formula c ao Mono-objetivo

Os problemas de teste usados s ao dados pelas inst ancias de (5.1) nas congura c oes
s erie, s erie-paralelo e complexa de 5 subsistemas assim como apresentado em Chen (2006). Os valores dos par ametros dos modelos adotados s ao dados nas Tabelas 5.1 e 5.2. Os par ametros apresentados referem-se a caracter sticas f sicas dos componentes utilizados em cada subsistema dos sistemas de interesse (s erie, s erie-paralelo e complexo). Foi feita uma an alise estat stica para 200 resultados, ilustrada nas Figuras 5.8, 5.9 e 5.10. Os resultados apresentados mostram a robustez dos algoritmos implementados, especialmente para os sistemas s erie-paralelo e complexo, em que observou-se um desvio padr ao nas solu c oes desprez vel. No caso do sistema s erie, as solu c oes obtidas apresentaram um desvio padr ao de aproximadamente de 1%. Cada problema foi avaliado 25.000 vezes em cada simula c ao do GA e do IA. O GA
60
i 105 i i 2 wi vi wi V C W
1 2,330 1,5 1 7 110 175 200
2 1,450 1,5 2 8
3 0,541 1,5 3 8
4 8,050 1,5 4 6
5 1,950 1,5 2 9
Tabela 5.1: Par ametros para as inst ancias de congura c ao s erie e complexa. i 105 i i 2 wi vi wi V C W 1 2,500 1,5 2 3,5 180 175 100 2 1,450 1,5 4 4,0 3 0,541 1,5 5 4,0 4 0,541 1,5 8 3,5 5 2,100 1,5 4 4,5
Tabela 5.2: Par ametros para a inst ancia de congura c ao s erie-paralela. utilizado foi ajustado para 50 indiv duos evolu dos durante 500 gera c oes com cruzamento polarizado com probabilidade de 80%, com muta c ao de 5% e sele c ao por rank aplicados em toda a popula c ao. J a o IA foi ajustado para uma taxa de clonagem de 50%, um fator de clonagem de = 0.6, um decaimento no raio de matura c ao de = 1 aplicados a uma popula c ao inicial de 50 anticorpos maturados durante 500 gera c oes. A solu c ao nas vari aveis cont nuas do otimo local (possivelmente global) obtido pelo GA e pelo IA, foi renada com o aux lio do algoritmo elipsoidal (EM) (Vieira et al., 2007) com as vari aveis inteiras xadas. Os melhores resultados da otimiza c ao s ao mostrados nas Tabelas 5.3, 5.4 e 5.5. Como pode ser vericado, o renamento da solu c ao utilizando o EM possibilitou a supera c ao dos melhores resultados apresentados na literatura para os sistemas s erie, s erie-paralelo e complexo. Chen (2006) adota como medida de desempenho (M axima Melhoria Poss vel - MMP) do seu algoritmo imune a compara c ao percentual de qu ao pr oximas as solu c oes apresentadas na literatura cam das solu c oes por ele obtidas. A MMP e dada por 5.23. RS RC 1 RC
M M P (%) =
(5.23)
61
30 25 20 15 10 5 0 0.8 0.82 0.84 0.86 0.88 0.9 R

s
min R = 0,8261446 s max R = 0,9313678

s
= 0,9193037 = 0,0111138
0.92
0.94
0.96
0.98
30 25 20 15 10 5 0 0.8 0.82 0.84 0.86 0.88 0.9 Rs 0.92 0.94 0.96 0.98 1 min Rs = 0,8794732 max R = 0,9315805
s
= 0,9214439 = 0,0106230
Figura 5.8: An alise estat stica de 200 resultados do GA (acima) e do IA (abaixo) para o problema s erie.
Rs (r, n) g(r, n)
GA (3,2,2,3,3) 0,7764205 0,8714998 0,8945247 0,7172746 0,7910414 0,9313678 27 0,004118 7,518918
IA (3,2,2,3,3) 0,7848284 0,8701397 0,9023847 0,7111458 0,7857573 0,9315805 27 0,073122 7,518918
EM (3,2,2,3,3) 0,7793982 0,8718371 0,9028857 0,7114024 0,7877999 0,9316824 27 0,000000 7,518918
Chen (2006) (3,2,2,3,3) 0,779266 0,872513 0,902634 0,710648 0,788406 0,931678 27 0,001559 7,518918
Tabela 5.3: Melhores resultados da otimiza c ao do sistema s erie.
62
40 min Rs = 0,9993792 max Rs = 0,9999633 = 0,9998772 = 0,0001045
30
20
10
0 0.999
0.9991
0.9992
0.9993
0.9994
0.9995 Rs
0.9996
0.9997
0.9998
0.9999
40 min Rs = 0,9994713 max Rs = 0,9999765 = 0,9999232 = 0,0000619
30
20
10
0 0.999
0.9991
0.9992
0.9993
0.9994
0.9995 Rs
0.9996
0.9997
0.9998
0.9999
Figura 5.9: An alise estat stica de 200 resultados do GA (acima) e do IA (abaixo) para o problema s erie-paralelo.
Rs (r, n) g(r, n)
GA (3,2,2,3,3) 0,7763730 0,8687575 0,7787454 0,8418725 0,8965929 0,9999633 18 0,0525863 0,5839591
IA (2,2,2,2,4) 0,8182806 0,8516073 0,9010889 0,8930029 0,8661254 0,9999765 40 0,0462522 1,6092890
EM (2,2,2,2,4) 0,8197290 0,8450074 0,8954876 0,8954872 0,8684305 0,9999766 40 0,000000 1,6092890
Chen (2006) (2,2,2,2,4) 0,812485 0,843155 0,897385 0,894516 0,870590 0,99997658 40 0,02627 1,6092890
Tabela 5.4: Melhores resultados da otimiza ca o do sistema s erie-paralelo.
63
30 25 20 15 10 5 0 0.9985 0.999 Rs 30 25 20 15 10 5 0 0.9985 0.999 Rs 0.9995 1 min Rs = 0,9991978 max Rs = 0,9998890 = 0,9997818 = 0,0001260 0.9995 1 min Rs = 0,9987023 max Rs = 0,9998863 = 0,9997281 = 0,0001820
Figura 5.10: An alise estat stica de 200 resultados do GA (acima) e do IA (abaixo) para o problema complexo.
Rs (r, n) g(r, n)
GA (3,3,3,3,1) 0,8070836 0,8779927 0,8628981 0,6965346 0,7823552 0,9998863 18 0,0740375 4,2647698
IS (3,3,2,4,1) 0,8257889 0,8626022 0,9127624 0,6430090 0,7251948 0,9998890 5 0,0411987 1,5604663
EM (3,3,2,4,1) 0,8280856 0,8578044 0,9142408 0,6481465 0,7041713 0,9998896 5 0,0000000 1,5604663
Chen (2006) (3,3,3,3,1) 0,812485 0,867661 0,861221 0,713852 0,756699 0,99988921 18 0,001494 4,264770
Tabela 5.5: Melhores resultados da otimiza c ao do sistema complexo.
64
,onde RS e a conabilidade do sistema obtida no presente trabalho e RC a conabilidade do sistema obtida por Chen (2006). Aplicando-se a mesmo crit erio de avalia c ao de desempenho, observou-se pequena melhoria na conabilidade do sistema s erie em rela c ao ao obtido por Chen (2006) (MMP = 0,006
%)
por meio da metodologia proposta no presente trabalho. poss E vel perceber que as varia c oes na conabilidade s ao muito pequenas. Embora
possa parecer n ao ser muito relevante, essas pequenas varia c oes s ao importantes quando se avalia sistemas complexos compostos de muitos sub-sistemas. Isso pode ser demonstrado na Figura 5.11, onde se avalia o impacto da conabilidade de dois tipos de componentes praticamente de mesma conabilidade (diferen ca de 0,009 pontos percentuais) em sistemas s erie constitu dos de n umeros diferentes de sub-sistemas.
Figura 5.11: Impacto da conabilidade de componentes na conabilidade de sistemas s erie.
Os problemas implementados s ao bem sens veis ` as vari aveis de otimiza c ao. Isso pode ser exemplicado no problema do sistema complexo, onde observa-se que a parte inteira (par ametro n) resultante dos algoritmos implementados apresentou varia c ao em rela c ao ao resultado obtido por Chen (2006) para o mesmo sistema (Vide coluna Chen2006 das tabelas 5.3, 5.4 e 5.5) mesmo
5.3. Problemas de Otimiza c ao - Formula c ao Multi-objetivo
65
representando um pequeno ganho na conabilidade do sistema. Contudo, obter conabilidades pr oximas da melhor encontrada n ao e improv avel para os algoritmos utilizados. Os resultados devem ser utilizados para decis ao sobre qual arquitetura implementar, considerando os fatores custo, volume, peso e a conabilidade otima de cada solu c ao disponibilizada pelos algoritmos. Por exemplo, para o sistema s erie os algoritmos apontaram que para a maximiza c ao de conabilidade a arquitetura do sistema deve ser alterada para a apresentada na Figura 5.12. O algoritmo immune tende a apresentar resultados signicativamente mais perto do melhor valor devido ` a sua caracter stica de busca local quando comparado ao algoritmo gen etico. Ressalta-se a import ancia de se utilizar m etodos de otimiza c ao para a melhoria de conabili-
1 2 1 2 1 3 3
4 4 4
5 5 5
Figura 5.12: Nova arquitetura para o sistema s erie. dade, pois com o aumento da complexidade qualquer pequena varia c ao na conabilidade dos componentes empregados pode afetar signicativamente a conabilidade do sistema.
5.3
Problemas de Otimiza c ao - Formula c ao Multi-objetivo

Na se c ao 5.1, problemas de otimiza c ao de conabilidade mono-objetivo foram formulados
para os sistemas s erie (Figura 5.1), s erie-paralelo (Figura 5.2) e complexo (Figura 5.3). Formula c oes multi-objetivo s ao mais adequadas ` a pr atica, pois a obten c ao de alternativas s ao em geral requeridas pelo engenheiro de conabilidade. Assim, o problema 5.1 foi alterado para formula c ao onde se considera tamb em como objetivo o custo decorrente das escolhas dos componentes e o n umero de redund ancias em cada sub-sistema, o qual e dado por (5.8). As restri c oes para os problemas multi-objetivo s ao as mesmas dos problemas mono-objetivo com uma restri c ao adicional de se ter uma conabilidade m nima aceit avel para o sistema. O algoritmo imune na vers ao multi-objetivo foi implementado, e o tratamento de restri-
66
c oes seguiu a mesma abordagem adotada para o problema mono-objetivo. As solu c oes obtidas foram ordenadas segundo o princ pio da n ao-domin ancia (Deb, 1999; Deb et al., 2000) e assim, obtidas as curvas Pareto- otimas para os tr es problemas. As Figuras 5.13, 5.14 e 5.15 mostram as curvas Pareto que podem ser utilizadas de forma a se obter um compromisso entre conabilidade e custos dos sistemas em um processo de tomada de decis ao. Apresenta-se em 5.24 a formula c ao completa para o problema de otimiza c ao multiobjetivo, que e bem similar com 5.14 por em considera-se tamb em como objetivo a fun c ao
1 CS
igual a (5.8) referente ao custo do sistema, e adiciona-se a condi c ao de conabilidade m nima R.
maximize [RSk (r, n), sujeito a g(r, n) 0 RS R 0 ri 1, ni I+ , 1im m=5
1 ] CS (r, n)
(5.24)
5.4
Resultados - Formula c ao Multi-objetivo

A seguir apresentam-se as curvas Pareto- otimas para os problemas multi-objetivo formu-
lados para os sistemas s erie (Figura 5.13), s erie-paralelo (Figura 5.14) e complexo (Figura 5.15). As curvas podem ser utilizadas em um processo de tomada de decis ao no qual as decis oes do engenheiro de conabilidade garantam um n vel desej avel de compromisso entre a conabilidade e custos dos sistemas. As curvas Pareto- otimo obtidas fornecem a informa c ao balanceada entre o esfor co de poss melhoria de conabilidade versus os custos associados a essa melhoria. E vel ent ao vericar que para o caso do sistema s erie, qualquer pequena melhoria de conabilidade apresenta um incremento nos custos bem superior ao observado para os sistemas s erie-paralelo e complexo. Para os u ltimos, os custos apresentam-se praticamente constantes para n veis de conabilidade
5.4. Resultados - Formula c ao Multi-objetivo
67
relativamente altos.
Figura 5.13: Curva Pareto- otimo para conabilidade e custo do sistema s erie
Figura 5.14: Curva Pareto- otimo para conabilidade e custo do sistema s erie-paralelo
68
Figura 5.15: Curva Pareto- otimo para conabilidade e custo do sistema complexo
Cap tulo 6
Conclus oes e Propostas de Continuidade

As engenharias de conabilidade e mantenabilidade s ao essenciais ao projeto e manuten c ao de sistemas industriais. T ecnicas tradicionais est ao bastante desenvolvidas, no entanto, ainda h a grande potencial de aplica c ao a sistemas reais, pois por experi encia da autora deste trabalho, ainda h a poucas empresas que tenham atingido padr oes de desempenho classe mundial. Conclui-se ent ao que o esfor co de aplica c ao dos conceitos e t ecnicas de conabilidade e mantenabilidade pode ser ainda mais signicativo, ainda que sujeita ` as limita c oes impostas pela complexidade dos sistemas modernos. Conabilidade de sistemas e um fator important ssimo a competitividade das empresas, pois a ec ` acia operacional depende de a c oes que garantam operacionalidade a custos cada vez mais baixos e com seguran ca. O desenvolvimento do presente trabalho auxiliou na identica c ao de trabalhos voltados ` a aplica c ao da Intelig encia Computacional ` a Engenharia de Conabilidade. Os resultados apresentados na solu c ao do problema de otimiza c ao formulado mostraram-se consistentes. Percebe-se claramente a import ancia pr atica do emprego da computa c ao evolucion aria na otimiza c ao de conabilidade de sistema. A estrat egia em dois est agios para a solu c ao dos problemas formulados garantiu um resultado superior ao apresentado na literatura. Algumas das limita c oes pr aticas ` a aplica c ao de t ecnicas tradicionais de conabilidade e mantenabilidade podem ser minimizadas por meio da aplica c ao de t ecnicas da intelig encia computacional. O presente trabalho procurou apresentar estas t ecnicas e suas aplica c oes. Foi
69
70
Cap tulo 6. Conclus oes e Propostas de Continuidade
poss vel identicar grande potencial de aplica c ao das t ecnicas em uma lista vasta de problemas dif ceis de serem resolvidos por meio de t ecnicas tradicionais. Como propostas de continuidade, vislumbram-se: O Desenvolvimento de modelos para sistemas reais e aplica c ao dos algoritmos empregados no presente trabalho; A implementa c ao de outros algoritmos utilizando-se outras t ecnicas de Intelig encia Computacional e sua aplica c ao a problemas de conabilidade e mantenabilidade reais aplic aveis a ind ` ustria.
Ap endice A
Probabilidade e Processos Estoc asticos

A.0.1 Deni co es
T ecnicas probabil stica podem ser aplicadas sob duas nuances: Probabilidade cl assica (Let the data speak for themselves ) ou Probabilidade bayesiana (Prior knowledge - belief must be taken into account ). A seguir apresentam-se as deni c oes de probabilidade. Deni c ao Axiom atica: S: Evento certeza A + B = A B , signicando a ocorr encia de A, B ou ambos. A.B = A B , signicando a ocorr encia de A e B simultaneamente. Se A e B s ao mutuamente exclusivos: A implica B n ao ocorreu. Axiomas: P (A) 0; P (S ) = 1; Se A e B s ao mutuamente exclusivos P (A + B ) = P (A) + P (B ). Quando h a dados, pode-se denir a probabilidade como uma freq u encia relativa dada por: nA n
P (A) = limn 71
(A.1)
72
Ap endice A. Probabilidade e Processos Estoc asticos
,onde nA e o n umero de amostras em que o evento A ocorre e, n e o n umero total de amostras. Quando algum conhecimento pr evio est a dispon vel sobre o fen omeno observado, adotase a deni c ao cl assica de probabilidade dada por: NA N
P (A) =
(A.2)
,onde NA e o n umero de eventos em que A ocorre e, N e o n umero total de eventos poss veis. Outras deni c oes importantes s ao as de probabilidade condicional e probabilidade conjunta, matematicamente expressas por P (A | B ) (Probabilidade de A ocorrer est a condicionada ` a observa c ao ou evid encia sobre B), e P (A, B ) (Probabilidade de A e B ocorrerem conjuntamente), respectivamente. As probabilidades condicional e conjunta est ao relacionadas como segue:
P (A, B ) = P (A | B )P (B ) ,onde P (B ) e a probabilidade de B ocorrer.
(A.3)
Para o c alculo da probabilidade condicional, e necess aria a aplica c ao do Teorema de Bayes expresso matematicamente por: P (B | A)P (A) P (B )
P (A | B ) = ,onde P (A) e a probabilidade de A ocorrer.
(A.4)
Generalizando-se a equa c ao (A.5), chega-se a: P (B | A)P (A) | Ai )P (Ai )
P (A | B ) =
n i=1 P (B
(A.5)
,onde P (Ai ) e a probabilidade a prioride A ocorrer, e P (B | A) e a verossimilhan ca (likelihood ). Pode-se denir tamb em P (Ai | B ) como a probabilidade a posterioride A.
A.0.2
Fun c oes de Distribui c ao de Probabilidade

S ao v arias as distribui c oes de probabilidade aplic aveis ` a engenharia de conabilidade.
Algumas delas s ao apresentadas na Figura A.1.
73
Figura A.1: Modelos probabil sticos e par ametros usualmente empregados em estudos de Conabilidade Kececioglu (2002) apresenta uma otima revis ao das v arias distribui c oes de probabilidade aplic aveis ` a engenharia de conabilidade.
Ap endice B
Modelagem e An alise de Conabilidade Sist emica

A modelagem e an alise de conabilidade de sistemas pode ser realizada por diferentes metodologias as quais ser ao brevemente apresentadas. Mais detalhes podem ser obtidos na vasta literatura dispon vel sobre o assunto. A revis ao apresentada a seguir baseou-se em especial em Yang, 2007.
B.1
Diagramas de Bloco de Conabilidade - RBD (Reliability Block Diagram )

A partir da modelagem por meio de blocos de conabilidade e poss vel a obten c ao da
uma das t fun c ao de conabilidade para o sistema em fun c ao de seus componentes. E ecnicas mais utilizadas por engenheiros de conabilidade e possui como uma grande vantagem o fato de se constituir em uma ferramenta gr aca. Um inconveniente do RBD e o de n ao incorporar caracter sticas din amicas do sistema nem a depend encia entre eventos. Em sistemas complexos de grande porte com muitos sub-sistemas e componentes, uma simplica c ao do diagrama de blocos e geralmente necess aria quando se pretende realizar an alises quantitativas de conabilidade. Tais simplica c oes s ao obtidas por meio de diferentes m etodos. A seguir apresentam-se as congura c oes t picas de blocos de conabilidade e os m etodos utilizados para a obten c ao da fun c ao de conabilidade para o sistema dada a conabilidade dos sub-sistemas e componentes. 75
76
Ap endice B. Modelagem e An alise de Conabilidade Sist emica
B.1.1
Congura c ao S erie
Um sistema e denido como s erie se a falha de um ou mais de seus componentes resulte
na falha do sistema, ou seja, todos os componentes devem funcionar para que o sistema cumpra sua miss ao. Um sistema s erie gen erico e apresentado na Figura B.1.
Figura B.1: Sistema s erie gen erico com m componentes Supondo-se que um sistema s erie consista em m componentes mutuamente independentes, onde independ encia m utua signica que a falha de um componente em particular n ao afeta a vida de outros componentes, pode-se deduzir a fun c ao de conabilidade do sistema por meio do c alculo da probabilidade conjunta de sucesso de todos os componentes do sistema, a qual pode ser substitu da pelo o produto das probabilidades de sucesso de cada componente individualmente. Sob tais condi c oes a fun c ao de conabilidade do sistema s erie da Figura B.1 e dada pela Equa c ao B.1.
m
Rs =
i=1
Ri
(B.1)
,onde Ri e a conabilidade de cada sub-sistema ou componente. Caso os sub-sistemas ou componentes sejam id enticos com conabilidade R0 , a Equa c ao B.1 reduz-se a B.2.
m Rs = R0
(B.2)
B.1.2
Congura c ao Paralela
Um sistema e denido como paralelo se, e somente se, a falha de todos seus componentes
resulte na falha do sistema, ou seja, um sistema paralelo e capaz de cumprir sua miss ao se pelo menos um de seus componentes funcione adequadamente. Um sistema paralelo gen erico e apresentado na Figura B.2.
B.1. Diagramas de Bloco de Conabilidade - RBD ( Reliability Block Diagram)
77
Figura B.2: Sistema paralelo gen erico com n sub-sistemas ou componentes Supondo-se que um sistema paralelo consista em n componentes mutuamente independentes, onde independ encia m utua signica que a falha de um componente em particular n ao afeta a vida de outros componentes, pode-se deduzir a fun c ao probabilidade de falha do sistema por meio do c alculo da probabilidade conjunta de falha de todos os componentes do sistema, a qual pode ser substitu da pelo o produto das probabilidades de falha de cada componente individualmente. A conabilidade e o complemento da fun c ao probabilidade de falha e sob a condi c ao de independ encia dos componentes, a fun c ao de conabilidade do sistema paralelo da Figura B.2 e dada pela Equa c ao B.3.
n
Rs = 1
i=1
(1 Ri )
(B.3)
,onde Ri e a conabilidade de cada componente. Caso os sub-sistemas ou componentes sejam id enticos com conabilidade R0 , a Equa c ao B.3 reduz-se a B.4.
Rs = 1 (1 R0 )n
(B.4)
Caso a conabilidade Rs seja estabelecida como uma meta a ser atingida, o n umero m nimo de componentes requeridos no sistema e dado pela Equa c ao B.5. ln(1 Rs ) ln(1 R0 )
n=
(B.5)
78
B.1.3
Congura c ao S erie-Paralela
Um sistema S erie-paralelo e em geral composto por m sub-sistemas em s erie com mi
(i = 1, 2, ..., n) componentes em paralelo em cada sub-sistema i, como apresentado na Figura B.3.
Figura B.3: Sistema s erie-paralelo gen erico com m sub-sistemas em s erie consistindo em mi (i = 1, 2, ...n) componentes em paralelo. Para calcular a conabilidade do sistema, os blocos de conabilidade de cada sub-sistema paralelo i s ao reduzidos a blocos equivalentes utilizando-se a Equa c ao B.3, assumindo-se a independ encia entre os mi componentes, obtendo-se a Equa c ao B.6.
mi
Ri = 1
(1 Rij )
j =1
(B.6)
,onde Rij e a conabilidade do j- esimo componente do sub-sistema i, sendo i = 1, 2, ..., n e j = 1, 2, ..., mi . Ap os a redu c ao dos sub-sistemas paralelos, os m sub-sistemas equivalentes em s erie s ao reduzidos utilizando-se a Equa c ao B.1, obtendo-se a conabilidade do sistema Rs dada por:
m mi
Rs =
i=1
[1
(1 Rij )]
j =1
(B.7)
Caso a conabilidade de todos os componentes do sistema s erie-paralelo e o n umero de componentes em cada sub-sistema s ao iguais, a Equa c ao B.7 reduz-se a:
79
Rs = [1 (1 R0 )m ]n
(B.8)
,onde R0 e a conabilidade de cada componente e n o n umero de componentes em cada subsistema.
B.1.4
Congura c ao Paralelo-s erie

Um sistema Paralelo-s erie e composto por m sub-sistemas em paralelo com ni (i =
1, 2, ..., m) componentes em s erie em cada sub-sistema i, como apresentado na Figura B.1.4.
Figura B.4: Sistema paralelo-s erie gen erico com m sub-sistemas em paralelo consistindo em ni (i = 1, 2, ...m) componentes em s erie. Para calcular a conabilidade do sistema, os blocos de conabilidade de cada sub-sistema s erie i s ao reduzidos a blocos equivalentes utilizando-se a Equa c ao B.1, assumindo-se a independ encia entre os ni componentes, obtendo-se a Equa c ao B.9.
ni
Ri =
(1 Rij )
j =1
(B.9)
,onde Rij e a conabilidade do j- esimo componente do sub-sistema i, sendo i = 1, 2, ..., m e j = 1, 2, ..., ni . Ap os a redu c ao dos sub-sistemas s erie, os m sub-sistemas equivalentes em paralelo s ao reduzidos utilizando-se a Equa c ao B.3, obtendo-se a conabilidade do sistema Rs dada por:
m ni
Rs = 1
i=1
(1
j =1
Rij )
(B.10)
80
Caso a conabilidade de todos os componentes do sistema s erie-paralelo e o n umero de componentes em cada sub-sistema s ao iguais, a Equa c ao B.10 reduz-se a:
n m Rs = 1 (1 R0 )
(B.11)
,onde R0 e a conabilidade de cada componente e n o n umero de componentes em cada subsistema s erie.
B.1.5
Congura c ao k-de-n
A congura c ao k-de-n refere-se a sistemas que requerem ao menos k de seus n compo-
nentes em estado operacional (sem falha) para cumprirem sua miss ao. Se os tempos at e a falha dos n componentes do sistema s ao independentes e identicamente distribu dos (i.i.d), pode-se denir uma vari avel aleat oria x representando o n umero de componentes em estado operacional em um certo instante de tempo e que segue uma distribui c ao binomial. A conabilidade de um sistema k-de-n e calculada como a probabilidade de se ter ao menos k componentes em estado operacional com conabilidade R0 ,e e dada por:
n
Rs = P (x k ) =
i
i i Cn R0 (1 R0 )ni
(B.12)
Se k = 1, a Equa c ao B.12 reduz-se a B.3. Se k = n, a Equa c ao B.12 reduz-se a B.1.
B.1.6
Sistemas Redundantes
Um sistema redundante cont em um ou mais componentes ou sub-sistemas em standby os
quais permitem que o sistema continue operando mesmo que a unidade prim aria tenha falhado. A falha do sistema somente ocorre caso uma ou mais unidades standby e, portanto, e uma t ecnica de projeto que permite o aumento da conabilidade do sistema. Tal t ecnica e bastante utilizada em sistemas cr ticos. Unidades standby s ao denominadas ativas se est ao completamente energizadas quando o sistema est a em uso, e passivas se s ao energizadas somente quando a unidade prim aria falha.
81
Se a unidade prim aria est a em estado operacional perfeito, a unidade redundante e mantida como reserva, e nesse caso esta u ltima e denominada cold standby (Figura B.5). Por outro lado, se a unidade prim aria estiver em estado operacional e ainda assim a unidade redundante e mantida em estado parcialmente operacional (parcialmente energizado ou com carga parcial), esta u ltima e denominada warm standby.
Figura B.5: Sistema redundante com n componentes e sub-sistema de chaveamento S - Cold Standby
O uso de unidades reserva requer que sistemas de detec c ao de falhas e chaveamento sejam implementados. No entanto, os mecanismos de detec c ao e chaveamento s ao tamb em sujeitos a falhas e, nesse caso, a conabilidade do sistema redundante depende n ao somente da conabilidade dos seus componentes como tamb em da conabilidade dos mecanismos citados. Se os mecanismos de detec c ao e chaveamento s ao assumidos 100% con aveis, diz-se que o chaveamento e perfeito. Nesse caso, a conabilidade do sistema e dada pela conabilidade de todos os seus componentes. Se os mecanismos de detec c ao e chaveamento est ao tamb em sujeitos a falhas diz-se que o chaveamento e imperfeito. Em ambos os casos, a equa c ao da conabilidade de sistemas redundantes pode ser deduzida utilizando-se a Equa c ao B.13. A facilidade de dedu c ao das equa c oes anal ticas e c alculo da conabilidade depende da condi c ao em que os tempos at ea falha de todos os componentes s ao assumidos independentes e identicamente distribu dos (i.i.d). cil e deve ser realizado por Se tal condi c ao n ao se conrma, o c alculo de B.13 torna-se mais dif meio de m etodos num ericos.
82
R(t) = P (T > t) =
t
f (t)dt
(B.13)
,onde f (t) e a fun c ao densidade de probabilidade para o tempo at e a falha do sistema, a qual e dada por B.14 (para vari aveis aleat orias cont nuas). f (t + t) F (t) t0 t
f (t) = lim
(B.14)
B.1.7
Congura c ao Complexa
Sistemas complexos referem-se a sistemas constitu dos de sub-sistemas e componentes
que interagem de forma a possibilitar que o sistema apresente certas propriedades ou caracter sticas, n ao necessariamente explicadas por alguns ou nenhum de seus componentes. A maior parte dos sistemas reais n ao pode ser representada ou decomposta facilmente por meio das congura c oes apresentadas anteriormente. Congura c oes mais complexas s ao utilizadas, para as quais m etodos mais avan cados para a dedu c ao das equa c oes anal ticas e an alise e c alculo de conabilidade s ao necess arios. Em sistemas complexos de grande porte, tais tarefas tornam-se impratic aveis quando se tenta realiz a-las sem o aux lio de pacotes computacionais. H a dispon veis no mercados diversos pacotes como Reliasoft, Relex, entre outros. Todos apresentamse como ferramentas u teis para a representa c ao do diagrama de blocos e avalia c ao quantitativa de conabilidade por meio de t ecnicas de simula c ao. A seguir apresentam-se m etodos que nos auxiliam na dedu c ao de blocos de conabilidade de sistemas. B.1.7.1 M etodo de Redu c ao
O m etodo de redu c ao de blocos de conabilidade refere-se a uma t ecnica por meio da qual sistemas complexos constitu dos de sub-sistemas independentes em s erie, paralelo, s erie-paralelo, etc, t em seus blocos de conabilidade simplicados utilizando-se as equa c oes apresentadas nas uma t se c oes anteriores de forma a se obter uma equa c ao equivalente para o sistema. E ecnica simples e efetiva quando se consegue identicar os sub-sistemas e aplicar as regras apresentadas nas se c oes anteriores. Apresenta-se na Figura B.6 um sistema complexo com 7 sub-sistemas. Para obter-se a equa c ao de conabilidade para B.6 procede-se como segue: os blocos 4
83
Figura B.6: Sistema complexo gen erico com 7 sub-sistemas e 5 apresentam-se na congura c ao paralela, assim a conabilidade equivalente RA e dada pela equa c ao B.3. Os blocos 2 e 3 est ao na congura c ao s erie, assim a conabilidade equivalente RB e dada pela equa c ao B.1 (Figura B.7).
Figura B.7: Sistema equivalente para B.6,sendo RA = 1 (1 R4 )(1 R5 ) e RB = R2 R3 . O bloco equivalente RA por sua vez est a em s erie com o bloco 6, assim pode-se obter a conabilidade equivalente RC por meio da equa c ao B.1 (Figura B.8). Ao se realizar tal procedimento, verica-se que os blocos RB e RC est ao em paralelo, podendo-se reduzi-los ao bloco de conabilidade equivalente RD por meio da equa c ao B.3. Finalmente, verica-se que os sub-sistemas 1, RD e 7 est ao em s erie, e mais uma vez aplica-se a equa c ao B.1 para que se obtenha a conabilidade equivalente RS do sistema (Figura B.10).
84
Figura B.8: Sistema equivalente para B.7,sendo RC = RA R6 .
Figura B.9: Sistema equivalente para B.8, sendo RD = 1 (1 RB )(1 RC ). Realizando-se as substitui c oes adequadas, a conabilidade do sistema B.6 e dada por:
RS = R1 {1 [(1 R2 R3 )(1 (1 (1 R4 )(1 R5 ))R6 )]}R7 B.1.7.2 M etodo da Decomposi c ao
(B.15)
Em sistemas complexos nos quais sub-sistemas n ao podem ser facilmente reduzidos conforme comentado na se c ao anterior, aplica-se um m etodo mais avan cado conhecido por m etodo da decomposi c ao, o qual se baseia no Teorema de Bayes. Um sistema complexo em que e necess aria a aplica c ao do m etodo de decomposi c ao para se obter a equa c ao anal tica de conabilidade e o sistema ponte, como o apresentado na Figura B.11. Para aplicar o m etodo, e necess aria a escolha de um componente de interface a partir do qual as an alises s ao realizadas. O componente escolhido e ent ao assumido como 100 % con avel e e substitu do no diagrama de blocos por uma linha. Em um segundo momento, o componente escolhido e assumido como em estado de falha e e ent ao removido do sistema. Considere-se o sistema ponte gen erico apresentado na Figura B.11. O componente escolhido para dar in cio ` a an alise e o componente 5. Se tal componente e 100% con avel, o novo
85
Figura B.10: Sistema equivalente para B.9, sendo RS = R1 RD R7 .
Figura B.11: Sistema ponte gen erico com 5 sub-sistemas sistema equivalente e ent ao representado como na Figura B.12. Se o componente est a em estado de falha, o novo sistema equivalente e representado como na Figura B.13.
Figura B.12: Sistema ponte equivalente com componente 5 assumido como livre de falhas. A conabilidade do sistema e ent ao calculada nas duas situa c oes. Seja A um evento no qual o componente 5 e 100% con avel, A o evento no qual componente 5 est a em estado de falha, e S o evento que dene o sucesso do sistema. Pelos axiomas da probabilidade, a conabilidade geral do sistema e dada por:
RS = P (S | A)P (A) + P (S | A)P (A)
(B.16)
, onde P (S | A) e P (S | A) s ao probabilidades condicionais, e P (A) e P (A) s ao probabilidades marginais de sucesso e falha do componente 5 iguais a R5 e (1 R5 ), respectivamente. Para o sistema ponte equivalente apresentado na Figura B.12, pode-se aplicar o m etodo de redu c ao de blocos de conabilidade para se obter a probabilidade condicional P (S | A)
86
Figura B.13: Sistema ponte equivalente com componente 5 em estado de falha. que multiplicada pela probabilidade marginal P (A) permite a obten c ao da primeira parcela da Equa c ao B.16, dada por:
RS 1 = P (S | A)P (A) = {[(1 (1 R1 )(1 R3 ))(1 (1 R2 )(1 R4 ))]R5 }
(B.17)
Para o sistema ponte equivalente apresentado na Figura B.13, pode-se aplicar o m etodo de redu c ao de blocos de conabilidade, para se obter a probabilidade condicional P (S | A) que multiplicada pela probabilidade marginal P (A) permite a obten c ao da segunda parcela da Equa c ao B.16, dada por:
RS 2 = P (S | A)P (A) = {[(1 (1 R1 R3 )(1 R2 R4 ))](1 R5 )}
(B.18)
Realizando-se as substitui c oes de B.17 e B.18 bem como os desenvolvimentos necess arios em-se a Equa c ao para a conabilidade do sistema ponte dada por: na Equa c ao B.16, obt
RS = R1 R2 + R3 R4 + R1 R4 R5 + R2 R3 R5 R1 R2 R3 R4 R1 R2 R3 R5 R1 R2 R4 R5 R1 R3 R4 R5 R2 R3 R4 R5 + 2R1 R2 R3 R4 R5 A eci encia do m etodo da decomposi c ao depende da escolha do componente a partir do qual se inicia a an alise. Em alguns casos e necess aria a escolha de mais de um componente e a Equa c ao B.16 apresentar a 2m parcelas caso m componentes sejam escolhidos (quando s ao assumidos estados bin arios), ou seja, o sistema original e decomposto em 2m sub-sistemas para (B.19)
87
os quais s ao obtidas as probabilidades condicionais dadas as evid encias (estado dos componentes escolhidos) para cada um dos sub-sistemas. B.1.7.3 M etodo de Conjunto de Cortes M nimos
Dene-se como um conjunto de cortes m nimos a combina c ao m nima, necess aria e suciente, de componentes que se falharem simultaneamente interropem todas as conex oes entre a entrada e a sa da de um sistema causando, ent ao, a sua falha. Considerando-se um evento de falha do sistema Ci decorrente do conjunto de cortes m nimos i, pode-se representar matematicamente a conabilidade do sistema por:
RS = 1 P (C1 C2 C3 ... Cn )
(B.20)
onde Ci (i = 1, 2, ..., n) representa o evento falha simult anea de todos os componentes no conjunto de cortes m nimos i, e n e o n umero total de conjuntos de cortes m nimos para o sistema em estudo. A Equa c ao B.20 pode ser avaliada quantitativamente por meio da aplica c ao da regra de inclus ao-exclus ao que e dada por:
P (C1 C2 ... Cn ) =
i=1
P (Ci )
i<j =2 n
P (Ci Cj ) (B.21)
+
i<j<k=3
P (Ci Cj Ck ) + ...
+ (1)n1 P (C1 C2 ... Cn ) Para o sistema ponte apresentado na se c ao anterior, por exemplo, pode-se identicar os seguintes conjuntos de cortes m nimos: {1,3}, {2,4}, {1,4,5}, {2,3,5}. Seja Aj (j = 1, ..., 5) o evento de falha do j- esimo componente do sistema ponte apresentado na Figura B.11. Assim, denem-se os eventos descritos pelos cortes m nimos como C1 = A1 A3 , C2 = A2 A4 , C3 = A1 A4 A5 , e C4 = A2 A3 A5 . Pela aplica c ao das equa c oes B.20 e B.21, e ap os simplica c oes alculo da conabilidade por meio de regras da algebra booleana, obt em-se a Equa c ao B.22 para c do sistema.
88
RS = R1 R2 + R3 R4 + R1 R4 R5 + R2 R3 R5 R1 R2 R3 R4 R1 R2 R3 R5 R1 R2 R4 R5 R1 R3 R4 R5 R2 R3 R4 R5 + 2R1 R2 R3 R4 R5 ,que e igual ` a equa c ao obtida pela aplica c ao do m etodo da decomposi c ao apresentado na se c ao anterior. (B.22)
B.2
An alise dos Modos e Efeitos de Falha - FMEA (Failure Mode and Eect Analysis )
A metodologia FMEA e uma ferramenta que auxilia na identica c ao e prioriza c ao de
modos de falha potenciais facilitando a descoberta de deci encias de projeto, seus efeitos e uma mecanismos e conduz ` a proposi c ao de a c oes corretivas para modos de falha priorizados. E metodologia indutiva mista (qualitativa e quantitativa) elaborada por meio de um processo de an alise bottom-up. Pode ser aplicada nas v arias fases do ciclo de vida de um sistema seja na fase conceitual, revis ao de projeto, processo de fabrica c ao ou opera c ao e na sua manuten c ao uma das ferramentas utilizadas na Manuten (E c ao Centrada em Conabilidade - MCC, como forma a identicar as falhas potenciais e avaliar as melhores pr aticas de manuten c ao aplic aveis (Moubray, 2001)). De forma resumida, ap os a identica c ao de todos os modos e mecanismos de falha para os componentes de um sistema ou sub-sistema, s ao avaliadas a gravidade dos efeitos, a frequ encia de falhas e o grau de detectabilidade de cada mecanismo a partir de crit erios de pontua c ao (quando h a dados que fundamentem a freq u encia de falha estes podem ser utilizados, do contr ario a an alise e subjetiva e dependente da experi encia da equipe t ecnica envolvida no trabalho), os quais s ao multiplicados para se obter um n umero representando a prioridade de um dado modo/mecanismo de falha, denominado N umero de Prioridade de Risco ou Risk Priority Number (RPN). A seguir apresentam-se os passos necess arios para a aplica c ao da metodologia. 1. Denir o sistema e sub-sistemas: Priorizar os sistemas que dever ao ser escopo para o
B.3. An alise de Arvore de Falhas - FTA ( Fault Tree Analysis)
89
trabalho; 2. Selecionar os componentes que ser ao analisados; 3. Descrever as fun c oes de cada componente; 4. Listar todos os modos de falha dos componentes (Modos); 5. Listar os efeitos de todos os modos de falha (Efeitos); 6. Avaliar a gravidade de cada efeito (Gravidade); 7. Identicar os mecanismos de falha que conduzem ` a ocorr encia dos modos de falha (Causas); 8. Avaliar a freq u encia com que os mecanismos de falha ocorrem (Ocorr encia); 9. Listar a c oes de controle/corretivas para atuar proativamente sobre os mecanismos de falha; 10. Avaliar grau de detec c ao dos mecanismos de falha versus as t ecnicas sugeridas (Detec c ao); 11. Calcular o RPN (Risk Priority Number ) como o produto dos ndices Ocorr encia, Gravidade e Detec c ao; 12. Recomendar a c oes corretivas mais adequadas; 13. Documentar e acompanhar a implementa c ao das a c oes recomendadas e seus resultados. Os passos acima s ao documentados em tabelas de forma que o hist orico de an alise seja alises preservado. Na Figura B.14 apresenta-se um exemplo de tabela utilizada no registro das an elaboradas como resultado da aplica c ao da metodologia FMEA.
B.3
An alise de Arvore de Falhas - FTA (Fault Tree Analysis )

A arvore de falhas e uma representa c ao gr aca de rela c oes entre eventos de falha por
uma meio de portas l ogicas com o objetivo de se modelar um evento topo de interesse. E metodologia dedutiva mista (qualitativa e quantitativa) elaborada por meio de um processo de usualmente aplicada conjuntamente com a t an alise top-down. E ecnica FMEA com o objetivo
90
Figura B.14: Exemplo de tabela utilizada na aplica c ao de FMEA.
de melhorar o processo de identica c ao de mecanismos de falha que levam ` a ocorr encia de modos de falha com efeitos de alta gravidade. Assim como o RBD, e bastante utilizado por engenheiros de conabilidade e muito aplic avel ` a obten c ao de solu c oes sist emicas para problemas de conabilidade. An alises qualitativas de arvores de falha podem ser elaboradas por meio da identica c ao dos conjuntos de cortes m nimos de forma similar ao que foi apresentado na se c ao B.1.7.3. As simplica c oes necess arias para identica c ao dos conjuntos s ao realizadas por meio da aplica c ao de regras da algebra booleana de acordo com as conex oes representadas pelas portas l ogicas. A avalia c ao quantitativa dos conjuntos de cortes m nimos e dada da mesma forma apresentada na Equa c ao B.21. An alise quantitativas podem tamb em ser realizadas por meio da convers ao da arvore de falhas em seu RBD correspondente, e aplica c ao das t ecnicas apresentadas na se c ao B.1. Uma arvore de falha pode ser facilmente convertida em um RBD, sendo que eventos conectados por portas l ogicas Es ao correspondentes a blocos de conabilidade em paralelo, e eventos conectados por portas l ogicas OUs ao correspondentes a blocos de conabilidade em s erie. A convers ao de arvores de falha em digramas de blocos de conabilidade se d a por meio de um processo de an alise bottom-up na arvore. Scapin (1999) apresenta exemplos de aplica c ao da FTA. Apresenta-se na Figura B.15.
B.4. Cadeias de Markov
91
Figura B.15: Exemplo gen erico de arvore de falhas criado por meio do software livre OpenFTA c .
B.4
Cadeias de Markov
As cadeias de Markov buscam representar um sistema por meio de um modelo em espa co
de estados, sejam eles bin arios ou n ao. Sua complexidade aumenta conforme o n umero de bastante ecaz na obten componentes e estados que se pretende representar. E c ao de modelos para sistemas repar aveis e transparente na representa c ao das mudan cas de estado, que s ao quanticadas exatamente por meio das taxas de falha e reparo representando as probabilidades de mudan ca de estado. Um inconveniente e que Cadeias de Markov somente podem ser aplicadas para sistemas que possam ser modelados por distribui c oes exponenciais em que as taxas de transi c ao entre estados s ao constantes.
B.5
Redes Petri
Assim como as cadeias de Markov, redes Petri representam um sistema por meio de um
modelo em espa co de estados din amico. Pode-se modelar a depend encia entre eventos e ainda analisar as transi c oes entre estados bem como momento em que as mesmas ocorrem. Portanto, Redes Petri apresentam capacidade de modelagem superior a RBDs.
B.6
Redes Bayesianas
Uma Rede Bayesiana (RB) e uma metodologia probabil stica usada para modelar e
prever o comportamento de um sistema, baseando-se em fen omenos estoc asticos observados. O
92
principal objetivo ao se construir uma RB e estimar o grau de cren ca de um evento espec co n ao observ avel (ou evento cujo custo de observa c ao e elevado). A estrutura de uma RB e composta por uma parte qualitativa e outra quantitativa. A qualitativa e constru da a partir da teoria de grafos e a quantitativa utiliza a teoria de probabilidade. O conhecimento especializado e muito importante, pois para obtermos um grafo que represente bem o dom nio do problema e necess aria muita habilidade na t ecnica de grafos e tamb em conhecimento profundo do problema. Em Langseth and Portinale (2007) a modelagem de redes bayesianas aplicadas ` a conabilidade e estudada. Um exemplo de aplica c ao redes bayesianas ao estudo de conabilidade de controladores l ogicos program aveis e apresentado em Portinale and Bobbio (1999).
B.7
Simula c ao de Monte Carlo

Em engenharia de conabilidade e muitas vezes necess aria a utiliza c ao de t ecnicas de
simula c ao estoc astica para que seja poss vel o estudo de sistemas complexos em raz ao da diculdade em se resolver analiticamente as equa c oes que denem o comportamento do sistema. Uma t ecnica de simula c ao estoc astica e a que se baseia em m etodos de Monte Carlo, os quais consistem basicamente na gera c ao de realiza c oes de um processo estoc astico por meio de amostragem (pseudo) aleat oria de um modelo previamente escolhido ou modelado (OConnor, 2002). Como base nas realiza c oes e poss vel estimar medidas como m edia e vari ancia de vari aveis de interesse. Um aspecto que deve ser ressaltado, e que embora simula c ao de Monte Carlo seja eciente na obten c ao de solu c oes aproximadas para problemas complexos (o erro de estima c ao de m etodos de Monte Carlo decresce com a raiz quadrada do n umero de amostras ou tentativas enquanto o erro de estima c ao de outros m etodos decresce com a raiz m- esima do n umero de tentativas, onde m e a dimens ao do problema de interesse), sua converg encia para solu c ao e lenta e exige esfor co computacional consider avel. Com o avan co dos recursos computacionais atuais, tal limita c ao tende a ser minimizada. Muitos pacotes computacionais comerciais j a incorporam funcionalidades que permitem a simula c ao de sistemas complexos por meio de m etodos de Monte Carlo. Mais detalhes sobre m etodos de Monte Carlo podem ser obtidos em Fishman (1996).
Aplica ca o de T ecnicas de Otimiza ca o ` a Engenharia de Conabilidade

Marcia de Fatima Platilha Salgado 28 de mar co de 2008
Refer encias Bibliogr acas

Aguirre, L. A. (2007). Introdu c ao ` a Identica c ao de Sistemas: T ecnicas Lineares e N ao-lineares Aplicadas a Sistemas Reais . Editora UFMG, 3rd edition. Ascher, H. and Feingold, H. (1984). Repairable Systems - Modeling, inference, misconceptions and their causes . Marcel Dekker. Ashlock, D. (2005). Evolutionary Computation for Modeling and Optimization . Springer Verlag. Birolini, A. (2004). Reliability Engineering: Theory and Practice . Springer-Verlag, 4 edition. Bittencourt, G. (2008). Intelig encia computacional. http://www.das.ufsc.br/gia/softcomp/node18.html, Acessado em 10/02/2008. Chen, T.-C. (2006). Ias based approach for reliability redundancy allocation problems. Elsevier Applied Mathematics and Computation , 182, 15561567. de B. Pereira, B. and Rao, C. R. (2005). Survival analysis neural networks. Learning and Nonlinear Models Revista da Sociedade Brasileira de Redes Neurais (SBRN), 3(2), 5060. de Castro, L. N. and Zuben, F. J. V. (2002). Learning and optimization using the clonal selection principle. IEEE Transactions on Evolutionary Computation, N.3 , 6th, 239251. de Castro e Silva, L. N. (2008). Articial immune systems. de Castro Silva, L. N. (2003). Engenharia Imunol ogica: Desenvolvimento e Aplica c ao de Ferramentas Computacionais Inspiradas em Sistemas Imunol ogicos Articiais . Ph.d. thesis, UNICAMP. Deb, K. (1999). Evolutionary Algorithms in Engineering and Computer Science , chapter volutionary Algorithms for Multi-Criterion Optimization in Engineering Design, pages 135161. John Wiley. Deb, K., Agarwal, S., Pratap, A., and Meyarivan, T. (2000). A fast elitist non-dominated sorting genetic algorithm for multi-objective optimization: Nsga-ii. In Proceedings of the Parallel Problem Solving from Nature VI Conference . Dhillon, B. (2002). Engineering Maintenance: A Modern Approach . CRC Press. 3
REFERENCIAS BIBLIOGRAFICAS
Dhillon, B. (2006). Maintainability, Maintenance, and Reliability for Engineers . CRC Press. dos Santos, W. B. and Colosimo, E. (2003). Determina c ao da Periodicidade da Manuten c ao Preventiva em Sistemas Repar aveis . Disserta c ao de mestrado, Programa de P os-Gradua c ao em Estat stica, Universidade Federal de Minas Gerais. Dubois, D. and Kalfsbeek, H. (1990). Elicitation, assessment and pooling of expert judgment using possibility theory. In Proc. of the 8th Inter. Congress of Cybernetics and Systems (C.N. Manikopoulos, ed.) . Dubois, D., Prade, H., and Sandri, S. (1993). Fuzzy Logic: State of the Art (R. Lowen, M. Roubens, eds.) , chapter On possibility/probability transformations, pages 103112. Kluwer Academic. Engelbrecht, A. P. (2003). Computational Intelligence: An Introduction , volume 39-40. John Wiley. Fishman, G. S. (1996). Monte Carlo: Concepts, Algorithms and Applications . Springer-Verlag. Freitas, M. A. and Colosimo, E. A. (1997). Conabilidade: An alise de Tempo de Falha e Testes de Vida Acelerados , volume 12 of Ferramentas da Qualidade . Funda c ao Cristiano Ottoni, Belo Horizonte: Funda c ao Cristiano Ottoni, Escola de Engenharia da UFMG. Gen, M. and Yun, Y. (2006). Soft computing approach for reliability optimization: State-of-theart survey. Reliability Engineering and System Safety , 91, 10081026. Haykin, S. (1999). Neural Networks - A Comprehensive Foundation . Prentice Hall, 2nd edition. Higgins, L. R., Mobley, R. K., and Smith, R. (2002). Maintenance Engineering Handbook . McGraw-Hill, 6th edition. INCOSE (2002). System Engineering Handbook . Jang, J.-S. R. (1997). Neuro-fuzzy and Soft Computing: A computational approach to learning and machine intelligence . Prentice Hall. Jong, K. D. (1997). The handbook of Evolutionary Computation . IOP Publishing Ltd and Oxford University Press. Kaplan, E. L. and Meier, P. (1958). Nonparametric estimation from incomplete observations. Journal of the American Statistical Association , (53), 45748. Kececioglu, D. (2002). Reliability Engineering Handbook , volume 1-2. DEStech publications. Kennedy, J. and Eberhart, R. C. (2001). Swarm Intelligence . Morgan Kauman. Kuo, W. and Prasad, V. R. (2000). An annotaded overview of system-reliability optimization. IEEE Transactions on Reliability N.2 , 49, 176187.
Kuo, W. and Zuo, M. J. (2003). Optimal Reliability Modeling: Principles and Applications . John Wiley. Kuo, W., Prasad, V. R., Tillman, F. A., and Hwang, C.-L. (2001). Optimal Reliability Design: Fundamentals and Applications . Cambridge University Press, 1 edition. Langseth, H. and Portinale, L. (2007). Bayesian networks in reliability. Reliability Engineering and System Safety , (92), 92108. Lee, E. and Wang, J. (2003). Statistical Methods for Survival Data Analysis . John Wiley, 3rd edition. Levitin, G. (2007). Computational Intelligence in Reliability Engineering: Evolutionary Techniques in Reliability Analysis and Optimization and New Metaheuristics, Neural and Fuzzy Techniques in Reliability , volume 39-40. Springer-Verlag. Lindqvist, B. (1998). Statistical and probabilistic models in reliability , chapter Statistical modeling and analysis of repairable systems, pages 325. Birkhauser. Menon, A. (2004). Frontiers of Evolutionary Computation . Kluweer Academics Publishers. Mobley, K. (2004). Maintenance Fundamentals . Butterworth-Heinemann. Montgomery, D. C. and Runger, G. C. (1994). Applied Statistics and Probability for Engineers . John Wiley. Moubray, J. (2001). Reliability Centered Maintenance . Industrial Press Inc., 2nd edition. Najim, K., Ikonen, E., and Daoud, A.-K. (2004). Stochastic Processes: Estimation, Optimization and Analysis . Kogan Page Science. NASA (1995). System Engineering Handbook . NASA. NBR-5462 (1994). Conabilidade e Mantenabilidade . NSWC, N. S. W. C. (2007). Handbook of reliability prediction procedures for mechanical equipment. Technical report, Naval Surface Warfare Center, Carderock Division, Logistics Technology Support,West Bethesda, Maryland 20817-5700. OConnor, P. (2002). Practical Reliability Engineering . John Wiley, 4th edition. OHagan, A., Buck, C. E., Daneshkhah, A., Eiser, J. R., Garthwaite, P. H., Jenkinson, D. J., Oakley, J. E., and Rakow, T. (2006). Uncertain Judgements: Eliciting Experts Probabilities . John Wiley. Palade, V., Bocaniala, C. D., and Jain, L. (2006). Computational Intelligence in Fault Diagnosis . Springer-Verlag. Papoulis, A. (1991). Probability, Random Variables and Stochastic Processes . McGraw-Hill, 3rd edition.
Portinale, L. and Bobbio, A. (1999). Bayesian networks for dependability analysis: an application to digital control reliability. In Proceedings of the fteenth conference on uncertainty in articial intelligence , pages 5518, San Francisco, CA. Morgan Kaufmann Publishers. Rigdon, S. E. and Basu, A. P. (2000). Statistical Methods for the Reliability of Repairable Systems . John Wiley. Salgado, M. F. P., Lisboa, A. C., Saldanha, R. R., Caminhas, W. M., and Menezes, B. R. (2007). Aplica c ao da computa c ao evolucion aria na otimiza c ao da conabilidade de sistemas. In Anais do I Simp osio Brasileiro de Intelig encia Computacional (SBIC), Florian opolis, Santa Catarina. Sandri, S., Dubois, D., and Kalfsbeek, H. (1990). Elicitation, assessment and pooling of expert judgements using possibility theory. Scapin, C. A. (1999). An alise Sist emica de Falhas . Editora de Desenvolvimento Gerencial. Sheskin, D. J. (2003). Handbook of Parametric and Nonparametric Statistical Procedures . Chapman Hal/CRC, 3 edition. Tillman, F. A., Hwang, C.-L., and Kuo, W. (1980). Optimization of Systems Reliability . M Dekker. Trevisan, L. (2004). Inapproximability of combinatorial optimization problems. U.S.F.A.A (2000). System safety handbook. Technical report, FAA, Washington, DC, USA. Vieira, D. A. G., da Silva Adriano, R. L., Vasconcelos, J. A., and Krahenbuhl, L. (2002). Handling constraints as objectives in a multiobjective genetic based algorithm. Journal of Microwaves and Optoeletronis , 2(6), 5969. Vieira, D. A. G., J unior, A. S. M., Lisboa, A. C., Sadanha, R. R., and Takahashi, R. H. C. (2007). A multi-cut fast ellipsoid optimization method for non-smooth problems. Submetido ao Mathematical Programming . Yang, G. (2007). Life Cycle Reliability Engineering . Wiley, 1 edition.

Manutenção

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Manutenção

Hochgeladen von

Copyright:

Verfügbare Formate

Aplica c ao de T ecnicas de Otimiza c ao ` a Engenharia de Conabilidade

Belo Horizonte, 28 de mar co de 2008.

Prof. Benjamim Rodrigues de Menezes (Orientador)

Prof. Walmir Matos Caminhas (Co-orientador)

Substitua pela folha com as assinaturas da banca

Aplica c ao de T ecnicas de Otimiza c ao ` a Engenharia de Conabilidade

Marcia de Fatima Platilha Salgado

Modelagem de Sistemas Repar aveis . . . . . . . . . . . . . . . . . . . . . . . . . . xv

3.2.1 3.2.2 3.3

T ecnicas N ao-Param etricas . . . . . . . . . . . . . . . . . . . . . . . . . . T ecnicas Param etricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Testes Estat sticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6 Conclus oes e Propostas de Continuidade A Probabilidade e Processos Estoc asticos xvi

5.5 5.6 5.7 5.8

Cap tulo 1. Introdu c ao

Cap tulo 1. Introdu c ao

Cap tulo 1. Introdu c ao

Cap tulo 1. Introdu c ao

Cap tulo 1. Introdu c ao

Cap tulo 1. Introdu c ao

Sistemas, Modelos e Incerteza

Cap tulo 2. Conceitos B asicos

2.1. Sistemas, Modelos e Incerteza

Cap tulo 2. Conceitos B asicos

Falhas, Modos e Mecanismos de Falha

Cap tulo 2. Conceitos B asicos

Cap tulo 2. Conceitos B asicos

u(t) u(t) + d(t)

lim A(t) = A() =

u() u() + d()

Cap tulo 2. Conceitos B asicos

lim A(t) = A() =

Sistemas Repar aveis e N ao-Repar aveis

2.7. Sistemas Repar aveis e N ao-Repar aveis

Cap tulo 3. Modelagem de Conabilidade

Cap tulo 3. Modelagem de Conabilidade

Modelagem de Sistemas N ao-Repar aveis

T ecnicas N ao-Param etricas

3.1. Modelagem de Sistemas N ao-Repar aveis

T ecnicas Param etricas

Cap tulo 3. Modelagem de Conabilidade

A fun c ao de distribui c ao cumulativa (cdf ) e dada pela equa c ao 3.2.

R( |t) = P (t > t + |T > t) =

3.1. Modelagem de Sistemas N ao-Repar aveis

h(t) = lim P (T t + t|T > t) =

A fun c ao taxa de falha cumulativa e dada por 3.8.

Cap tulo 3. Modelagem de Conabilidade

Modelagem de Sistemas Repar aveis

3.2. Modelagem de Sistemas Repar aveis

Cap tulo 3. Modelagem de Conabilidade

a equa c ao 3.12 pode ser reescrita como 3.13. +

P (Recorr^ encias no intervalo (t, t + dt]) E [dN (t)] = lim dt0 dt dt

3.2. Modelagem de Sistemas Repar aveis

T ecnicas N ao-Param etricas

T ecnicas Param etricas

Cap tulo 3. Modelagem de Conabilidade

Estima c ao de Par ametros

3.3. Estima c ao de Par ametros

Estimador de M axima Verossimilhan ca MLE

Cap tulo 3. Modelagem de Conabilidade

Estimador de M nimos Quadrados LSE

Valida c ao de Modelos - Testes de Adequa c ao

3.4. Valida c ao de Modelos - Testes de Adequa c ao

Cap tulo 3. Modelagem de Conabilidade

Testes Estat sticos